遗传算法实践报告

年级、专业 姓名 学号 名单序号

实验时间 MATLAB版本：

注：实验报告的最后一部分是实验小结与收获

实验七 遗传算法

2013春 数学实验

实验七 遗传算法 1 / 4 1．用Matlab编制另一个主程序Genetic2.m，求例1的在第二种终止条件下的最优解．

提示：一个可能的函数调用形式以及相应的结果为：

[Count,Result,BestMember]=Genetic2(22,6,'-x*x+2*x+0.5',-1,2,-2,0.01,0.00001)

% 附录1 Genetic2.m

function

[Count,Result,BestMember]=Genetic2(MumberLength,MemberNumber,FunctionFitness,MinX,MaxX,Fmin,MutationProbability,Precision)

Population=PopulationInitialize(MumberLength,MemberNumber);

Error=Precision+1;

global Count;

global CurrentBest;

Count=1;

PopulationCode=Population;

PopulationFitness=Fitness(PopulationCode,FunctionFitness,MinX,MaxX,MumberLength); %用于计算群体中每一个染色体的目标函数值

PopulationFitnessF=FitnessF(PopulationFitness,Fmin); %用于计算每个染色体的适应函数值

PopulationProbability=Probability(PopulationFitnessF); %用于计算群体中每个染色体的入选概率

江南大学物联网工程学院实验报告

课程名称 人工智能 实验名称 遗传算法 实验日期 2016-4-10

班级 计科1305 姓名 游思睿 学号 1030413529

实验报告要求 1．实验名称 2．实验要求 3．实验环境 4．实验步骤 5．实验体会

一、实验目的：

基本了解遗传算法的原理和具体程序实现。

二、实验内容：

利用遗传算法计算二元函数的最大值

(1) 个体编码

遗传算法的运算对象是表示个体的符号串，所以必须把变量 x1, x2 编码为一种

符号串。本题中，用无符号二进制整数来表示。

因 x1, x2 为 0 ~ 7之间的整数，所以分别用3位无符号二进制整数来表示，将它

们连接在一起所组成的6位无符号二进制数就形成了个体的基因型，表示一个可

行解。

例如，基因型 X＝101110 所对应的表现型是：x＝[ 5，6 ]。

个体的表现型x和基因型X之间可通过编码和解码程序相互转换。

(2) 初始群体的产生

遗传算法是对群体进行的进化操作，需要给其淮备一些表示起始搜索点的初始

群体数据。

本例中，群体规模的大小取为4，即群体由4个个体组成，每个个体可通过随机

方法产生。

如：011101，101011，011100，111001

(3) 适应度汁算

遗传算法中以个体适应度的大小来评定各个个体的优劣程度，从而决定其遗传

机会的大小。

本例中，目标函数总取非负值，并且是以求函数最大值为优化目标，故可直接

报告题目：基于Matlab的遗传算法解决TSP问题

说明：该文包括了基于Matlab的遗传算法解决TSP问题的

基本说明，并在文后附录了实现该算法的所有源代码。此代

码经过本人的运行，没有发现错误，结果比较接近理论最优

值，虽然最优路径图有点交叉。

因为本人才疏学浅，本报告及源代码的编译耗费了本人

较多的时间与精力，特收取下载积分，还请见谅。若有什么

问题，可以私信，我们共同探讨这一问题。

希望能对需要这方面的知识的人有所帮助！1.问题介绍

旅行商问题(TravelingSalesmanProblem，简称TSP)是一个经典的组合优

化问题。它可以描述为：一个商品推销员要去若干个城市推销商品，从一个城市

出发，需要经过所有城市后，回到出发地，应如何选择行进路线，以使总行程最

短。从图论的角度看，该问题实质是在一个带权完全无向图中。找一个权值最小

的Hemilton回路。其数学描述为：设有一个城市集合其中每对城市之间的距离

(),ijdccR+∈，求一对经过C中每个城市一次的路线()12,,ncccΠΠΠ⋯使

()()()1

111min,,n

iniidccdcc−

ΠΠΠΠ+=+∑

其中()12,,12nnΠΠΠ⋯⋯是，的一个置换。

2.遗传算法

2.1遗传算法基本原理

遗传算法是由美国J.Holland教授于1975年在他的专著《自然界和人工系

统的适应性》中首先提出的，它是一类借鉴生物界自然选择和自然遗传机制的随

机化搜索算法。

遗传算法模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现

象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，

利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，

重复此过程，直到满足某种收敛指标为止。

遗传算法，在本质上是一种不依赖具体问题的直接搜索方法，是一种求解问

题的高效并行全局搜索方法。遗传算法在模式识别、神经网络、图像处理、机器

学习、工业优化控制、自适应控制、负载平衡、电磁系统设计、生物科学、社会

遗传算法实验报告

一、 问题描述

已知函数10090060)(23xxxxf , x[0,35 ],求函数的最大值。

05101520253035050010001500200025003000350040004500

上图为函数10090060)(23xxxxf在x[0,35 ]区间上的曲线图像。

可以看出，该函数有多个极值点，如果使用其他的搜寻方法，很容易陷入局部最小点，而不能搜寻到真正的全局最小点，遗传算法具有通用、并行、稳健、简单与全局优化能力强等突出优点，适用于解决这种全局优化问题。

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。