遗传算法

参考 https://blog.csdn.net/qq_27755195/article/details/56597467
https://blog.csdn.net/emiyasstar__/article/details/6938608/

应用

本质是一种高效、并行、全局搜索的方法，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地(遗传)控制搜索过程以求得最佳解.

如果是凸函数，凹函数，我们可以很快的得出最优解。
但如果是存在很多局部最优解的情况下，再用求n阶导的方法，就不能容易得到结果。

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（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，生产调度问题，人工生命模拟等。下面我以袋鼠为例子讲讲遗传算法。（因为袋鼠会跳）

可以这样想象，这个多维曲面里面有数不清的“山峰”，而这些山峰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”）

袋鼠引入

引入“袋鼠跳”，理解下基本的算法流程。

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。
对比下面简单介绍“袋鼠跳”的几种方式：

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。因为爬山法只对“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。在这个能量的变迁过程中，开始时，温度非常高， 使得原子具有很高的能量。随着温度不断降低，金属逐渐冷却，金属中的原子的能量就越来越小，最后达到所有可能的最低点。利用模拟退火的时候，让算法从较大的跳跃开始，使到它有足够的“能量”逃离可能“路过”的局部最优解而不至于限制在其中，当它停在全局最优解附近的时候，逐渐的减小跳跃量，以便使其“落脚 ”到全局最优解上。（在模拟退火中，袋鼠喝醉了，而且随机地大跳跃了很长时间。运气好的话，它从一个山峰跳过山谷，到了另外一个更高的山峰上。但最后，它渐渐清醒了并朝着它所在的峰顶跳去。）
3. 遗传算法：
   模拟物竞天择的生物进化过程，通过维护一个潜在解的群体执行了多方向的搜索，并支持这些方向上的信息构成和交换。是以面为单位的搜索，比以点为单位的搜索，更能发现全局最优解。（在遗传算法中，有很多袋鼠，它们降落到喜玛拉雅山脉的任意地方。这些袋鼠并不知道它们的任务是寻找珠穆朗玛峰。但每过几年，就在一些海拔高度较低的地方射杀一些袋鼠，并希望存活下来的袋鼠是多产的，在它们所处的地方生儿育女。）（或者换个说法。从前，有一大群袋鼠，它们被莫名其妙的零散地遗弃于喜马拉雅山脉。于是只好在那里艰苦的生活。海拔低的地方弥漫着一种无色无味的毒气，海拔越高毒气越稀薄。可是可怜的袋鼠们对此全然不觉，还是习惯于活蹦乱跳。于是，不断有袋鼠死于海拔较低的地方，而越是在海拔高的袋鼠越是能活得更久，也越有机会生儿育女。就这样经过许多年，这些袋鼠们竟然都不自觉地聚拢到了一个个的山峰上，可是在所有的袋鼠中，只有聚拢到珠穆朗玛峰的袋鼠被带回了美丽的澳洲。）

实现

把那些总是爱走下坡路的袋鼠射杀，这是遗传算法的精粹！
所以我们总结出遗传算法的一般步骤：

while(开始循环直至找到满意的解）：
1.评估每条染色体所对应个体的适应度。
2.遵照适应度越高，选择概率越大的原则，从种群中选择两个个体作为父方和母方。
3.抽取父母双方的染色体，进行交叉，产生子代。
4.对子代的染色体进行变异。
5.重复2，3，4步骤，直到新种群的产生。
结束循环。

评分函数及选择函数

1、物竞
适应度函数
我们的衡量标准是：袋鼠所在的海拔高度，越高越好
可直接用袋鼠的海拔高度作为适应性评分。
2、天择
选择函数：对环境适应性越强的越有利于生存下去，繁衍后代。
对适应性打分，分别为$x_1$，$x_2$，，，，，$x_i$，然后按照评分大小排序进行选择。

伪代码

具体求解TSP问题

背景：TSP旅行问题

问题：
从某物流中心用多台配送车辆向多个客户送货,每个客户的位置和货物需求量一定,每台配送车辆的载重量一定,其一次配送的最大行驶距离一定,要求合理安排车辆配送路线,使目标函数得到优化,并满足以下条件:
(1) 每条配送路径上各客户的需求量之和不超过配送车辆的载重量;
(2) 每条配送路径的长度不超过配送车辆一次配送的最大行驶距离;
(3) 每个客户的需求必须满足,且只能由一台配送车辆送货。
以配送总里程最短为目标函数

