遗传算法求函数最大值实验报告

遗传算法实验报告

专业：自动化 姓名：张俊峰 学号：13351067

摘要：遗传算法，是基于达尔文进化理论发展起来的一种应用广泛、高效的随机搜索与优化方法。本实验利用遗传算法来实现求函数最大值的优化问题，其中的步骤包括初始化群体、个体评价、选择运算、交叉运算、变异运算、终止条件判断。该算法具有覆盖面大、减少进入局部最优解的风险、自主性等特点。此外，遗传算法不是采用确定性原则而是采用概率的变迁规则来指导搜索方向，具有动态自适应的优点。

关键词：串集 最优化评估 迭代 变异

一：实验目的

熟悉和掌握遗传算法的运行机制和求解的基本方法。

遗传算法是一种基于空间搜索的算法，它通过自然选择、遗传、变异等操作以及达尔文的适者生存的理论，模拟自然进化过程来寻找所求问题的答案。其求解过程是个最优化的过程。一般遗传算法的主要步骤如下：

（1）随机产生一个确定长度的特征字符串组成的初始种群。。

（2）对该字符春种群迭代地执行下面的步骤a和步骤b，直到满足停止准则为止：

a计算种群中每个个体字符串的适应值；

b应用复制、交叉和变异等遗传算子产生下一

函数的最大值和最小值

教材分析 函数的最大（小）值是函数的一个重要性质。它和求函数的值域有密切的关系，对于在闭区间上连续的函数，只要求出它的最值，就能写出这个函数的值域。通过对本课的学习，学生不仅巩固了刚刚学过的函数单调性，并且锻炼了利用函数思想解决实际问题的能力；同时在问题解决的过程中学生还可以进一步体会数学

在生活、实际中的应用，体会到函数问题处处存在于我们周围。

学情分析 在初中学生对已经经历了中学函数学习的第一阶段，学习了函数的描述性概念接触了正比例函数，反比例函数 一次函数 二次函数等最简单的函数，了解了他们的图 像和性质。鉴于学生对二次函数已经有了一个初步的了解。因此本节课从学生接触过的二次函数的图象入手，这样能使学生容易找出最高点或最低点。但这只是感性上的认识。为了让学生能用数学语言描述函数最值的概念，先从具体的函数y=x2入手，再推广到一般的函数y=ax2+bx+c (a≠0)。让学生有一个从具体到抽象的认识过程。对于函数最值概念的认识，学生的理解还不是很透彻，通过对概念的辨析，让学生真正理解最值概念的

函数的最大值和最小值

教材分析 函数的最大（小）值是函数的一个重要性质。它和求函数的值域有密切的关系，对于在闭区间上连续的函数，只要求出它的最值，就能写出这个函数的值域。通过对本课的学习，学生不仅巩固了刚刚学过的函数单调性，并且锻炼了利用函数思想解决实际问题的能力；同时在问题解决的过程中学生还可以进一步体会数学

在生活、实际中的应用，体会到函数问题处处存在于我们周围。

学情分析 在初中学生对已经经历了中学函数学习的第一阶段，学习了函数的描述性概念接触了正比例函数，反比例函数 一次函数 二次函数等最简单的函数，了解了他们的图 像和性质。鉴于学生对二次函数已经有了一个初步的了解。因此本节课从学生接触过的二次函数的图象入手，这样能使学生容易找出最高点或最低点。但这只是感性上的认识。为了让学生能用数学语言描述函数最值的概念，先从具体的函数y=x2入手，再推广到一般的函数y=ax2+bx+c (a≠0)。让学生有一个从具体到抽象的认识过程。对于函数最值概念的认识，学生的理解还不是很透彻，通过对概念的辨析，让学生真正理解最值概念的

人工智能课程项目报告

基于遗传算法求解TSP问题

班级，学号，姓名

摘要：巡回旅行商问题（TSP）是一个组合优化方面的问题，从理论上讲，使用穷举法不但可以求解TSP问题，而且还可以得到最优解。但是，利用穷举法所耗费的时间巨大的，当问题的规模很大时，穷举法的执行效率较低，不能满足及时的需要。

遗传算法是计算机科学人工智能领域中用于解决最优化的一种搜索启发式算法，是进化算法的一种。该算法通过模拟生物学交叉、变异等方式，是当前向最优解的方向进化，因此使用于TSP问题的求解。

关键词：人工智能；TSP问题；遗传算法

本组成员：林志青，韩会雯，赵昊罡

本人分工：掌握遗传算法的基本原理，编写遗传算法中部分匹配交叉、循环交叉和循序交叉的具体实现过程。

1 引言

旅行商问题，即TSP问题，是一个最优解的求解问题。假设有n个城市，并且每个城市之间的距离已知，则如何只走一遍并获得最短路径为该问题的具体解释。

对于TSP问题的解决，有穷举法、分支限界法等求解方式，该文章主要介绍遗传算法求解过程。 遗传算法简称GA，在本质上是一种求解问题的高效并行全局搜索方法。遗传算法从任意一个初始化的群体出发，通过随机选择、交叉和变异等遗传操作，使群体一代一代的进化到

