遗传算法实验报告

实验一二进制编码函数优化

一、实验目的

利用一种基于二进制编码的优化方法的基本原理和操作步骤求解最优化问题，了解整个利用二进制编码的过程，选择，交叉，变异等等。使适应性函数值逐步逼近最优解，并进行在Visual C++ 6.0进行仿真，编译。

二、实验仪器

机械楼计算机中心计算机

三、实验内容及步骤

采用二进制编码方式优化如下测试函数： (1) De Jong 函数F1：

极小点f 1(0, 0, 0)＝0。

(2) De Jong 函数F2：

极小点f 2(1，1) = 0。

(3) De Jong 函数F3：

对于]0.5,12.5[--∈i x 区域内的每一个点，它都取全局极小值30),,,,(543213-=x x x x x f 。

要求：对每一个测试函数，分析不同的种群规模（20～100）、交叉概率（0.4～0.99）和变异概率（0.0001～0.1）对优化结果的影响，试确定最佳参数组合。

四、实验报告

（1）De Jong函数F1采用二进制编码方式优化结果的折线图如图1所示：其中迭代数为100代，结果基本逼近最真实值。

图1 De Jong函数F1二进制编码优化结果折线图

（2）De Jong函数F2采用二进制编码方式优化结果的折线图如图2所示：其中迭代数为100代。

图2 De Jong函数F2二进制编码优化结果折线图

（3）De Jong函数F3采用二进制编码方式优化结果的折线图如图3所示：其中迭代数为200代。

图3 De Jong函数F3二进制编码优化结果折线图

实验二实数编码函数优化

一、实验目的

利用一种基于实数编码的优化方法的基本原理和操作步骤求解最优化问题，并分析不同的变异方式（均匀变异、非均匀变异、自适应变异）的优化结果有什么区别。并进行在Visual C++ 6.0进行仿真，编译。

二、实验仪器

机械楼计算机中心计算机

三、实验内容及步骤

采用实数编码方式优化如下测试函数： ⑴De Jong 函数F1：

极小点f 1(0, 0, 0)＝0。 ⑵De Jong 函数F2：

极小点f 2(1，1) = 0。 ⑶De Jong 函数F3：

对于]0.5,12.5[--∈i x 区域内的每一个点，它都取全局极小值30),,,,(543213-=x x x x x f 。

要求：对每一个测试函数，分析不同变异方式（均匀变异、非均匀变异、自适

结果）

四、实验报告

（1）De Jong函数F1采用实数编码方式（均匀变异方式）优化结果的折线图如图4所示：其中迭代数为100代。

图4 De Jong函数F1实数编码优化结果折线图

（1）De Jong函数F1采用实数编码方式（非均匀变异方式）优化结果的折线图如图5所示：其中迭代数为100代。

图5 De Jong函数F1实数编码优化结果折线图

（1）De Jong函数F1采用实数编码方式（自适应变异方式）优化结果的折线图如图6所示：其中迭代数为100代。

图6 De Jong函数F1实数编码优化结果折线图

（2）De Jong函数F2采用实数编码方式（均匀变异方式）优化结果的折线图如图7所示：其中迭代数为100代。

图7 De Jong函数F2实数编码优化结果折线图

（2）De Jong函数F2采用实数编码方式（非均匀变异方式）优化结果的折线图如图8所示：其中迭代数为100代。

图8 De Jong函数F2实数编码优化结果折线图

（2）De Jong函数F2采用实数编码方式（非均匀变异方式）优化结果的折线图如图9所示：其中迭代数为100代。

图9 De Jong函数F2实数编码优化结果折线图

（3）De Jong函数F3采用实数编码方式（非均匀变异方式）优化结果的折线图如图10所示：其中迭代数为100代。

图10 De Jong函数F3实数编码优化结果折线图

（3）De Jong函数F3采用实数编码方式（非均匀变异方式）优化结果的折线图如图11所示：其中迭代数为100代。

图11 De Jong函数F3实数编码优化结果折线图

（3）De Jong函数F3采用实数编码方式（非均匀变异方式）优化结果的折线图如图12所示：其中迭代数为100代。

图12 De Jong函数F3实数编码优化结果折线图

实验三排列方式编码优化旅行商问题

一、实验目的

利用遗传算法解决旅行商问题，采用部分映射交叉算子和互换变异算子，并进行在Visual C++ 6.0进行仿真，编译。

二、实验仪器

机械楼计算机中心计算机

三、实验内容及步骤

用遗传算法求解旅行商问题（给出若干个城市，以及任意两个城市之间的距离。给定从某一个城市出发，确定旅行商行走路线，使得最后回到原点的路线长度最短），其中城市随处位置的横坐标与纵坐标如表3.1所示。

