文档介绍：-
. z.
信息与管理科学学院计算机科学系
实验报告
课程名称：人工智能
实验名称：遗传算法问题
XX：鹏海贾美丽妍汉昭
学号：1510003063 1510003024 毕条件，假设满足那么算法完毕，当前种群中适值最高的个体即所求解；否那么转
-
. z.
3
选择操作：
首先要知道适应度函数，所谓的适应度函数就是评价函数，通常是问题的目的函数〔或它的倒数〕，它描述了个体的优劣程度同时也决定了选择操作的概率，设fi表示第i个个体的适应度值，那选择第i个个体的概率就是fi/∑fj，简单来说，这个概率的大小就决定了该个体是被淘汰还是被保存。通常的具体做法是用类似赌盘的方法，每个个体占它的适应度那么宽的转盘大小，每次掷色子，落到哪一格就选哪一格对应的个体。
穿插操作：
穿插操作就是让2个以上的染色体进展穿插产生后代的过程，具体的穿插操作要看具体的问题。不过我觉得有一个原那么，就是要有对称性，穿插得到的后代中的基因要来源于父代的所有个体中，也就是说n个个体进展穿插是和它们的排列没关系，这样子代才有时机得到更优秀的基因。穿插操作是遗传算法中最重要的操作。最简单的根本方式是交换父代中染色体片段。
变异操作：
生物可以突变，有时候突变是好的，有时候却是坏的，但正是因为有了突变才让有限的种群中基因库可以非常丰富，也保证了种群的适应能力。变异操作通常是翻转个体中某段染色体，编码后的染色体在计算机中都是01串，也就可以随机的翻转某个〔或多个〕bit上的值。
穿插和变异不是一定要发生在选择了的个体上，而是按一定控制概率发生的，~，~。
五、实验程序
-
. z.
#include<>
#include<>
#include<>
typedef struct _indi//个体
{
double code;//染色体
double degree;//适应度
}Indi;
Indi group[40];//种群规模为40
//------------------------------------------------------
//适应度算法
void Judge(Indi &x)//适应度算法
{
double tmp=*-;
if(tmp>=0)
-
. z.
=/(+tmp)-;
else
=/(-tmp)-;
}
//------------------------------------------------------
int happened(double p)//是否发生一个概率在p=0~1的事件
{
return rand()<(int)(p*RAND_MAX);
}
//-----------------------