遗传算法的实例（超详细）python

以下是一个使用Python编写的最简单的遗传算法示例。这个示例将解决一个简单的整数优化问题：找到使函数 f(x) = x^2 最小的整数 x（在这个简单的例子中，我们限制 x 的范围为0到7的整数）。虽然这个问题可以直接通过计算得出答案（即 x=0），但这里我们用它来展示遗传算法的基本概念。

import numpy as np  
  
# 评估函数，用于计算个体的适应度值  
def evaluate(individual):  
    return individual ** 2  # 在这个例子中，我们实际上想要最小化这个函数  
  
# 遗传算法的主要部分  
def genetic_algorithm(population_size, num_generations, mutation_rate, low, high):  
    # 初始化种群  
    population = np.random.randint(low, high, population_size)  
      
    # 迭代每一代  
    for generation in range(num_generations):  
        # 计算适应度值（这里实际上我们想要最小化，但遗传算法通常寻找最大值）  
        fitness = -np.array([evaluate(ind) for ind in population])  # 使用负值来模拟最大化  
          
        # 选择操作：这里我们简单使用轮盘赌选择，但为了简化，我们直接选择适应度最好的一半个体  
        idx = np.argsort(fitness)[::-1][:population_size//2]  
        mating_pool = population[idx]  
          
        # 交叉操作：由于问题简单，我们直接复制最好的一半到下一代（不交叉）  
        offspring = np.empty(population_size)  
        offspring[:population_size//2] = mating_pool  
          
        # 生成另一半后代（可以是随机生成或复制）  
        # 为了简化，我们直接复制剩余的一半  
        offspring[population_size//2:] = mating_pool  
          
        # 变异操作：随机改变后代中的一些值  
        for point in range(population_size//2, population_size):  
            if np.random.rand() < mutation_rate:  
                offspring[point] = np.random.randint(low, high)  
          
        # 更新种群为下一代  
        population = offspring  
          
        # 输出当前代的最优解  
        print(f"Generation {generation+1}: Best individual is {population[np.argmax(fitness)]} with fitness {np.max(fitness)}")  
      
    # 返回最后一代的最佳个体  
    return population[np.argmax(fitness)]  
  
# 设置参数  
population_size = 10  # 种群大小  
num_generations = 50  # 迭代代数  
mutation_rate = 0.1   # 变异率  
low = 0               # 变量下界  
high = 8              # 变量上界  
  
# 运行遗传算法  
best_individual = genetic_algorithm(population_size, num_generations, mutation_rate, low, high)  
print(f"The best solution found by GA is: {best_individual} with fitness {-evaluate(best_individual)}")

代码解释：

1. evaluate 函数：用于计算个体的适应度值。在这个例子中，我们简单地计算 x^2 的值，但因为我们想要最小化它，所以在遗传算法中我们使用 -x^2（通过取负值）。

2. genetic_algorithm 函数：遗传算法的主要部分。

   • 首先，我们初始化一个随机种群。
   • 然后，我们迭代每一代。
   • 在每一代中，我们计算每个个体的适应度值（使用 evaluate 函数）。
   • 接着，我们进行选择操作。在这个简单的例子中，我们只是选择了适应度最好的一半个体作为交配池。
   • 然后，我们进行交叉操作。但由于这个问题简单，我们直接复制了最好的一半个体到下一代，并没有进行真正的交叉。
   • 接下来，我们生成另一半后代。在这个例子中，我们只是简单地复制了交配池中的个体，但在实际应用中，你可以使用不同的策略来生成新的后代。
   • 接着，我们进行变异操作。在这个例子中，我们以一定的概率随机改变后代中的一些值。
   • 最后，我们用新的后代更新种群，并输出当前代的最优解。

3. 我们设置了遗传算法的参数，并调用了 genetic_algorithm 函数来运行算法。最后，我们输出了算法找到的最佳解及其适应度值。