表3.1 城市序号及对应坐标位置

序号横坐标纵坐标序号横坐标纵坐标

1 216 420 16 310 291

2 497 657 17 215 782

3 360 170 18 315 192

4 860 346 19 327 121

5 115 638 20 443 30

6 564 390 21 37

7 335

7 775 569 22 287 128

8 651 483 23 957 37

9 225 60 24 620 871

10 245 926 25 818 310

11 821 383 26 550 401

12 991 511 27 298 36

13 842 486 28 572 787

14 463 394 29 41 892

15 84 545 30 555 855

要求采用部分映射交叉算子和互换变异算子。分析不同参数组合对结果的影响。

四、实验报告

排列编码优化旅行商问题优化结果的折线图如图13所示：其中迭代数为500代。

图13 旅行商优化结果折线图

MATLAB实验报告-遗传算法解最短路径以及函数最小值问题

硕士生考查课程考试试卷考试科目：MATLAB教程考生姓名：考生学号：学院：专业：考生成绩：任课老师(签名) 考试日期：20 年月日午时至时

《MATLAB教程》试题： A、利用MATLAB设计遗传算法程序，寻找下图11个端点的最短路径，其中没有连接的端点表示没有路径。要求设计遗传算法对该问题求解。 a c d e f h i k 1 2 1 6 8 3 1 7 9 4 6 7 2 9 4 2 1 1 B、设计遗传算法求解f(x)极小值，具体表达式如下：要求必须使用m函数方式设计程序。 C、利用MATLAB编程实现：三名商人各带一个随从乘船渡河，一只小船只能容纳二人，由他们自己划行，随从们密约，在河的任一岸，一旦随从的人数比商人多，就杀人越货，但是如何乘船渡河的大权掌握在商人手中，商人们怎样才能安全渡河？ D、结合自己的研究方向选择合适的问题，利用MATLAB进行实验。以上四题任选一题进行实验，并写出实验报告。

选择题目： A 一、问题分析（10分） 1 2 3 4 5 6 8 9 10 11 1 2 1 6 8 3 1 7 9 4 6 7 2 9 4 2 1 1 如图如示，将节点编号，依次为 1.2.3.4.5.6.7.8.9.10.11，由图论知识，则可写出其带权邻接矩阵为： 0 2 8 1 500 500 500 500 500 500 500 2 0 6 500 1 500 500 500 500 500 500 8 6 0 7 500 1 500 500 500 500 500 1 500 7 0 500 500 9 500 500 500 500 500 1 500 500 0 3 500 2 500 500 500 500 500 1 500 3 0 4 500 6 500 500 500 500 500 9 500 4 0 500 500 1 500 500 500 500 500 2 500 500 0 7 500 9 500 500 500 500 500 6 500 7 0 1 2 500 500 500 500 500 500 1 500 1 0 4 500 500 500 500 500 500 500 9 2 4 0 注：为避免计算时无穷大数吃掉小数，此处为令inf=500。问题要求求出任意两点间的最短路径，Floyd算法采用的是在两点间尝试插入顶点，比较距离长短的方法。我思考后认为，用遗传算法很难找到一个可以统一表示最短路径的函数，但是可以对每一对点分别计算，然后加入for循环，可将相互之间的所有情况解出。观察本题可发现，所有节点都是可双向行走，则可只计算i到j的路径与距离，然后将矩阵按主对角线翻折即可得到全部数据。二、实验原理与数学模型（20分）实现原理为遗传算法原理：按所选择的适应度函数并通过遗传中的复制、交叉及变异对个体进行筛选，使得适应度高的个体被保留下来，组成新的群体，新的群体既继承了上一代的信息，又优于上一代。这样周而复始，群体中个体适应度不断提高，直到满足一定的条件。数学模型如下：设图由非空点集合和边集合组成，其中又设的值为，故可表示为一个三元组则求最短路径的数学模型可以描述为：

JAVA学生信息管理系统实验报告

JA V A程序设计实验报告学号：姓名：班级：实验、Java课程设计--------学生信息管理系统

一、实验目的 1．掌握Java基本语法 2．理解面向对象编程特点 3．理解Java I/O编程 4．掌握Java图形界面编程 5．掌握Java与不同数据库进行连接二、预习内容 Java的基本语法知识、类和对象、Java Swing图形界面编程、Java I/O处理以及Java与数据库连接操作三、实验设备与环境通过局域网互联，安装Windows 2000/XP操作系统环境的JDK 1.6，my eclipse 或者EditPlus编程工具。并安装MySQL数据库四、实验内容编写并调试运行Java程序，进行设计，掌握Java开发的基础。五、实验任务设计学生信息管理系统。要求包括 1. 登陆模块：设立超级管理员权限，用户可以根据不同的权限登陆系统，超级管理员可以对学生信息进行增、删、改、查操作。而普通用户只可以查找学生信息。 2. 包括学生添加信息模块、学生信息删除模块、学生信息修改模块和学生信息查询模块 3.对于管理员，可以对管理员进行添加、删除以及修改密码等操作。六、实验报告（要求独立完成参考程序的代码、编译、调试与运行） 1、程序清单： 1.1程序模块清单 package Pan; import java.awt.event.ItemListener; import javax.swing.*; import https://www.360docs.net/doc/3212097575.html,ponent;

import java.awt.BorderLayout; import java.awt.FlowLayout; import java.awt.event.InputEvent; import java.awt.event.ItemListener; import java.awt.event.KeyEvent; import java.awt.event.ActionListener; import java.awt.event.ActionEvent; import java.util.*; import java.awt.Color; import java.text.DecimalFormat; import java.sql.*; import java.sql.Date; import java.awt.*; import java.util.Vector; public class Res { /** * @param args */ public static void main(String[] args) {