利润最大值模型

摘要

本文首先就售价和预期销售量(千桶)的关系的问题上做了售价售量模型讨论，应用数据拟合的知识，就所得的数据（见表1）建立了一条关于售价和预期销售量的拟合曲线，通过观察拟合的曲线和原数据的拟合程度确定了售价和预期销售量呈线性关系。其中用方程是可以表示为

y(x)=-5.1333*x+50.4222

表1 售价 2．00 2．50 3．00 3．50 4．00 4．50 5．00 5．50 6．00 预期销41 38 34 32 29 28 25 22 20 售量（千桶） 在确定了销售价格和销售量的关系后，我们又在销售量上下功夫，建立了销售增长因子模型，据表2数据体现，适当的广告费投入能够增大销售增长因子，能提高销售量，这样就能增大利润，我们又拟合了关于广告费和销售增长因子的关系曲线，通过观察得知广告费和销售增长因子呈二次关系。其中用方程可以表示为

h(z)=-0.0004*z^2+0.0409*z+1.0188

表2 广告费（千元） 0 10 20 30 40 50 60 70 销售增长因子 1．00 1．40 1．70 1．85 1．95 2．00 1．95 1．80 为了能够得到最大利润，结合方程1和方程2，进一步得

主程序

%% GA clc % 清屏

clear all; % 删除workplace变量 close all; % 关掉显示图形窗口 warning off

%% 参数初始化

popsize=100; %种群规模 lenchrom=7; %变量字串长度

pc=0.7; %设置交叉概率，本例中交叉概率是定值，若想设置变化的交叉概率可用表达式表示，或从写一个交叉概率函数，例如用神经网络训练得到的值作为交叉概率 pm=0.3; %设置变异概率，同理也可设置为变化的

maxgen=100; % 进化次数

%种群

popmax=50; popmin=0;

bound=[popminpopmax;popminpopmax;popminpopmax;popminpopmax;popminpopmax;popminpopmax;popminpopmax]; %变量范围

%% 产生初始粒子和速度 fori=1:popsize

%随机产生一个种群

GApop(i,:)=Code(lenchrom,bound);

遗传算法入门报告

信息与计算科学专业基础课

Computer Graphics

摘要：

Report Of course experiment 遗传算法学课 程论文

遗传算法入门报告

遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。

Concisely stated, a genetic algorithm (or GA for short) is a programming

technique that mimics biological evolution as a problem-solving strategy. Given a

specific problem to solve, the

关于遗传算法的介绍和简单应用。

遗传算法

遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它最初由美国Michigan大学J.Holland教授于1975年首先提出来的，并出版了颇有影响的专著《Adaptation in Natural and Artificial Systems》，GA这个名称才逐渐为人所知，J.Holland教授所提出的GA通常为简单遗传算法（SGA）。

基本概念

遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。 对于一个求函数最大值的优化问题(求函

数最小值也类

遗传算法求解函数优化问题的比较

多极值点函数具有多个极值，对此问题，传统的优化技术很容易陷入局部最优解，求得全局优化解的概率不高，可靠性低；为此，建立尽可能大概率的求解全局优化解算法是求解函数优化的一个重要问题。

遗传算法是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传制）演化而来的随机搜索和优化方法，是当今影响最广泛的进化计算方法之一，是进化计算理论体系的中心。遗传算法借鉴了物种进化的思想，将欲求解问题编码，把可行解表示成字符串形式。初始化随机产生一个种群，用合理的评价函数对种群进行评估，在此基础上进行选择、交叉及变异等遗传操作。选择算子根据父代中个体适值大小进行选择或淘汰，它保证了算法的最优搜索方向。交叉算子模拟基因重组及随机信息交换，产生更好个体，使其在可行域内有效搜索。变异算子模拟基因突变，保证了遗传算法的全局搜索能力。遗传算法的搜索能力主要由选择算子及交叉算子赋存，变异算子尽可能保证算法达到全局最优，避免陷入局部最优。

遗传算法中的各个模块如下所示 1、编码

将数据进行二进制编码，其规则如下：设某一参数的取值范围为（L,U），使用长度为k的二进制编码表示该参数，则它共有2k种不同的编码。该参数编码时代对应关系为

000000000

遗传算法求解函数优化问题的比较

多极值点函数具有多个极值，对此问题，传统的优化技术很容易陷入局部最优解，求得全局优化解的概率不高，可靠性低；为此，建立尽可能大概率的求解全局优化解算法是求解函数优化的一个重要问题。

遗传算法是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传制）演化而来的随机搜索和优化方法，是当今影响最广泛的进化计算方法之一，是进化计算理论体系的中心。遗传算法借鉴了物种进化的思想，将欲求解问题编码，把可行解表示成字符串形式。初始化随机产生一个种群，用合理的评价函数对种群进行评估，在此基础上进行选择、交叉及变异等遗传操作。选择算子根据父代中个体适值大小进行选择或淘汰，它保证了算法的最优搜索方向。交叉算子模拟基因重组及随机信息交换，产生更好个体，使其在可行域内有效搜索。变异算子模拟基因突变，保证了遗传算法的全局搜索能力。遗传算法的搜索能力主要由选择算子及交叉算子赋存，变异算子尽可能保证算法达到全局最优，避免陷入局部最优。

遗传算法中的各个模块如下所示 1、编码

将数据进行二进制编码，其规则如下：设某一参数的取值范围为（L,U），使用长度为k的二进制编码表示该参数，则它共有2k种不同的编码。该参数编码时代对应关系为

000000000