智能优化算法——python手动实现交叉进化算法

之前我们手动实现了 遗传算法。交叉进化算法也是进化算法的一种，他具有参数少，易实现的优点（经测试，由于算法特性，暂时不能像遗传算法一样拟合图片），我们将通过拟合函数来介绍交叉进化算法

依赖包

我们用random来生成随机数，matplotlib画图，同时设置rcParams来保证正常显示中文标签

from random import randint, random
import matplotlib.pyplot as plt
import numpy as np
import os

plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号

超参数

我们用max_group表示种群中个体数；savePath来确定图像保存位置；feature即特征数，即函数由几个参数构成；F0为初始变异算子，后续会根据labda进行调整，后续的正在的变异算子F由F0和labda得出
$$\begin{gathered} 其关系式为: \\ \lambda =e^{1-\frac{G_m}{G_m+1-G}} \\ F=F0\times 2^{\lambda } \\ 其中G_m为最大迭代次数，G为当前迭代次数 \\ 第一次迭代F的值接近2F0,随后逐渐接近F0 \end{gathered}$$

max_group = 50  # 种群中个体数
savePath = "./plt_image"
features = 2  # 个体特征数
F0 = 0.5  # 初始变异算子
CR = 0.1  # 交叉算子
epochs = 100
lower_range = -6
upper_range = 6
labda = np.e ** (1 - epochs / (epochs + 1))
bestScore = 0
bestOne = None

待优化的函数

为了便于后续的类封装，我们在优化时只使用func作为优化的函数，f函数仅用于画图

def f(x, y):
   return np.sin(np.sqrt(x ** 2 + y ** 2))

def func(x):
    X = x.reshape(-1, features).copy()
    return np.sin(np.sqrt(X[:, 0] ** 2 + X[:, 1] ** 2))

初始化

生成族群
这时我们应该注意生成矩阵的形状和范围应满足条件

groups = np.random.rand(max_group,features) * (upper_range - lower_range) + lower_range  # 随机生成族群

算法主体

变异

v = []

def variation(g):
    global groups
    for i in range(max_group):
        r1 = randint(0, max_group - 1)
        while r1 == i:
            r1 = randint(0, max_group - 1)

        r2 = randint(0, max_group - 1)
        while r2 == i or r2 == r1:
            r2 = randint(0, max_group - 1)

        r3 = randint(0, max_group - 1)
        while r3 == i or r3 == r1 or r3 == r2:
            r3 = randint(0, max_group - 1)

        x1 = groups[r1]
        x2 = groups[r2]
        x3 = groups[r3]
        labda = np.e * (1 - epochs / (epochs + 1 - g))
        F = F0 * 2 ** labda
        v.append(x1 + F * (x2 - x3))

交叉

交叉所满足的关系式为
$$u_{i,G+1}=(u_{1i,G+1},u_{2i,G+1},\cdot \cdot \cdot ,u_{Di,G+1})$$
$$u_{ji,G+1}=\{\begin{array}{ll}{v}_{ji,G+1},& randb(j)\le CR或j=rnbr(i)\\ x_{ji,G+1},& randb(j)>CR且j\ne rnbr(i)\end{array}$$
$$(i=1,2,\cdot \cdot \cdot ,NP,j=1,2,\cdot \cdot \cdot ,D)$$
其中v为变异向量，x为原本的向量，u为实验向量,NP为种群最多容纳的个体数，D为每个个体的特征数。randb(j) 为随机生成的概率值，与CR做比较。rnbr(i)为随机的下标，与当前个体下标做对比

u = []  # 选择种群

def cross():
    r = randint(0, max_group - 1)
    for i in range(max_group):
        cr = random()
        if cr <= CR or i == r:
            u.append(v[i])
        else:
            u.append(groups[i])

选择

通过比较相同位置的实验向量和原族群向量（即原本的向量），较好的将会替换掉原族群对应的向量，同时要注意边界约数

bestPath = []

def select():
    global bestScore
    global bestOne
    for i in range(max_group):
        s1 = func(u[i].copy())
        s2 = func(groups[i].copy())
        if s1 > s2 and s1 > bestScore:
            groups[i] = u[i]
            for j in range(len(groups[i])):
                if groups[i][j] < lower_range:
                    groups[i][j] = lower_range
                if groups[i][j] > upper_range:
                    groups[i][j] = upper_range

            bestScore = s1
            bestOne = groups[i]
    bestPath.append(bestOne.copy())

画图

在正式将各个组件组装起来之前，我们先构建一个画图函数，来直观的观察拟合过程

def plt_image(cur):
    if not os.path.exists(savePath):
        os.mkdir(savePath)

    x = np.linspace(-6, 6, 30)
    y = np.linspace(-6, 6, 30)

    X, Y = np.meshgrid(x, y)
    Z = f(X, Y)
    ax = plt.axes(projection='3d')
    ax.contour3D(X, Y, Z, 25, c=Z)
    ax.set_xlabel('x')
    ax.set_ylabel('y')
    ax.set_zlabel('z')
    ax.set_title('寻优过程')
    if bestOne is not None:
        ax.plot3D(bestPath[:, 0], bestPath[:, 1], func(bestPath), c="r")
    plt.savefig(os.path.join(savePath, str(cur) + '.png'))
    plt.show()

交叉进化并调用

def Alternative_Evolutionary():
    for i in range(epochs):
        global v
        v = []
        variation()
        global u
        u = []
        cross()
        select()
        global bestScore
        global bestOne

        print("Epoch : ", i, " Score : ", bestScore)



Alternative_Evolutionary()
bestPath = np.array(bestPath)
plt_image(0)

拟合效果

由于初始化（生成随机数）不同，所以每次运行的结果不会完全相同，但是最终的bestScore总是相似的

代码

上述的所有代码按顺序执行就是完整代码
如果需要类封装后的代码可以从下面下载

GitHub地址：
https://github.com/AiXing-w/Python-Intelligent-Optimization-Algorithms
CSDN地址：
https://download.csdn.net/download/DuLNode/84048830