用遗传算法实现PID参数整定

用遗传算法实现PID参数整定作者：万佑红，李新华作者单位：万佑红(南京邮电学院,电子工程系,江苏,南京,210003)，李新华(安徽大学,电子工程系,安徽,合肥,230001) 刊名：自动化技术与应用英文刊名：TECHNIQUES OF AUTOMATION AND APPLICATIONS 年，卷(期)：2004,23(7) 被引用次数：17次参考文献(5条) 1.Bennet S Development of the PID controllers 1993(02) 2.张晓缋;方浩;戴冠遗传算法的编码机制研究 1997(02) 3.薛定宇控制系统计算机辅助设计 1996 4.赵洁基于神经网络-遗传算法的双轴运动PID控制[期刊论文]-自动化技术与应用 2003(07) 5.陶永华;尹怡欣;葛芦生新型PID控制及其应用 1998 本文读者也读过(6条) 1.席育凡.曾光.张静刚.XI Yu-fan.ZENG Guang.ZHANG Jing-gang基于改进遗传算法的数字PID参数整定[期刊论文]-西安理工大学学报2006,22(4) 2.陈永红.朱从乔.王基基于自适应在线遗传算法的PID参数整定与优化[会议论文]- 3.李俊丽.张光辉.LI Jun-li.ZHANG Guang-hui鲁棒PID控制器参数整定与仿真[期刊论文]-自动化与仪表 2005,20(3) 4.谢勤岚.陈红基于遗传算法的PID控制器优化设计[期刊论文]-光学与光电技术2003,1(3) 5.宋洪法.靳其兵.赵梅.SONG Hong-fa.JIN Qi-bing.ZHAO Mei基于改进遗传算法的PID参数整定策略[期刊论文]-北京化工大学学报（自然科学版）2005,32(2) 6.陈敏.谭思云.黄玉清.CHEN Min.TAN Si-yun.HUANG Yu-qing遗传算法在PID参数整定中的应用[期刊论文]-仪表技术2010(5) 引证文献(17条) 1.张付祥.付宜利.王树国基于遗传算法的多PID控制器参数整定[期刊论文]-制造业自动化 2005(5) 2.唐锐.文忠波.文广一种基于遗传PID控制的力反馈双向伺服系统研究[期刊论文]-机床与液压 2009(4) 3.刘国联.谭冠政.何燕基于改进人工免疫算法的PID参数优化研究[期刊论文]-计算机工程与应用 2008(19) 4.赵语涛.张健成二次速度调节中的遗传PID控制方法[期刊论文]-液压与气动 2005(10) 5.邓长春.朱儒明.李咏霞.许波一种求解TSP问题的多种群并行遗传算法[期刊论文]-计算机仿真 2008(9) 6.唐锐.文忠波.文广一种基于BP神经网络的模糊PID控制算法研究[期刊论文]-机电产品开发与创新 2008(2) 7.张建平.刘庆滨生物制氢过程实现温度控制的解决方案[期刊论文]-自动化技术与应用 2005(5) 8.董红生基于多点频率特性辨识的自整定 PID控制器的研究[期刊论文]-自动化技术与应用 2005(5) 9.张索峰.李平基于改进粒子群算法的PID参数整定[期刊论文]-工业仪表与自动化装置 2010(2) 10.张俐基于小生境遗传算法的MTSP问题求解[期刊论文]-系统工程 2009(7) 11.吴春富基于遗传算法优化的模糊PID控制研究[期刊论文]-自动化技术与应用 2005(7) 12.乔志杰.程翠翠基于遗传算法优化的模糊PID控制研究及其仿真[期刊论文]-皖西学院学报 2009(5) 13.乔志杰.程翠翠基于遗传算法优化的模糊PID控制研究及其仿真[期刊论文]-安徽电气工程职业技术学院学报

遗传算法——耐心看完-你就掌握了遗传算法【精品毕业设计】(完整版)

遗传算法入门到掌握读完这个讲义，你将基本掌握遗传算法，要有耐心看完。想了很久，应该用一个怎么样的例子带领大家走进遗传算法的神奇世界呢？遗传算法的有趣应用很多，诸如寻路问题，8数码问题，囚犯困境，动作控制，找圆心问题（这是一个国外网友的建议：在一个不规则的多边形中，寻找一个包含在该多边形内的最大圆圈的圆心。），TSP问题（在以后的章节里面将做详细介绍。），生产调度问题，人工生命模拟等。直到最后看到一个非常有趣的比喻，觉得由此引出的袋鼠跳问题（暂且这么叫它吧），既有趣直观又直达遗传算法的本质，确实非常适合作为初学者入门的例子。这一章将告诉读者，我们怎么让袋鼠跳到珠穆朗玛峰上去(如果它没有过早被冻坏的话)。问题的提出与解决方案让我们先来考虑考虑下面这个问题的解决办法。已知一元函数：图2-1 现在要求在既定的区间内找出函数的最大值。函数图像如图2-1所示。极大值、最大值、局部最优解、全局最优解

