遗传算法 - 函数最优解计算

• 任务描述
• 相关知识
  • 遗传算法
    • 基因和染色体
    • 染色体编码与解码
    • 初始群体的产生
    • 物竞天择
    • 交叉与变异
    • 遗传算法流程
  • 使用python实现遗传算法。
• 编程要求
• 测试说明

---

任务描述

本关任务：使用 python 实现遗传算法，并求目标函数最优解。

相关知识

为了完成本关任务，你需要掌握：1.遗传算法，2.使用 python 实现遗传算法。

遗传算法

基因和染色体

在遗传算法中，我们首先需要将要解决的问题映射成一个数学问题，也就是所谓的数学建模，那么这个问题的一个可行解即被称为一条染色体或个体。如：

3x+4y+5z<100

[1,2,3]，[2,3,4]，[3,2,1]均为这个函数的可行解，这些可行解在遗传算法中均被称为染色体，每一个元素就被称为染色体上的一个基因。

染色体编码与解码

遗传算法的运算对象是表示染色体的符号串，所以必须把变量 x，y，z 编码为一种符号串。常见的编码方式如用无符号二进制整数来表示。解码即将二进制整数转换回最初的表现型。

编码： 5 --> 0101。 解码： 0101 --> 5。

初始群体的产生

遗传算法是对群体进行的进化操作，需要给其准备一些表示起始搜索点的初始群体数据。假如群体规模的大小取为 4，即群体由 4 个染色体组成，每个染色体可通过随机方法产生。

如： 011101 ， 101011 ， 011100 ， 111001。

物竞天择

1. 适应度函数：遗传算法中以染色体适应度的大小来评定各个染色体的优劣程度，从而决定其遗传机会的大小。
2. 选择函数：自然界中，越适应的个体就越有可能繁殖后代。但是也不能说适应度越高的就肯定后代越多，只能是从概率上来说更多。常用的选择方法有轮盘赌选择法。

若fi​表示每个染色体的适应度，则每个个体遗传下来的概率为：

p(i)=i∑​fi​fi​​

由公式可以看出，适应度越高，则遗传下来的概率就越大，好比赌轮盘，轮盘上所占面积越大，则被小球滚到的概率就越大。

交叉与变异

交叉是遗传算法中产生新的个体的主要操作过程，以一定的概率决定个体间是否进行交叉操作。

如上图为父辈染色体进过交叉后产生新的染色体的过程。

变异为另一种产生新个体的操作，它可以为种群带来多样性：

也就是将我的染色体中的基因，随机的由0变成1，或1变成0。

遗传算法流程

遗传算法流程：

1. 初始化种群
2. 计算适应度
3. 选择适应度高的个体
4. 通过交叉变异选择新的染色体
5. 终止进化

使用python实现遗传算法。

本关任务是使用遗传算法求解目标函数最大值，首先需要随机产生很多个解，即初始化种群，代码如下：

1. #初始化种群
2. pop = np.random.randint(2, size=(POP_SIZE, DNA_SIZE)) # Size函数需要传入两个参数 POP_SIZE为解的个数，即染色体个数。DNA_SIZE为染色体长度

其中POP_SIZE为解的个数，即染色体个数。DNA_SIZE为染色体长度。

由于染色体为二进制编码，所以还需要将二进制转换为浮点数的解码方法：

1. #解码
2. def translateDNA(pop):
3. return pop.dot(2 ** np.arange(DNA_SIZE)[::-1]) / float(2**DNA_SIZE-1) * X_BOUND[1]

上述代码中： pop.dot(2 ** np.arange(DNA_SIZE)[::-1])已经转换成十进制但是需要归一化到 0~5 ，如有 1111 这么长的 DNA,要产生的十进制数范围是 [0, 15] ，而所需范围是 [-1, 1] ，就将 [0,15] 缩放到 [-1,1] 这个范围。

a[::-1]相当于a[-1:-len(a)-1:-1]，也就是从最后一个元素到第一个元素复制一遍。所以你看到一个倒序，np.arange(DNA_SIZE)[::-1]得到 10,9,8,...,0 。

