文档介绍：::通过人工智能课程的学习, 熟悉遗传算法的简单应用。 f(x) = x2的最大值, x∈[0,31],x取整数。可以看出该函数比较简单, 只要是为了体现遗传算法的思想,在问题选择上,选了一个比较容易实现的,把主要精力放在遗传算法的实现,以及核心思想体会上。:实现过程(1)编码使用二进制编码,随机产生一个初始种群。 L表示编码长度,通常由对问题的求解精度决定,编码长度 L越长,可期望的最优解的精度也就越高,过大的 L会增大运算量。针对该问题进行了简化,因为题设中x∈[0,31],所以将二进制长度定为5就够用了;(2)生成初始群体种群规模表示每一代种群中所含个体数目。随机产生 N个初始串结构数据,每个串结构数据成为一个个体, N个个体组成一个初始群体,N表示种群规模的大小。当N取值较小时,可提高遗传算法的运算速度,但却降低种群的多样性,容易引起遗传算法早熟,出现假收敛;而 N当取值较大时,又会使得遗传算法效率降低。一般建议的取值范围是 20—100。(3)适应度检测根据实际标准计算个体的适应度,评判个体的优劣,即该个体所代表的可行解的优劣。本例中适应度即为所求的目标函数;(4)选择从当前群体中选择优良(适应度高的)个体,使它们有机会被选中进入下一次迭代过程, 舍弃适应度低的个体。本例中采用轮盘赌的选择方法,即个体被选择的几率与其适应度值大小成正比;(5)交叉遗传操作,根据设置的交叉概率对交配池中个体进行基因交叉操作,形成新一代的种群,新一代中间个体的信息来自父辈个体,体现了信息交换的原则。交叉概率控制着交叉操作的频率,由于交叉操作是遗传算法中产生新个体的主要方法, 所以交叉概率通常应取较大值;但若过大的话,又可能破坏群体的优良模式。。(6)变异随机选择中间群体中的某个个体,以变异概率大小改变个体某位基因的值。变异为产生新个体提供了机会。变异概率也是影响新个体产生的一个因素,变异概率小,产生新个体少;变异概率太大,又会使遗传算法变成随机搜索。—。(7)结束条件当得到的解大于等于 900时,结束。从而观看遗传的效率问题。:/*遗传算法设计最大值 */#include<>#include<>#include<>#include<>#defineC0//测试#defineCFLAG4//测试标记#//#//-#defineITER_NUM1000//迭代次数#definePOP_NUM20//染色体个数#defineGENE_NUM 5 //基因位数#defineFEXP(x) ((x)*(x))//y=x^2typedefunsignedintUINT;//染色体typedefstruct{chargeneBit[GENE_NUM];// 基因位UINTfitValue;//适应值}Chromosome;//将二进制的基因位转化为十进制UINTtoDec(Chromosomepop){UINTi;UINTradix =1;UINTresult=0;for(i=0;i<GENE_NUM;i++){result+=([i]-'0')*radix;radix *=2;}returnresult;}UINTcalcFitValue(UINTx){returnFEXP(x);}voidtest(Chromosome*pop){inti;intj;for(i=0;i<POP_NUM;i++){printf("%d:",i+1);for(j=0;j<GENE_NUM;j++)printf("%c",pop[i].geneBit[j]);printf(" %4d",toDec(pop[i]));printf(" fixValue=%d\n",calcFitValue(toDec(pop[i])));}}//变异得到新个体 :随机改变基因voidmutation(Chromosome*pop){UINTrandRow,randCol;UINTrandValue;randValue=rand()%100;if(randValue>=(int)(BIANYI_RATE*100)){#if(C==1)&&(CFLAG==4)printf("\n 种群个体没有基因变异 \n");#endifreturn;}randCol=rand()%GENE_NUM;//随