在解决上面提出的问题之前我们有必要先澄清几个以后将常常会碰到的概念：极大值、最大值、局部最优解、全局最优解。学过高中数学的人都知道极大值在一个小邻域里面左边的函数值递增，右边的函数值递减，在图2.1里面的表现就是一个“山峰”。当然，在图上有很多个“山峰”，所以这个函数有很多个极大值。而对于一个函数来说，最大值就是在所有极大值当中，最大的那个。所以极大值具有局部性，而最大值则具有全局性。因为遗传算法中每一条染色体，对应着遗传算法的一个解决方案，一般我们用适应性函数（fitness function）来衡量这个解决方案的优劣。所以从一个基因组到其解的适应度形成一个映射。所以也可以把遗传算法的过程看作是一个在多元函数里面求最优解的过程。在这个多维曲面里面也有数不清的“山峰”，而这些最优解所对应的就是局部最优解。而其中也会有一个“山峰”的海拔最高的，那么这个就是全局最优解。而遗传算法的任务就是尽量爬到最高峰，而不是陷落在一些小山峰。（另外，值得注意的是遗传算法不一定要找“最高的山峰”，如果问题的适应度评价越小越好的话，那么全局最优解就是函数的最小值，对应的，遗传算法所要找的就是“最深的谷底”）如果至今你还不太理解的话，那么你先往下看。本章的示例程序将会非常形象的表现出这个情景。 “袋鼠跳”问题既然我们把函数曲线理解成一个一个山峰和山谷组成的山脉。那么我们可以设想所得到的每一个解就是一只袋鼠，我们希望它们不断的向着更高处跳去，直到跳到最高的山峰（尽管袋鼠本身不见得愿意那么做）。所以求最大值的过程就转化成一个“袋鼠跳”的过程。下面介绍介绍“袋鼠跳”的几种方式。爬山法、模拟退火和遗传算法解决寻找最大值问题的几种常见的算法： 1. 爬山法（最速上升爬山法）：从搜索空间中随机产生邻近的点，从中选择对应解最优的个体，替换原来的个体，不断重复上述过程。因为只对“邻近”的点作比较，所以目光比较“短浅”，常常只能收敛到离开初始位置比较近的局部最优解上面。对于存在很多局部最优点的问题，通过一个简单的迭代找出全局最优解的机会非常渺茫。（在爬山法中，袋鼠最有希望到达最靠近它出发点的山顶，但不能保证该山顶是珠穆朗玛峰，或者是一个非常高的山峰。因为一路上它只顾上坡，没有下坡。） 2. 模拟退火：这个方法来自金属热加工过程的启发。在金属热加工过程中，当金属的温度超过它的熔点（Melting Point）时，原子就会激烈地随机运动。与所有的其它的物理系统相类似，原子的这种运动趋向于寻找其能量的极小状态。在这个能量的变

遗传算法实验报告(仅供参照)

人工智能实验报告

遗传算法实验报告一、问题描述对遗传算法的选择操作，设种群规模为4，个体用二进制编码，适应度函数,x的取值区间为[0,30]。若遗传操作规定如下：（1）选择概率为100%，选择算法为轮盘赌算法；（2）交叉概率为1，交叉算法为单点交叉，交叉顺序按个体在种群中的顺序；（3）变异几率为0 请编写程序，求取函数在区间[0,30]的最大值。二、方法原理遗传算法：遗传算法是借鉴生物界自然选择和群体进化机制形成的一种全局寻优算法。与传统的优化算法相比，遗传算法具有如下优点：不是从单个点，而是从多个点构成的群体开始搜索；在搜索最优解过程中，只需要由目标函数值转换得来的适应值信息，而不需要导数等其它辅助信息；搜索过程不易陷入局部最优点。目前，该算法已渗透到许多领域，并成为解决各领域复杂问题的有力工具。在遗传算法中，将问题空间中的决策变量通过一定编码方法表示成遗传空间的一个个体，它是一个基因型串结构数据；同时，将目标函数值转换成适应值，它用来评价个体的优劣，并作为遗传操作的依据。遗传操作包括三个算子：选择、交叉和变异。选择用来实施适者生存的原则，即把当前群体中的个体按与适应值成比例的概率复制到新的群体中，构成交配池（当前代与下一代之间的中间群体）。选择算子的作用效果是提高了群体的平均适应值。由于选择算子没有产生新个体，所以群体中最好个体的适应值不会因选择操作而有所改进。交叉算子可以产生新的个体，它首先使从交配池中的个体随机配对，然后将两两配对的个体按某种方式相互交换部分基因。变异是对个体的某一个或某一些基因值按某一较小概率进行改变。从产生新个体的能力方面来说，交叉算子是产生新个体的主要方法，它决定了遗传算法的全局搜索能力；而变异算子只是产生新个体的辅助方法，但也必不可少，因为它决定了遗传算法的局部搜索能力。交叉和变异相配合，共同完成对搜索空间的全局和局部搜索。三、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。（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。遗传算法以该群体作为初始迭代点；（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

操作系统实验报告java

操作系统实验报告院系：专业：班级：学号：：指导老师：

进程调度的模拟与存管理一、实验目的在采用多道程序设计的系统中，往往有若干个进程同时处于就绪状态。当就续进程个数大于处理器数时，就必须依照某种策略来决定哪些进程优先占用处理器。实验模拟实现处理机调度，以加深了解处理机调度的工作，并体会优先级和时间片轮转调度算法的具体实施方法。帮助了解在不同的存储管理方式下，应怎样实现主存空间的分配和回收。二、实验要求 1、可随机输入若干进程，并按优先权排序； 2、从就绪队首选进程运行：优先权-1/要求运行时间-1 要求运行时间=0时，撤销该进程 3、重新排序，进行下轮调度。 4、可随时增加进程； 5、规定道数，设置后备队列和挂起状态。若存中进程少于规定道数，可自动从后备队列调度一作业进入。被挂起进程入挂起队列，设置解挂功能用于将指定挂起进程解挂入就绪队列。 6、每次调度后，显示各进程状态。 7、自行假设主存空间大小，预设操作系统所占大小并构造未分分区表；表目容：起址、长度、状态（未分/空表目） 8、结合以上实验，PCB增加为： {PID，要求运行时间，优先权，状态，所需主存大小，主存起始位置，

PCB指针} 9、采用最先适应算法分配主存空间； 10、进程完成后，回收主存，并与相邻空闲分区合并。 11、采用图形界面；三、实验容选择一个调度算法，实现处理机调度。 1、设计一个按优先权调度算法实现处理机调度的程序； 2、设计按时间片轮转实现处理机调度的程序。 3、主存储器空间的分配和回收。在可变分区管理方式下，采用最先适应算法实现主存空间的分配和回收。四、实验原理该模拟系统采用java语言实现，要实现的功能有新建进程、进程调度、挂起进程、解挂进程、删除进程，道数和时间片大小可以由用户自己调整，有两种调度策略：按优先权调度和按时间片轮转调度。每个进程可能有5种状态：新建(new)、就绪(ready)、运行(running)、阻塞(waiting)、挂起(suspend)。每个状态都有一个队列用来存放处于该状态的进程，不同的调度策略采用不同的队列实现。当创建进程时，如果存中的进程数还没达到规定道数，则将新建进程插入就绪队列，如果存中进程数已经达到规定道数，则插到后备队列，后备队列中的进程的状态为new。CPU每次调度时都从就绪队列中取进程，在进程执行过程中如果下一个操作时IO操作，则将进程插入到waiting队列。在系统运行过程中可以执行进程挂起操作，但执行的挂起操作时系统自动暂停运行，在弹出窗口选