实例：
某物流中心有2 台配送车辆,其载重量均为8t ,车辆每次配送的最大行驶距离为50km ,配送中心(其编号为0) 与8 个客户之间, 8 个客户相互之间的距离$d_{i,j}$ 为：

	1	2	3	4	5	6	7	8	9
1	0	4	6	7.5	9	20	10	16	8
2	4	0	6.5	4	10	5	7.5	11	10
3	6	6.5	0	7.5	10	10	7.5	7.5	7.5
4	7.5	4	7.5	0	10	5	9	9	15
5	9	10	10	10	0	10	7.5	7.5	10
6	20	5	10	5	10	0	7	9	7.5
7	10	7.5	7.5	9	7.5	7	0	7	10
8	16	11	7.5	9	7.5	9	7	0	10
9	8	10	7.5	15	10	7.5	10	10	0

8 个客户的货物需求量$q_j$为：q = [ 0, 1, 2, 1, 2, 1, 4, 2, 2 ]，0值为配送中心

要求合理安排车辆配送路线,使配送总里程最短。
采用以下参数：
群体规模取20 ；
进化代数取25 ；
交叉概率取0.9 ；JCL = 0.9
变异概率取0.09 ；BYL = 0.09
变异时基因换位次数取5；JYHW = 5
实施爬山操作时爬山次数取20 ；PSCS = 20
对不可行路径的惩罚权重取100km；
对实例随机求解10 次；

代码

总流程迭代

1、初始化
2、计算适应度
3、产生新的集群
4、重复1、2、3

初始化

    def __init__(self, rows, times, mans, cars, tons, distance, PW):
        self.rows = rows                            '''排列个数'''
        self.times = times                          '''迭代次数'''
        self.mans = mans                            '''客户数量'''
        self.cars = cars                            '''车辆总数'''
        self.tons = tons                            '''车辆载重'''
        self.distance = distance                    '''车辆一次行驶的最大距离'''
        self.PW = PW                                '''当生成一个不可行路线时的惩罚因子'''

适应度函数计算

'''
计算适应度
计算的规则：每条配送路径要满足题设条件，并且目标函数即 车辆行驶的总里程越小，适应度越高
'''
def calFitness(self, line, isShow):
    carTon = 0 '''当前车辆的载重'''
    carDis = 0 '''当前车辆行驶的总距离'''
    newTon = 0
    newDis = 0
    totalDis = 0

    r = 0      '''表示当前需要车辆数'''
    fore = 0   '''正在运送的客户编号'''
    M = 0      '''当前的路径规划所需要的总车辆和总共拥有的车辆之间的差，如果大于0，表示是一个失败的规划，乘以一个很大的惩罚因子用来降低适应度'''
    '''遍历每个客户点'''
    for i in range(0, self.mans):
        '''行驶的距离'''
        newDis = carDis + self.d[fore][line[i]]
        '''当前车辆的载重'''
        newTon = carTon + self.q[line[i]]
        '''如果已经超过最大行驶距离或者超过车辆的最大载重，切换到下一辆车'''
        if newDis + self.d[line[i]][0] > self.distance or newTon > self.tons:
            '''下一辆车'''
            totalDis += carDis + self.d[fore][0]  '''后面加这个d[fore][0]表示需要从当前客户处返程的距离'''
            r += 1
            fore = 0
            i -= 1  '''表示当前这个点的配送还没有完成'''
            carTon = 0
            carDis = 0
        else:
            carDis = newDis
            carTon = newTon
            fore = line[i]
    '''加上最后一辆车的距离和返程的距离'''
    totalDis += carDis + self.d[fore][0]
    if isShow:
        print "总行驶里程为: %.1fkm" %(totalDis)
    else:
        # print "中间过程尝试规划的总行驶里程为: %.1fkm" %(totalDis)
        pass
    '''判断路径是否可用，所使用的车辆数量不能大于总车辆数量'''
    if r - self.cars + 1 > 0:
        M = r - self.cars + 1
    '''目标函数，表示一个路径规划行驶的总距离的倒数越小越好'''
    result = 1 / (totalDis + M * self.PW)
    return result

新增集群