智能计算遗传算法实验报告.doc

发布时间：2022-06-08 发布人：admin 分类：说明书资料大小：2.09M 资料格式：doc 举报版权申诉

primeprime-4939234-4744302543287682218.doc.pdf-第1页.png

第1页 / 共13页

primeprime-4939234-4744302543287682218.doc.pdf-第2页.png

第2页 / 共13页

primeprime-4939234-4744302543287682218.doc.pdf-第3页.png

第3页 / 共13页

primeprime-4939234-4744302543287682218.doc.pdf-第4页.png

第4页 / 共13页

primeprime-4939234-4744302543287682218.doc.pdf-第5页.png

第5页 / 共13页

primeprime-4939234-4744302543287682218.doc.pdf-第6页.png

第6页 / 共13页

primeprime-4939234-4744302543287682218.doc.pdf-第7页.png

第7页 / 共13页

primeprime-4939234-4744302543287682218.doc.pdf-第8页.png

第8页 / 共13页

一、实验目的：

二、实验内容

三、实验环境：

四、实验设计原理

五、实验结果及分析

一、实验目的：通过本实验，掌握遗传算法在解决线性约束优化问题中的应用，了解算法的核心思想和实现过程。对遗传算法的实现过程有详细的认识，从种群初始化，到求个体适应值，再对个体进行选择（选择的过程中用到罚函数值和适应度值进行比较）交叉和变异，最后迭代求出最优解。二、实验内容给定一个 7x7 约束规划问题，将物品由 7 个起始站运到 7 个目的地，已知由 i 站运到 j 地的单位运费是 Cij，ai 表示 i 站的供应量，bj 表示 j 地的需求量， xij 表示从 i 站到 j 地的运量。（i, j =1,2,…,7）。通过遗传算法求运费最小值。目标函数为：  i, j f(x ij ) P 罚函数为： kP  p)  f  t( T 7 7  ijd 1i  1j  其中，k=1,P=1/14,f 为第 t 代群体的平均适应度，T 为最大运行代数，dij 为约束违反度。三、实验环境：操作系统：Microsoft Windows XP Professional 软件：Microsoft Visual C++ 6.0 四、实验设计原理 1、7x7 算法思想本实验是利用遗传算法策略，通过初始化一定规模的解。每一个解对应一个个体，通过适应值分析，通过随机联赛选择方法找出最优解。由随机联赛选择方法选出适应度较好的个体，再对这些个体进行交叉，随之进行变异。再求适应度，，

求最优解，选择，交叉，变异迭代设定值次数下去求出最优解。 2、算法实现的分析（1）实验的数据为给定的 7x7 运输规划的约束值，费用。（2）设置种群的数量为 100，7x7 的解转化为一维数组，数组的大小为 49.。（3）首先初始化种群为 200 个个体，种群数组大小为 300.，计算 200 个个体的适应度值。初始化最优解为在种群数组中第一个个体。从 200 个个体选择 100 个个体，存在种群数组下标为 0--99 中。再对这 100 个个体进行交叉后存到种群数组 100--199 下标中去。接着，每隔 50 代对下标为 0--199 中的个体进行变异。循环操作，迭代设定的 60000 次，每 3000 次输出一个结果。（4）随机联赛选择和算术交叉如下：随机联赛选择：每次从 200 个个体中随机选择 2 个个体进行适应度的比较，当 2 个个体都是可行解时，选择适应度小的个体。当 2 个个体不是可行解时，比价适应度值和罚函数值和的大小，选择小的那个。算术交叉：由两个个体的线性组合而产生出两个新的个体。为了能够进行线性组合运算，算术交叉的操作对象一般是由浮点数编码表示的个体。假设在在两个个体 t AX ， t BX 之间进行算术交叉，交叉运算后产生出的两个新个体是： 1t  t 1      X X A B X  X  t B t A  ）（  ）（ 1 1 X X t A t B 3、算法实现的步骤步骤 1：初始化种群 200 个个体步骤 2：更新染色体信息（适应度，是否为可行解，惩罚函数值）步骤 3：找出最优解（通过随机联赛选择策略）步骤 4：每迭代 3000 次输出进化结果步骤 5：随机选择 100 个较好解的个体，存放到种群数组中步骤 6：在上述选择出来的 100 个个体中随机选择两个进行交叉，交叉 50 次，生成 100 个新的个体，存放到种群数组中步骤 7：每迭代 50 次对上面种群数组中的 200 个个体进行变异

步骤 8：转到步骤 2 继续循环执行，知道达到设定的迭代次数五、实验结果及分析

分析：随着迭代次数的增加，求出的值越来越小。程序中设置的迭代次数为 60000 次，能得出的最优解是 4000 多。程序的不足之处不稳定，离最优解还是有一定的距离，存在很大的改进空间。附录：主函数： #include"sevenseven.h" #include #include #include #include using namespace std; int main() { srand((unsigned)time(0)); int cost[RowNum][ColNum]={ {0,21,50,62,93,77,1000}, {21,0,17,54,67,1000,48}, {50,17,0,60,98,67,25}, {62,54,60,0,27,1000,38}, {93,67,98,27,0,47,42}, {77,1000,67,1000,47,0,35}, {1000,48,25,38,42,35,0} // 费用表 }; int limit[RowNum][2]={ {20,27},{20,28},{20,25},{23,20},{26,20},{25,20},{26,20}

}; ExternInfo e; int i,j,low,high; for(i=0;i #include

pre) //小数点后保留一位小数 #include using namespace std; double Population::transfer(double { temp=0; int temp=(int)(pre*1000); pre=temp; pre/=1000; return pre; } void Population::InitialExternInfo(ExternInfo EI) //初始化种群外部信息 { e=EI; } void Population::InitialPop() //初始化种群信息 { int i,j; p.popsize=PopNum*2; for(i=0;i

} double Population::GetFitness(int index) //返回第 index 号染色体的适应函数函数值 { double fitness=0.0; int i; for(i=0;i5) else return false; return true; } double Population::GetPenalty(int index) //获得惩罚函数值 { double penalty=0.0,value[7][2]={0.0}; double avgfit=0.0; int penalty=ComputeRestraint(index); for(i=0;i

// 计算平均适应度 avgfit/=p.popsize; penalty*=avgfit; avgfit=pow(p.cungeneration *1.0/MG,1.0/14); penalty*=avgfit; return penalty; } void Population::InitialBestIndiv() { p.best=p.chromosome[0]; } int Population::GetBetterIndiv(int r1,int r2) //获得适应度较高的个体（随机联赛选择方法） { int better=-1; if(p.chromosome[r1].isavailable==true&&p.chromosome[r2].isavailable==true) if(p.chromosome[r1].fitness

分享到：

赞收藏

资料库

智能计算遗传算法实验报告.doc

相关推荐

课程资源

热门标签

最新资料