MATLAB实验遗传算法与优化设计

实验六遗传算法与优化设计一、实验目的 1. 了解遗传算法的基本原理和基本操作（选择、交叉、变异）； 2. 学习使用Matlab 中的遗传算法工具箱(gatool)来解决优化设计问题；二、实验原理及遗传算法工具箱介绍 1. 一个优化设计例子图1所示是用于传输微波信号的微带线(电极)的横截面结构示意图，上下两根黑条分别代表上电极和下电极，一般下电极接地，上电极接输入信号，电极之间是介质(如空气，陶瓷等)。微带电极的结构参数如图所示，W 、t 分别是上电极的宽度和厚度，D 是上下电极间距。当微波信号在微带线中传输时，由于趋肤效应，微带线中的电流集中在电极的表面，会产生较大的欧姆损耗。根据微带传输线理论，高频工作状态下（假定信号频率1GHz ），电极的欧姆损耗可以写成（简单起见，不考虑电极厚度造成电极宽度的增加）：图1 微带线横截面结构以及场分布示意图 {} 28.6821ln 5020.942ln 20.942S W R W D D D t D W D D W W t D W W D e D D παπππ=+++-+++?????? ? ??? ??????????? ??????? (1) 其中πρμ0=S R 为金属的表面电阻率， ρ为电阻率。可见电极的结构参数影响着电极损耗，通过合理设计这些参数可以使电极的欧姆损耗做到最小，这就是所谓的最优化问题或者称为规划设计问题。此处设计变量有3个：W 、D 、t ，它们组成决策向量[W, D ,t ] T ，待优化函数(,,)W D t α称为目标函数。上述优化设计问题可以抽象为数学描述： ()()min .. 0,1,2,...,j f X s t g X j p ????≤=? (2)

MATLAB遗传算法作业

MATLAB遗传算法一：遗传算法简介：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。二：遗传算法的基本步骤 a)初始化：设置进化代数计数器t=0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)。 b)个体评价：计算群体P(t)中各个个体的适应度。 c)选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。

d)交叉运算：将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。 e)变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。 f)终止条件判断:若t=T,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。三：matlab实现例子：f(x)=10*sin(5x)+7*cos(4x)x∈[0,10]将变量域[0,10]离散化为二值域[0,1023],x=0+10*b/1023。 1.初始化 initpop.m function pop=initpop(popsize,chromlength) pop=round(rand(popsize,chromlength));%rand随机产生每个单元为0或者1 行数（种群数量）为popsize，列数为chromlength（个体所含基因数）的矩阵， 2.计算目标函数值 2.1将二进制数转化为十进制数（1） decodebinary.m %产生[2^n2^(n-1)...1]的行向量，然后求和，将二进制转化为十进制function pop2=decodebinary(pop) [px,py]=size(pop)%Pop的行和列数 for i=1:px pop2(i)=0 for j=1:py pop2(i)=pop2(i)+2.^(py-j)*pop(i,j) end end 2.2将二进制编码转化为十进制数(2) Decodechrom.m %函数的功能是将染色体(或二进制编码)转换为十进制，参数spoint表示待解码的二进制串的

MATLAB课程遗传算法实验报告及源代码

硕士生考查课程考试试卷考试科目：考生姓名：考生学号：学院：专业：考生成绩：任课老师(签名) 考试日期：年月日午时至时

《MATLAB 教程》试题： A 、利用MATLA B 设计遗传算法程序，寻找下图11个端点最短路径，其中没有连接端点表示没有路径。要求设计遗传算法对该问题求解。 a e h k B 、设计遗传算法求解f (x)极小值，具体表达式如下： 321231(,,)5.12 5.12,1,2,3i i i f x x x x x i =?=???-≤≤=? ∑ 要求必须使用m 函数方式设计程序。 C 、利用MATLAB 编程实现：三名商人各带一个随从乘船渡河，一只小船只能容纳二人，由他们自己划行，随从们密约，在河的任一岸，一旦随从的人数比商人多，就杀人越货，但是如何乘船渡河的大权掌握在商人手中，商人们怎样才能安全渡河？ D 、结合自己的研究方向选择合适的问题，利用MATLAB 进行实验。以上四题任选一题进行实验，并写出实验报告。

