智能优化算法——遗传算法，Python开发项目面试描述

def mutation(pop):

种群中随机选择一个进行变异

ind = np.random.choice(pop)

用随机赋值的方式进行变异

ind.x = np.random.uniform(-1, 2.5)

ind.fitness = fitness(ind.x)

最终执行=====

def implement():

=种群中个体数量==

N = 40

种群

POP = []

迭代次数

iter_N = 400

初始化种群

initPopulation(POP, N)

进化过程==

for it in range(iter_N): # 遍历每一代

a, b = selection(N) # 随机选择两个个体

if np.random.random() < 0.65: # 以0.65的概率进行交叉结合

child1, child2 = crossover(POP[a], POP[b])

new = sorted([POP[a], POP[b], child1, child2], key=lambda ind: ind.fitness,

reverse=True) # 将父母亲和子代进行比较，保留最好的两个

POP[a], POP[b] = new[0], new[1]

if np.random.random() < 0.1: # 以0.1的概率进行变异

mutation(POP)

POP.sort(key=lambda ind: ind.fitness, reverse=True)

return POP

if name == ‘main’:

POP = implement()

=绘图代码======

def func(x):

return xnp.cos(5np.pi*x)+3.5

#return -(x * np.cos(5 * np.pi * x) + 3.5)

x = np.linspace(-1, 2.5, 100)

y = func(x)

scatter_x = np.array([ind.x for ind in POP])

scatter_y = np.array([ind.fitness for ind in POP])

best = sorted(POP, key=lambda POP: POP.fitness, reverse=True)[0] # 最佳点

print(‘best_x:’, best.x)

print(‘best_y:’, best.fitness)

plt.plot(x, y)

plt.scatter(scatter_x, scatter_y, c=‘r’)

plt.scatter(best.x, best.fitness, c=‘g’, label=‘best point’)

plt.legend()

plt.show()

#结果==

#=(1)最大值==

best_x: 2.40537584441956

best_y: 5.896804913355371

#=(1)最小值==

best_x: 2.196313082366646

best_y: -1.3073691355607653

2.3 Matlab实现

%opt_minmax=-1; %目标优化类型：1最大化、-1最小化

opt_minmax=1;

num_ppu=50; %种群规模：个体个数

num_gen=60; %最大遗传代数

len_ch=20; %基因长度

gap=0.9; %代沟

sub=-1; %变量取值下限

up=2.5; %变量取值上限

cd_gray=1; %是否选择格雷编码方式：1是0否

sc_log=0; %是否选择对数标度：1是0否

trace=zeros(num_gen,2); %遗传迭代性能跟踪器，生成60行2列0矩阵

fieldd=[len_ch;sub;up;1-cd_gray;sc_log;1;1]; %区域描述器

chrom=crtbp(num_ppu,len_ch); %初始化生成种群，生成一个50*20的矩阵，矩阵元素是0-1随机数

k_gen=0;%初始化遗传次数

x=bs2rv(chrom,fieldd); %翻译初始化种群为10进制

fun_v=fun_sigv(x); %计算目标函数值

tx=sub:.01:up;

plot(tx,fun_sigv(tx))

xlabel(‘x’)

ylabel(‘y’)

title(‘一元函数优化结果’)

hold on

while k_gen<num_gen

fit_v=ranking(-opt_minmax*fun_v); %计算目标函数的适应度

%ranking 函数为查询结果数据集分区中的每一行，并返回一个序列值。依据此函数，一些可能行可能取得和其他行一样的序列值

selchrom=select(‘rws’,chrom,fit_v,gap); %使用轮盘度方式选择

selchrom=recombin(‘xovsp’,selchrom); %交叉

selchrom=mut(selchrom); %变异

x=bs2rv(selchrom,fieldd); %子代个体翻译

fun_v_sel=fun_sigv(x); %计算子代个体对应目标函数值

[chrom,fun_v]=reins(chrom,selchrom,1,1,opt_minmaxfun_v,opt_minmaxfun_v_sel); %根据目标函数值将子代个体插入新种群

[f,id]=max(fun_v); %寻找当前种群最优解

x=bs2rv(chrom,fieldd); %翻译初始化种群为10进制

f=f*opt_minmax;

fun_v=fun_v*opt_minmax;

k_gen=k_gen+1;%记录遗传次数

trace(k_gen,1)=f;

trace(k_gen,2)=mean(fun_v);

end

plot(x(id),f,‘r*’)

figure

plot(trace(:,1),‘r-*’)

hold on

plot(trace(:,2),‘b-o’)

legend(‘各子代种群最优解’,‘各子代种群平均值’)

xlabel(‘迭代次数’)

ylabel(‘目标函数优化情况’)

title(‘一元函数优化过程’)

function y=fun_sigv(x)

y=x.cos(5pi*x)+3.5;

