遗传算法的设计与实现人工智能第二次实验报告一．实验题目： 遗传算法的设计与实现二．实验目的： 通过人工智能课程的学习，熟悉遗传算法的简单应用
三．实验内容 用遗传算法求解 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
实验过程：1
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