选择题目： B 、设计遗传算法求解f (x)极小值，具体表达式如下： 321231(,,)5.12 5.12,1,2,3i i i f x x x x x i =?=???-≤≤=? ∑ 要求必须使用m 函数方式设计程序。一、问题分析（10分）这是一个简单的三元函数求最小值的函数优化问题，可以利用遗传算法来指导性搜索最小值。实验要求必须以matlab 为工具，利用遗传算法对问题进行求解。在本实验中，要求我们用M 函数自行设计遗传算法，通过遗传算法基本原理，选择、交叉、变异等操作进行指导性邻域搜索，得到最优解。二、实验原理与数学模型（20分）（1）试验原理：用遗传算法求解函数优化问题，遗传算法是模拟生物在自然环境下的遗传和进化过程而形成的一种自适应全局优化概率搜索方法。其采纳了自然进化模型，从代表问题可能潜在解集的一个种群开始，种群由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体；初始种群产生后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的解：在每一代，概据问题域中个体的适应度大小挑选个体；并借助遗传算子进行组合交叉和主客观变异，产生出代表新的解集的种群。这一过程循环执行，直到满足优化准则为止。最后，末代个体经解码，生成近似最优解。基于种群进化机制的遗传算法如同自然界进化一样，后生代种群比前生代更加适应于环境，通过逐代进化，逼近最优解。遗传算法是一种现代智能算法，实际上它的功能十分强大，能够用于求解一些难以用常规数学手段进行求解的问题，尤其适用于求解多目标、多约束，且目标函数形式非常复杂的优化问题。但是遗传算法也有一些缺点，最为关键的一点，即没有任何理论能够证明遗传算法一定能够找到最优解，算法主要是根据概率论的思想来寻找最优解。因此，遗传算法所得到的解只是一个近似解，而不一定是最优解。（2）数学模型对于求解该问题遗传算法的构造过程：（1）确定决策变量和约束条件；

基于遗传算法的自动排课系统毕业设计

摘要随着科学技术和社会信息技术的不断提高，计算机科学的日渐成熟，其强大的功能已为人们深刻认识，它在人类社会的各个领域发挥着越来越重要的作用，给人们的生活带来了极大的便利，成为推动社会发展的首要技术动力。排课是学校教学管理中十分重要、又相当复杂的工作之一。解决好教学工作中的排课问题对整个教学计划的进行，有着十分重要的意义。首先对排课的已有算法作了相关的调查研究，决定采用遗传算法。通过设计实现基于遗传算法的自动排课系统，研究了遗传算法在排课系统中的应用。关键词：遗传算法、自动排课、Java。

Abstract Along with science technical and community information technical increases continuously, calculator science is gradually mature, its mighty function has behaved deep cognition, and it has entered the human social each realm erupts to flick the more and more important function, bringing our life biggest of convenience. Curriculum arrangement is an important and complicated working in school,so solving the problem is of great importance for teaching programming.Investigated and studied the algorithm existed, determine that adoptgenetic algorithm. ThroughDesign Implementation theAuto CourseArrangementManagement System Base onGenetic Algorithm, researched the application of genetic algorithmin theCourseArrangementManagement System. Keywords: Genetic Algorithm Auto Course Arrangement ManagementJava.

遗传算法实验报告17643

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：遗传算法问题姓名：苏鹏海贾美丽赵妍张汉昭学号：1510003063 1510003024 班级：计科实验室：软件技术实验室指导教师：张慧日期： 2016.11.09

&&遗传算法问题一、实验目的 1．熟悉和掌握遗传算法的原理、实质； 2．学会使用遗传算法解决问题； 3．学会编写遗传算法程序寻找函数最值；二、实验原理遗传算法是仿真生物遗传学和自然选择机理，通过人工方式所构造的一类搜索算法，从某种程度上说遗传算法是对生物进化构成进行的数学方式仿真。在遗传算法中染色体对应的是一系列符号序列，在标准的遗传算法(即基本遗传算法)中，通常用0, 1组成的位串表示，串上各个位置对应基因座，各位置上的取值对应等位基因。遗传算法对染色体进行处理，染色体称为基因个体。一定数量的基因个体组成基因种群。种群中个体的数目为种群的规模，各个体对环境的适应程度称为适应度。三、实验内容用遗传算法求根号2，也就是求方程f(x)=x*x-2=0的正整数解，x=1时f(1)<0，x=2时f(2)>0，由介值定理，则1到2中间存在一个根，根据代数基本定理和根的对称性知这就是我们要找的根，由目标函数得到适应度函数，我们选择个体都在[1,2]之间，那适应度函数我可以取 j(x)=40/(2+|x*x-2|)-10，由x的取值范围知j的范围是(0,10) x和y交叉就用取平均(x+y)/2，交叉概率取0.9，变异概率为0，四、步骤分析 1.选择目标函数，确定变量定义域及编码精度，形成编码方案 2.随机产生一个规模为（即该种群中含有个体）的种群 2 3.个体评价：计算群体P(t)中各个个体适应度 4.选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。（选择运算用轮盘赌算法） 5.对被选择进入匹配池中的个体进行交叉操作，形成新种群 6.以小概率在种群中选择个体进行变异操作形成新种群 7.计算每个个体的适值 8.根据适值概率选择新个体形成新种群 9.检查结束条件，若满足则算法结束，当前种群中适值最高的个体即所求解；否则转3

