python实现的遗传算法实例（一）

最新推荐文章于 2024-07-23 16:12:51 发布

置顶

simon-zhao

最新推荐文章于 2024-07-23 16:12:51 发布

阅读量3.8w

点赞数 17

分类专栏： python 算法文章标签： python 算法

本文链接：https://blog.csdn.net/u010902721/article/details/23531359

版权

本文介绍了使用Python实现遗传算法解决函数最大值问题的过程，包括编码、目标函数计算、适应度函数、自然选择、繁殖和突变等步骤。通过遗传算法求解f(x) = 10 * sin( 5x ) + 7 * cos( 4x )在0到10区间内的最大值。

摘要由CSDN通过智能技术生成

 一、遗传算法介绍
         遗传算法是通过模拟大自然中生物进化的历程，来解决问题的。大自然中一个种群经历过若干代的自然选择后，剩下的种群必定是适应环境的。把一个问题所有的解看做一个种群，经历过若干次的自然选择以后，剩下的解中是有问题的最优解的。当然，只能说有最优解的概率很大。这里，我们用遗传算法求一个函数的最大值。
         f(x) = 10 * sin( 5x ) + 7 * cos( 4x ),    0 <=  x <= 10
 1、将自变量x进行编码
       取基因片段的长度为10, 则10位二进制位可以表示的范围是0到1023。基因与自变量转变的公式是x = b2d(individual) * 10 / 1023。构造初始的种群pop。每个个体的基因初始值是[0, 1, 0, 1, 0, 1, 0, 1, 0, 1]
 2、计算目标函数值
       根据自变量与基因的转化关系式，求出每个个体的基因对应的自变量，然后将自变量代入函数f（x），求出每个个体的目标函数值。
 3、适应度函数
       适应度函数是用来评估个体适应环境的能力，是进行自然选择的依据。本题的适应度函数直接将目标函数值中的负值变成0. 因为我们求的是最大值，所以要使目标函数值是负数的个体不适应环境，使其繁殖后代的能力为0.适应度函数的作用将在自然选择中体现。
 4、自然选择
 自然选择的思想不再赘述，操作使用轮盘赌算法。其具体步骤：
 假设种群中共5个个体，适应度函数计算出来的个体适应性列表是fitvalue = [1 ,3, 0, 2, 4] &#x