实验五、遗传算法

人工智能实验报告遗传算法实验报告一、问题描述对遗传算法的选择操作，设种群规模为4，个体用二进制编码，适应度函数,x的取值区间为[0,30]。

若遗传操作规定如下：（1）选择概率为100%，选择算法为轮盘赌算法；（2）交叉概率为1，交叉算法为单点交叉，交叉顺序按个体在种群中的顺序；（3）变异几率为0请编写程序，求取函数在区间[0,30]的最大值。

二、方法原理遗传算法：遗传算法是借鉴生物界自然选择和群体进化机制形成的一种全局寻优算法。

与传统的优化算法相比，遗传算法具有如下优点：不是从单个点，而是从多个点构成的群体开始搜索；在搜索最优解过程中，只需要由目标函数值转换得来的适应值信息，而不需要导数等其它辅助信息；搜索过程不易陷入局部最优点。

目前，该算法已渗透到许多领域，并成为解决各领域复杂问题的有力工具。

在遗传算法中，将问题空间中的决策变量通过一定编码方法表示成遗传空间的一个个体，它是一个基因型串结构数据；同时，将目标函数值转换成适应值，它用来评价个体的优劣，并作为遗传操作的依据。

遗传操作包括三个算子：选择、交叉和变异。

选择用来实施适者生存的原则，即把当前群体中的个体按与适应值成比例的概率复制到新的群体中，构成交配池（当前代与下一代之间的中间群体）。

选择算子的作用效果是提高了群体的平均适应值。

由于选择算子没有产生新个体，所以群体中最好个体的适应值不会因选择操作而有所改进。

交叉算子可以产生新的个体，它首先使从交配池中的个体随机配对，然后将两两配对的个体按某种方式相互交换部分基因。

变异是对个体的某一个或某一些基因值按某一较小概率进行改变。

从产生新个体的能力方面来说，交叉算子是产生新个体的主要方法，它决定了遗传算法的全局搜索能力；而变异算子只是产生新个体的辅助方法，但也必不可少，因为它决定了遗传算法的局部搜索能力。

交叉和变异相配合，共同完成对搜索空间的全局和局部搜索。

三、实现过程（1）编码：使用二进制编码，随机产生一个初始种群。

桂林理工大学实验报告班级计算机11-1班学号姓名同组实验者无实验名称日期2014年 5 月30日一、实验目的：用遗传算法求f(x)=x*sin(10*pi*x)+1.0的最大值，其中x区间为 [-1 2] 。

二、实验内容：初始化(编码)；实现目标函数的计算：将pop每行转化成十进制数，将二值域中的数转化为变量域的数，计算目标函数值；随机产生初始群体；计算目标函数值；计算群体中每个个体的适应度；保存每次迭代最大适应值对应的x，y，用于绘图演示；计算最大值及其位置；计算最大值对应的x值。

三、程序清单：%遗传算法主程序clearclcpopsize=20; %群体大小chromlength=10; %字符串长度（个体长度）pc=0.6; %交叉概率pm=0.001; %变异概率pop=initpop(popsize,chromlength); %随机产生初始群体for i=1:200 %20为迭代次数[objvalue]=calobjvalue(pop); %计算目标函数值fitvalue=objvalue; %计算群体中每个个体的适应度% fitvalue=calfitvalue(objvalue);%依概率选择遗传操作之一r1=ceil(3*rand);switch r1case 1newpop=selection(pop,fitvalue); %复制case 2newpop=crossover(pop,pc); %交叉case 3newpop=mutation(pop,pc); %变异end[bestindividual,bestfit]=best(pop,fitvalue); % 群体中最大的适应值及其个体y(i)=bestfit; %保存每次迭代最大适应值对应的x，y，用于绘图演示x(i)=-1+decodebinary(bestindividual)*3/1023;pop=newpop;endfplot('x.*sin(10*pi*x)+1.0',[-1 2])hold onplot(x,y,'r*')hold off[ymax index]=max(y); %计算最大值及其位置xmax=x(index)%计算最大值对应的x值ymax四、运行结果：五、心得体会：本次试验着重针对代码的改写，通过改写代码以及思考对遗传算法有了一定的了解，跟同学讨论学会了二值域转换为变量域的方法。

Na.BSgenerAt ion:Nd. Blgfeneration:
No.829DRBratlDn:
Hd・93g«nBratiuo■
No.8^gtner*tton:
No. SEgtnei'At ion:
He,S6gtneration:
Nd.S7g&negation:Hu . USifencrAt ±un:
HlaiHim UUBl L UH1UUU1L0L
X=2 .tJBtib21
p=2.btL4?9y
I he
No. 82
genepation：
ei0101anooei1eelsaol101
x=2.Q88621
p=2.81479?
I he
No. 83
jeneration：
01310101ao@l103109011Q1
x^2.688613
81479?
1 he
No.
jeneration：
Bl&1BlW1OUei1H01UUO1 twi
X=Z .tlBHblB
^=2-B147y»
lhe
No.Vt
jeneration：
Ml U1 uitdl HUtll 1(*)1
x=2.MHHblH
The
No.91
gfenei?at ion：
I he
Nu .)6
genericion：
81 Bl 8101080丄18S109O1JL丄0
x-2.688621
^-2.814791
I he
No.?7
jeneratlorn：
sisiei01ao@iiop丄Oso1丄1日
x=2.B88621

遗传算法求函数最大值实验报告遗传算法是一种模拟自然界进化过程的优化算法，它通过模拟生物进化过程中的遗传、交叉和变异等机制，逐步优化解空间中的个体，以找到问题的最优解。

在本次实验中，我们利用遗传算法来求解一个函数的最大值。

下面我们将详细介绍实验的过程和结果。

首先，我们选择了一个简单的函数作为实验对象，即f(x) = x^2，在x的范围为[-10, 10]。

我们的目标是找到使函数值最大的x。

首先，我们需要定义遗传算法中的基本元素，包括编码方式、适应度函数、选择策略、交叉和变异操作等。

在本实验中，我们选择二进制编码方式，将x的范围[-10, 10]离散化为10位的二进制编码。

适应度函数即为f(x) = x^2，它表示个体的适应度。

选择策略采用轮盘赌选择算法，交叉操作采用单点交叉，变异操作采用随机位变异。

接下来，我们需要初始化种群，并迭代进行交叉和变异操作，直到满足终止条件。

在每一代中，我们根据适应度函数对种群中的个体进行评估，并根据选择策略选择父代个体进行交叉和变异操作。

通过交叉和变异操作，产生新的子代个体，并替代原有种群中的个体。

在本次实验中，我们设置了100个个体的种群，并进行了100代的迭代。

实验结果显示，经过多次迭代，算法逐渐优化到了最优解。

最终找到了使函数值最大的x，即x=10，对应的函数值为100。

总结起来，本次实验利用遗传算法求解函数的最大值，展示了遗传算法在优化问题中的应用。

通过适当选择编码方式、适应度函数和操作策略，我们可以有效地找到问题的最优解。

在后续的研究中，我们可以进一步探索遗传算法在更复杂问题上的应用，并通过改进算法的参数和操作策略来提高算法的性能。