java超市管理系统实训报告

1.1 课程设计的目的通过本次课程设计，使学生能够全面、深刻地掌握数据库系统的设计流程。根据在数据库原理课程中所学到的数据库理论知识，结合某个具体的实际需求，最终开发出一个较为实用的数据库系统。 1.2 课程设计的背景和意义 1.2.1课程设计的背景 20世纪90年代后期特别是近几年，我国的超市产业飞速发展，其经营模式更为复杂，旧的管理体制已经无法适应超市的发展，这就迫切的需要引进新的管理技术。超市的数据和业务越来越庞大，而计算机就是一种高效的管理系统，这就需要我们把超市的管理与计算机结合起来，从而超市管理系统应运而生。依靠现代化的计算机信息处理技术来管理超市，节省了大量的人力、物力，改善了员工的并且能够快速反映出商品的进、销、存等状况和各种反馈信息分析，使管理人员快速对市场的变化做出相应的决策，加快超市经营管理效率。 1.2.2 课程设计的意义 “数据库课程设计”的设计思想旨在强调学生的实际编程能力的培养与创意灵感的发挥。为此，本课程结合学科特点，除了让学生掌握数据库原理的理论知识，还增加了需求功能让学生完成，并鼓励学生的创作出个性的程序，满足客户需求，与市场的实际项目相结合。学生对此热情高，实际收获大，效果好。通过课堂学习和参与相关项目设计，学生对书本支持有了深刻的理解，实践性教学取得了良好效果。 1.3 课程设计环境操作系统：Windows xp 开发软件：Microsoft Visual Studio 2005 数据库：Microsoft SQL Server 2005 第2章系统需求分析随着人们生活水平的不断提高，对于物质的需求也越来越高，而超市作为日常生活用品聚集的场所，随着全球各种超市的数目的不断增加，规模不断增大，其管理难度也相应的增加，而为了适应当今信息化发展的时代，一套完整的超市商品管理系统显得尤为重要。

数学建模遗传算法与优化问题【精品毕业设计】(完整版)

实验十遗传算法与优化问题一、问题背景与实验目的遗传算法（Genetic Algorithm—GA），是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由美国Michigan大学的J.Holland教授于1975年首先提出的．遗传算法作为一种新的全局优化搜索算法，以其简单通用、鲁棒性强、适于并行处理及应用范围广等显著特点，奠定了它作为21世纪关键智能计算之一的地位．本实验将首先介绍一下遗传算法的基本理论，然后用其解决几个简单的函数最值问题，使读者能够学会利用遗传算法进行初步的优化计算．1．遗传算法的基本原理遗传算法的基本思想正是基于模仿生物界遗传学的遗传过程．它把问题的参数用基因代表，把问题的解用染色体代表（在计算机里用二进制码表示），从而得到一个由具有不同染色体的个体组成的群体．这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和产生后代．后代随机化地继承了父代的最好特征，并也在生存环境的控制支配下继续这一过程．群体的染色体都将逐渐适应环境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题最优的解．值得注意的一点是，现在的遗传算法是受生物进化论学说的启发提出的，这种学说对我们用计算机解决复杂问题很有用，而它本身是否完全正确并不重要（目前生物界对此学说尚有争议）．（1）遗传算法中的生物遗传学概念由于遗传算法是由进化论和遗传学机理而产生的直接搜索优化方法；故而在这个算法中要用到各种进化和遗传学的概念．首先给出遗传学概念、遗传算法概念和相应的数学概念三者之间的对应关系．这些概念如下：序号遗传学概念遗传算法概念数学概念 1 个体要处理的基本对象、结构也就是可行解 2 群体个体的集合被选定的一组可行解 3 染色体个体的表现形式可行解的编码 4 基因染色体中的元素编码中的元素 5 基因位某一基因在染色体中的位置元素在编码中的位置 6 适应值个体对于环境的适应程度，或在环境压力下的生存能力可行解所对应的适应函数值 7 种群被选定的一组染色体或个体根据入选概率定出的一组可行解 8 选择从群体中选择优胜的个体，淘汰劣质个体的操作保留或复制适应值大的可行解，去掉小的可行解 9 交叉一组染色体上对应基因段的交换根据交叉原则产生的一组新解 10 交叉概率染色体对应基因段交换的概率（可能性大小）闭区间[0,1]上的一个值，一般为0.65~0.90 11 变异染色体水平上基因变化编码的某些元素被改变

遗传算法参数调整实验报告(精)

遗传算法参数调整实验报告算法设计：编码方案：遍历序列适应度函数：遍历路程遗传算子设计：选择算子：精英保留+轮盘赌交叉算子：Pxover ，顺序交叉、双亲双子，变异算子：Pmutation ，随机选择序列中一个染色体（城市）与其相邻染色体交换首先，我们改编了我们的程序，将主函数嵌套在多层迭代之内，从外到内依此为：过程中，我们的程序将记录每一次运行时种群逐代进化（收敛）的情况，并另外记录总体测试结果。测试环境： AMD Athlon64 3000+ (Overclock to 2.4GHz)

目标：寻求最优Px 、Pm 组合方式：popsize = 50 maxgen = 500 \ 10000 \ 15000 Px = 0.1~0.9（0.05） Pm = 0.01~0.1（0.01） count = 50 测试情况：运行近2万次，时间约30小时，产生数据文件总共5.8GB 测试结果：Px, Pm 对收敛结果的影响，用灰度表示结果适应度，黑色为适应度最低结论：Px = 0.1 ，Pm = 0.01为最优，并刷新最优结果19912（之前以为是20310），但20000次测试中最优解只出现4次，程序需要改进。 Maxgen = 5000 Pm=0.01 Px = 0.1 Maxgen = 10000 0.1 0.9 Px = 0.1 0.9 0.1

目标：改进程序，再寻求最优参数方式：1、改进变异函数，只保留积极变异； 2、扩大测试范围，增大参数步进 popsize = 100 \ 200 \ 400 \ 800 maxgen = 10000 Px = 0.1 \ 0.5 \ 0.9 Pm = 0.01 \ 0.04 \ 0.07 \ 0.1 count = 30 测试情况：运行1200次，时间8小时，产生数据文件600MB 测试结果：结论：Px = 0.1，Pm = 0.01仍为最优，收敛情况大有改善，10000代基本收敛到22000附近，并多次达到最优解19912。变异函数的修改加快了整体收敛速度。但是收敛情况对Pm并不敏感。另外，单个种群在遗传过程中收敛速度的统计，将是下一步的目标。

