【遗传算法】——更高级的猜猜法

【遗传算法】——更高级的猜猜法

学习遗传算法有2个月了，最近也开始读汪民乐、高晓光、范阳涛三位先生编著的《先进遗传算法及其工程应用》，记录这几个月我对遗传算法的浅显理解。

1. 何为猜猜？如何理解遗传算法

我理解的遗传算法：无非是高级点的猜猜法。

先随机生成一堆方案，在迭代中随机更改这些方案的部分举措；

如果发现更好了（或更坏了），就随机保留或抛弃。在迭代最后选择一个最好的结果。

既然是猜猜法，那自然可以用在很多地方：物资调度、决策排序、选址、指派、路径规划等等。这些都是现阶段遗传算法适用的领域。

• 举个例子：

你要写一份5道选择题的试卷，你不知道答案，但是你可以反复提交这份试卷获得你的分数。

现在你在答题卡上随机写上AAAAA，获得分数2分。

这里的答案AAAAA，就是染色体的编码，这里的2分，对应着染色体的适应度。

你再改成AAAAB，分数高了1分。（染色体的遗传操作——变异）

这时候你知道，下次再改答案需要从AAAAB开始改了，就因为这个答案的分数高。

从遗传算法上看，这个染色体的适应度更高。我们通过选择留下适应度更高的染色体。

当然，和你一起答题的不止一人，恰如我们一开始给出的染色体数量不止一个。

有个同学随机的答案是CCCCC，你参考了他的前两个答案，得到一个新答案CCAAB，分数又高了1分。

这就是不同染色体之间的交叉操作。

就这么猜上100次，就会有极大的概率获得5分。

（最后我会给出源代码复现该场景）

至此，整合书中内容，我愿给出如下定义：

遗传算法是一种全局优化的自适应概率搜索算法，模拟自然选择和遗传进化的计算模型。

2. 为何高级？遗传算法的理论基础

和一般的猜猜法不同，遗传算法具有一定的数学基础理论，它可以得到一种模式定理：

遗传算法中，在选择、交叉、变异运算作用下，具有低阶、短定义长度、平均适应度高于种族适应度值的模式在子代中呈指数级增长。

通俗理解，就是物竞天择，适者生存。这可以确保遗传算法寻求最优样本的可能性。

但模式定理并不表明遗传算法一定能够找到最优样本，积木块假设却可以：

个体的基因通过选择、交叉、变异等遗传算法的作用，能够相互拼接在一起，形成适应度更高的个体编码串，最终接近最优样本。

由书中给出遗传算法隐含并行性原理推出可能存活的模式数目：
$$n=c{M}^3=O(M^3)$$
其中M是我们给出的染色体数目，也就是一开始的方案数。故我们可以得到结论：

虽然在进化过程中遗传算法只处理了M个个体，但实际上并行处理了与M的二次方成正比例的模式数。这种并行性使得遗传算法可以快速搜索到一些比较好的模式。

总结：遗传算法比猜猜法高级。

3. 遗传算法的问题

当然，遗传算法也有其致命的问题，那就是欺骗性问题和收敛速度。

• 欺骗性问题：若评估适应度时存在多峰值，是有可能会陷入一个局部最优解，变得骄傲自大无法自拔。

  措施：人们一般会综合其他智能算法，比如蚁群、粒子群、模拟退火等算法，尽量确保得到的结果是接近全局最优解的。

• 收敛问题：遗传算法的何时收敛也是人们关注的一个问题。
  过早收敛——那叫“早熟”。过晚收敛——那叫“效率低下”。

  措施：人们一般根据具体的算法模型去调整最大迭代次数等参数，从而优化遗传算法的收敛速度。

4. 遗传算法框架代码（情景复现）

仅需引入一个random库，运行的结果多半是5分或者4分。
一起答题的同学越多，迭代次数越大，满分的概率就越大。

import random

# 试卷题目数量
num_questions = 5

# 每个染色体的长度：我们给出的答案长度
chromosome_length = num_questions

# 种群数量：一起答题的同学数量
population_size = 20

# 最大迭代次数：重复提交答案，校对修改的次数
max_iterations = 200

# 变异率：随机修改自己答案的概率
mutation_rate = 0.1

# 试卷答案：仅用于计算适应度，这里的染色体（每个同学）一开始并不知道答案
answers = "BCDAB"

# 适应度函数：计算答案的评分
# 实际问题中，我们一般采取路径的长度，成本的高低，执行的时间来作为适应度的评判标准。
def fitness(chromosome):
    score = 0
    for i in range(num_questions):
        if chromosome[i] == answers[i]:
            score += 1
    return score

# 初始化种群：一开始随便写答案
population = []
for i in range(population_size):
    chromosome = ""
    for j in range(chromosome_length):
        chromosome += random.choice(["A", "B", "C","D"])
    population.append(chromosome)
    # print("开始答案:" + chromosome)


# 遗传算法主循环
for iteration in range(max_iterations):
    # 计算每个染色体的适应度：提交试卷得到分数
    fitness_values = []
    for chromosome in population:
        fitness_values.append(fitness(chromosome))

    # 选择操作，选择适应度高的染色体：尽量选择分数更大的试卷
    total_fitness = sum(fitness_values)
    selection_probabilities = [fitness_value / total_fitness for fitness_value in fitness_values]
    selected_population = []
    for i in range(population_size):
        selected_chromosome = random.choices(population, weights=selection_probabilities)[0]
        selected_population.append(selected_chromosome)

    # 交叉操作，随机选取两个染色体进行交叉：这里随机选择两份试卷，随机抄答案
    # 也可以设一个交叉概率限制一下
    offspring_population = []
    for i in range(population_size):
        parent1 = random.choice(selected_population)
        parent2 = random.choice(selected_population)
        offspring = ""
        for j in range(chromosome_length):
            if random.random() < 0.5:
                offspring += parent1[j]
            else:
                offspring += parent2[j]
        offspring_population.append(offspring)

    # 变异操作，对每个染色体按照一定概率进行变异：随机修改自己的答案
    mutated_population = []
    for chromosome in offspring_population:
        mutated_chromosome = ""
        for j in range(chromosome_length):
            if random.random() < mutation_rate:
                mutated_chromosome += random.choice(["A", "B", "C","D"])
            else:
                mutated_chromosome += chromosome[j]
        mutated_population.append(mutated_chromosome)

    # 更新种群：得到了一群新的答案，它们平均分数会趋向更高。
    population = mutated_population

# 输出最终结果
best_chromosome = max(population, key=fitness)
best_fitness = fitness(best_chromosome)
print("Best Paper:", best_chromosome)
print("Best score：", best_fitness)