笔者近两年在实际工作中发现，制造业场景中会有很多问题可以用到优化算法（或启发算法）来解决，遗传算法作为最典型的算法可以解决绝大部分优化问题。遗传算法思想本身并不复杂，但在不同的场景中，其算子可以多种多样。
今天想跟大家讨论的是编码问题；编码作为遗传算法最开始的算子，其作用非常关键；目前网上大部分资料都是用二进制方法来编码；前段时间我看到一些NLP的文章，了解到one-hot方法来表示特征；能不能用到遗传算法中呢？ 因此我做了一个简单的遗传算法-onehot版本，实验了一下是可行的。
先将算法思想简单陈述一下：
一、编码：
加入待求变量X区间为[1:10],DNA_SIZE设为10，即10个基因位；在初始化的时候，随机选取1到10以内任意一个整数作为表征；比如下图中，第五个元素为1，即该染色体代表5
| 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 |
二、交叉：
父代染色体基因位求平均值，子基因位=（P1的基因位+P2的基因位）/2
比如下图中，P1基因位是2，P2基因位是9 ；子代基因位=（2+9）/2=5（取整）
直观的表达就是： P1代表整数2，P2代表整数9，子代就是5
因为此方法编码的方式与传统的二进制编码不同，所以其交叉、变异算子也会不同；为什么交叉要取父代的平均值，因为这样可以大范围搜索解空间
三、变异
常规的二进制遗传算法中，变异算子通常是某个基因位变为0或1；本文中的变异算子为：向前或向后移动一位，比如某染色体基因位是8，根据随机数判断是向前还是向后移动一位，如果是向前移动一位，则变成8-1=7，如果是向后移动，则表示8+1=9；这个操作在交叉的基础上可以小范围精确搜索解空间
四、解码
解码即直接找到1所在元素的索引
其他算子逻辑与常规的算法逻辑相同
下面贴出实现代码：
其中 问题函数为：F(x)=x**2+1/x-9*x；x=[1:10],求F(x)最大值， 肉眼可知x=10时F(x)最大
import numpy as np
import random
from matplotlib import cm
#from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
DNA_SIZE = 10
POP_SIZE = 20
CROSSOVER_RATE = 0.3
MUTATION_RATE = 0.2
N_GENERATIONS = 30
X_BOUND = [0, 10]
k=2 #锦标赛 每次取K个染色体比赛
def fuc(x): #问题函数
return int(x**2+1/x-9*x)
def get_fitness(pop):#对种群每个个体打分
x=decode(pop)
result=[]
for i in range(len(pop)):
pred=fuc(x[i])
result.append(pred)
return result
def find_index(array): #找索引
count=0
for i in array:
count=count+1
if i==1:
break
count_back=count-1
return count_back
def decode(pop): #解码
x=[]
for i in pop[:]:
#i1=i.tolist()
z=find_index(i)+1
x.append(z)
return x
def crossover_and_mutation(pop,CROSSOVER_RATE,MUTATION_RATE):
new_pop = []
for father in pop:
child=[i for i in father]
if np.random.rand() < CROSSOVER_RATE: #交叉：父代交叉取索引之和除以2，相当于是找他们俩中间的数
mother = pop[np.random.randint(POP_SIZE-1)]
new_index=(find_index(father)+find_index(mother))/2
new_index=round(new_index)
child[find_index(child)]=0
child[new_index]=1
if np.random.rand() < MUTATION_RATE: #变异，-1或+1
if np.random.rand()<0.5:
if find_index(father)==0:
child[0]=1
else:
child[find_index(father)-1]=1
child[find_index(father)]=0
else:
if find_index(father)==len(child)-1:
child[-1]=1
elif find_index(father)<len(child)-1:
child[find_index(father)+1]=1
child[find_index(father)]=0
new_pop.append(child)
return new_pop
def select_run(pop, k): #锦标赛，随机取K个数，最大的放进赢家池
seq=[]
win=[]
for j in range(POP_SIZE):
r=random.sample(range(POP_SIZE),k)
for i in list(r):
seq.append( pop[i])
seq_fit=get_fitness(seq)
max_fitness_index = np.argmax(seq_fit)
win.append(seq[max_fitness_index])
seq=[]
return win
def print_info(pop,n):#打印出最优解
na.append(n)
fitness = get_fitness(pop)
max_fitness_index = np.argmax(fitness)
print("epo:", n)
print("max_fitness:", fitness[max_fitness_index])
x = decode(pop)
print("(最优解):", (x[max_fitness_index]))
best.append(x[max_fitness_index])
plt.figure(figsize=(10,8), dpi=80)
plt.plot(na,best)
plt.show()
n=0
na=[]
best=[]
pop=np.random.randint(1, size=(POP_SIZE, DNA_SIZE*10)) #初始化种群
for x in range(POP_SIZE):
r=np.random.randint(0, DNA_SIZE*10)
pop[x][r]=1
for _ in range(N_GENERATIONS):#迭代N代
n=n+1
pop_new=select_run(pop,k) #锦标赛生成新的种群
new_pop=crossover_and_mutation(pop_new,CROSSOVER_RATE,MUTATION_RATE)#交叉变异
print_info(new_pop,n)
pop=[i for i in new_pop] #更新种群进入下一次迭代代码说明：
DNA_SIZE = 10 ;染色体长度为10，但是在代码中，我把长度做了处理（DNA_SIZE*10）相当于是100，虽然解的范围还是【1,10】但是其精确度可以达到0.1，如果长度变为1000，精确度达到0.01
POP_SIZE = 20 ；染色体数量
CROSSOVER_RATE = 0.3 ；交叉概率
MUTATION_RATE = 0.2 ；变异概率
N_GENERATIONS = 30 ；迭代次数
X_BOUND = [0, 10] ；X的取值范围
k=2 ；选择算子使用锦标赛来淘汰不佳的染色体，k表示每次比赛选几个染色体来PK
运行结果：
横轴代表迭代次数；纵轴代表X的值
第29代即可收敛
总结：
1、代码运行慢，里面有很多重复的变量、for循环，后期改进时可以提高代码质量
2、运行效果，并不是每次都是30代收敛，有的需要50代以上，说明交叉、变异算子还有优化的空间；下一步可以借鉴动量梯度下降法的思想，在迭代初期可以把移动步幅变大，比如每次移动三步，在迭代后期减小移动步幅
3、one-hot虽然比较直观，但是如果问题函数的精确度要求比较高，染色体长度会变长，搜索效率会变低，可能不如二进制编码好
273
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