JAVA+SQL学生学籍管理系统代码及实验报告

学生学籍管理系统 1课程设计目的、设计内容与需求分析 1.1 课程设计目的通过本次课程设计的实践操作，能够让学生懂得Java、SQL的各种相关知识的使用，真正的提高学生独立开发设计Java程序，把课堂上的知识运用在实践上，一门编程语言只有在不断实践操作和练习上才会有进步。 1.2软件设计内容学生学籍管理系统，可用于学校等机构的学生信息管理，查询，更新与维护，使用方便，易用性强，图形界面清晰明了。该软件用java语言编写，用SQLServer2005数据库作为后台的数据库进行信息的存储，用SQL语句完成添加，查询，修改，删除的操作。用ODBC驱动实现前台Java与后台SQL数据库的连接。Java语言跨平台性强，可以在windows，linux，ubuntu等系统下使用，方便简单，安全性好。 SQLServer2005数据库高效安全，两者结合可相互利用各自的优势。系统可供输入的属性有“学号”，“姓名”，“性别”，“班级”，“学院”，“籍贯”。该系统实现的大致功能： 1．管理员登陆界面。该界面可以输入管理员号，登陆密码。用户通过验证通过后方可进入管理系统。一定程度上保证了信息安全性，防止他人未经允许篡改学生信息。 2．查询学生信息。可以选择由用户选择“显示系统中当前的所有学生信息”。也可以选择按照“某一个学号查询该学号的学生信息”。查询到的信息会在窗口中依次显示出来。 3．添加学生信息。可以按照图形的界面的显示依次输入新学生的“学号”，“姓名”，“性别”，“班级”，“学院”，“籍贯”。完成新纪录的添加。 4．修改学生信息。可以选择按照“学号”或者“姓名”找到该学生的学生信息并输

基于遗传算法的配送路径优化研究开题报告

北京师范大学珠海分校本科生毕业论文（设计）开题报告

理论和实践的意义及可行性论述 (包括文献综述) 理论和实践的意义：当前，现代物流是企业继续降低物资消耗、提高劳动生产率后的第三利润源泉。但我国物流企业的运输成本普遍偏高。其中很重要一个原因就是对配送车辆运输路线规划不科学。要想降低运输成本，离不开对配送路线的优化和配送车辆的合理安排。对物流配送车辆行驶路径进行优化，可以降低物流成本，节约运输时间，是提高物流经济效益的有效手段。可行性论述：配送路径优化问题是典型的优化组合问题，具有很高的计算复杂性。但遗传算法解决作为一种有效的全局搜索方法具有隐并行性和较强的鲁棒性，在解决非线性的大规模复杂问题上具有很好的适应性，适合于对VPR问题进行优化求解。标准遗传算法虽然未必每次都能找到最优解，但通过对标准遗传算法进行改进，完全可以在有限时间内对较复杂的VPR问题计算出次优解或可行解。因此，用遗传算法来解决物流车辆调度问题还是完全可行的。文献综述： [1]朱剑英?非经典数学方法[M].武昌：华中科技大学出版社，2001 [2]李敏强，寇纪淞，林丹，李书全?遗传算法的基本理论与应用[M].北京：科学技术出版社，2002 [3]孙丽丽?物流配送中车辆路径算法分析与研究[D].上海：上海海事大学，2007 [4]盖杉.基于遗传算法的物流配送调度系统 [D].长春：长春理工大学，2007 [5]高运良，基于免疫遗传算法的物流配送V RP 求解[D].武汉：武汉科技大学， 2007 论文撰写过程中拟采取的方法和手段本论文主要采用遗传算法作为解决物流配送路径优化问题的主要算法。但由于标准遗传算法具有“早熟收敛”的缺陷，有可能使算法陷入局部最优解。论文还将尝试通过把其他算法和遗传算法相结合，来有效控制早熟现象的发生。为了快速得到任意两个配送点之间的最优路线。本论文还拟采用佛洛依德算法构造配送路线的地理数据库的方式来对路线网络进行预处理。从而减少整个算法的时间复杂度和空间复杂度。

用遗传算法求解Rosenbrock函数最优解实验报告

姓名学号实验成绩华中师范大学计算机科学系实验报告书实验题目：用遗传算法求解Rosenbrock函数的最大值问题课程名称：智能计算主讲教师：沈显君辅导教师：课程编号：班级：2011级实验时间：2011.11

用遗传算法求解Rosenbrock函数最大值问题摘要：本文利用遗传算法研究了求解Rosenbrock函数的最大值问题．在较多的计算机模拟实验结果中表明，用遗传算法可以有效地解决这一问题．文中分析了一种基于遗传算法对Rosenbrock函数最大值问题的求解，得到了适于解决此问题的合理的遗传操作，从而为有效地解决最速下降法所不能实现的某一类函数代化问题提供了一种新的途径．通过对基于遗传算法对Rosenbrock函数最大值问题的求解，进一步理解遗传算法对解决此类问题的思想。关键词：遗传算法，Rosenbrock函数，函数优化，最速下降法。 Abstract： This paper deals with the maximum of Rosenbrock s function based ongenetic algorithms. The simulated results show that the problem can be solved effectivelyusing genetic algorithms. The influence of some rnodified genetic algorithms on searchspeed is also examined. Some genetic operations suitable to the optimization technique areobtained, therefore, a novel way of solving a class of optimizations of functions that cannot be realized using the method of steepest descent is proposed.Through dealing with the maximum of Rosenbrock s function based ongenetic algorithms，a better understanding of the genetic algorithm to solve such problems thinking. Keyword：ongenetic algorithms，Rosenbrock function，function optimization，Steepest descent method