MATLAB：未定义函数或变量 ‘crtbp‘问题解决！

3 二元函数的优化问题

---

3.1 案例

3.2 Python实现

#导入相关库======#

import numpy as np

import matplotlib.pyplot as plt

from matplotlib import cm #绘制3d曲面时用于给图上色：【ax.plot_surface(X, Y, Z, rstride = 1, cstride = 1, cmap = cm.coolwarm)】

from mpl_toolkits.mplot3d import Axes3D #用于画三维图，将二维图变换为三维图： 【fig = plt.figure()】 【ax = Axes3D(fig)】

#=初始化及变量范围========#

DNA_SIZE = 24

POP_SIZE = 200

CROSSOVER_RATE = 0.8

MUTATION_RATE = 0.005

N_GENERATIONS = 50

X_BOUND = [-10, 10]

Y_BOUND = [-10, 10]

#=目标函数=======#

def F(x, y):

t1,t2=0,0

for i in range(5):

t1 = t1 + i * np.cos((i + 1) * x + i)

t2 = t2 + i * np.cos((i + 1) * y + i)

return t1*t2

#return x + 16 * np.sin(5 * x) + 10 * np.cos(4 * x)

#3D绘图====#

def plot_3d(ax):

X = np.linspace(*X_BOUND, 10)

Y = np.linspace(*Y_BOUND, 10)

X, Y = np.meshgrid(X, Y)

Z = F(X, Y)

ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=cm.coolwarm)

ax.set_zlim(-60,60)

ax.set_xlabel(‘x’)

ax.set_ylabel(‘y’)

ax.set_zlabel(‘z’)

plt.pause(3)

plt.show()

#=最大适应度====#

def get_fitness(pop):

x, y = translateDNA(pop)

pred = F(x, y)

return (pred - np.min(

pred)) + 1e-3 # 减去最小的适应度是为了防止适应度出现负数，通过这一步fitness的范围为[0, np.max(pred)-np.min(pred)],最后在加上一个很小的数防止出现为0的适应度

‘’’

(1)最小值适应度函数

def get_fitness(pop):

x,y = translateDNA(pop)

pred = F(x, y)

return -(pred - np.max(pred)) + 1e-3

(2)np.min用法

import numpy as np

a = np.array([[1,5,3],[4,2,6]])

print(a.min()) #无参，所有中的最小值 print(min(a))

print(a.min(0)) # axis=0; 每列的最小值 print(min(a, axis = 0))

print(a.min(1)) # axis=1；每行的最小值 print(min(a, axis = 1))

‘’’

#基因编译==#

def translateDNA(pop): # pop表示种群矩阵，一行表示一个二进制编码表示的DNA，矩阵的行数为种群数目

x_pop = pop[:, 1::2] # 奇数列表示X

y_pop = pop[:, ::2] # 偶数列表示y

pop:(POP_SIZE,DNA_SIZE)*(DNA_SIZE,1) --> (POP_SIZE,1)

x = x_pop.dot(2 ** np.arange(DNA_SIZE)[::-1]) / float(2 ** DNA_SIZE - 1) * (X_BOUND[1] - X_BOUND[0]) + X_BOUND[0]

y = y_pop.dot(2 ** np.arange(DNA_SIZE)[::-1]) / float(2 ** DNA_SIZE - 1) * (Y_BOUND[1] - Y_BOUND[0]) + Y_BOUND[0]

return x, y

#===染色体交叉=#

def crossover_and_mutation(pop, CROSSOVER_RATE=0.8):

new_pop = []

for father in pop: # 遍历种群中的每一个个体，将该个体作为父亲

child = father # 孩子先得到父亲的全部基因（这里我把一串二进制串的那些0，1称为基因）

if np.random.rand() < CROSSOVER_RATE: # 产生子代时不是必然发生交叉，而是以一定的概率发生交叉

mother = pop[np.random.randint(POP_SIZE)] # 再种群中选择另一个个体，并将该个体作为母亲

cross_points = np.random.randint(low=0, high=DNA_SIZE * 2) # 随机产生交叉的点

child[cross_points:] = mother[cross_points:] # 孩子得到位于交叉点后的母亲的基因

mutation(child) # 每个后代有一定的机率发生变异

new_pop.append(child)

return new_pop

‘’'【1】 np.random.rand()

注：使用方法与np.random.randn()函数相同

作用： 通过本函数可以返回一个或一组服从“0~1”均匀分布的随机样本值。随机样本取值范围是[0,1)，不包括1。

【2】np.random.randn(d0,d1,d2……dn)

1)当函数括号内没有参数时，则返回一个浮点数；

2）当函数括号内有一个参数时，则返回秩为1的数组，不能表示向量和矩阵；

3）当函数括号内有两个及以上参数时，则返回对应维度的数组，能表示向量或矩阵；

4）np.random.standard_normal（）函数与np.random.randn()类似，但是np.random.standard_normal（）

的输入参数为元组（tuple）.

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Python开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具

工具都帮大家整理好了，安装就可直接上手！

三、最新Python学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、Python视频合集

观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试宝典

简历模板

，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试宝典

简历模板