如将 10101 转换到 0 到 5 之间：

x=25−124+22+2+0​×5

然后计算每个染色体的适应度，由于是求解最大值，函数值越大则越应该被选择，所以，将每个染色体对应的函数值减去最小值作为适应度：

2. #获取染色体适应度
3. def get_fitness(pred):
4. return pred + 1e-3 - np.min(pred)

再选择适应度高的染色体：

#选择适应度高的染色体
def select(pop, fitness):
idx = np.random.choice(np.arange(POP_SIZE), size=POP_SIZE, replace=True,
p=fitness/fitness.sum())
return pop[idx]

再对染色体进行交叉变异操作：

1. #交叉
   def crossover(parent, pop):
   if np.random.rand() < CROSS_RATE:
   i_ = np.random.randint(0, POP_SIZE, size=1)
   cross_points = np.random.randint(0, 2, size=DNA_SIZE).astype(np.bool)
   parent[cross_points] = pop[i_, cross_points]
   return parent
   #变异
   def mutate(child):
   for point in range(DNA_SIZE):
   if np.random.rand() < MUTATION_RATE:
   child[point] = 1 if child[point] == 0 else 0
   return child

总流程如下：

1. 
   def F(x): return np.sin(10*x)*x + np.cos(2*x)*x
   
   def ga(F):
   '''
   F:需要求解的函数
   '''
   #初始化种群
   pop = np.random.randint(2, size=(POP_SIZE, DNA_SIZE))
   #开始进化
   for _ in range(N_GENERATIONS):
   #计算函数值
   F_values = F(translateDNA(pop))
   #计算适应度
   fitness = get_fitness(F_values)
   #选择适应度高的个体
   pop = select(pop, fitness)
   pop_copy = pop.copy()
   #通过交叉变异选择新的染色体
   for parent in pop:
   #交叉产生子代
   child = crossover(parent, pop_copy)
   #变异产生子代
   child = mutate(child)
   #子代代替父代
   parent[:] = child
   #获取最优解
   x = translateDNA(pop)[-1]
   return x

其中：

1. N_GENERATIONS为进化轮数。
2. CROSS_RATE为交叉概率。
3. MUTATION_RATE 为变异概率。
4. X_BOUND 为函数定义域。

编程要求

根据提示，在右侧编辑器的 begin-end 间补充代码，实现遗传算法。并求解函数f(x)在区间 [0,5] 上的最大值:

f(x)=xsin(10x)+xcos(2x)

函数图像如下：

测试说明

平台会调用你实现的方法，求解函数最优解，若你求得最优解与正确答案绝对值小于 0.1 则视为通关，否则输出你求得的最优解。

---

开始你的任务吧，祝你成功！

代码如下：

#encoding=utf8
import numpy as np
DNA_SIZE = 10   
POP_SIZE = 100         
CROSS_RATE = 0.8         
MUTATION_RATE = 0.003    
N_GENERATIONS = 500
X_BOUND = [0, 5] 
#获取染色体适应度
def get_fitness(pred): 
    return pred + 1e-3 - np.min(pred)
#解码
def translateDNA(pop): 
    return pop.dot(2 ** np.arange(DNA_SIZE)[::-1]) / float(2**DNA_SIZE-1) * X_BOUND[1]
#选择适应度高的染色体
def select(pop, fitness):    
    idx = np.random.choice(np.arange(POP_SIZE), size=POP_SIZE, replace=True,
                           p=fitness/fitness.sum())
    return pop[idx]
#交叉
def crossover(parent, pop):     
    if np.random.rand() < CROSS_RATE:
        i_ = np.random.randint(0, POP_SIZE, size=1)                             
        cross_points = np.random.randint(0, 2, size=DNA_SIZE).astype(np.bool)   
        parent[cross_points] = pop[i_, cross_points]                            
    return parent
#变异
def mutate(child):
    for point in range(DNA_SIZE):
        if np.random.rand() < MUTATION_RATE:
            child[point] = 1 if child[point] == 0 else 0
    return child
def ga(F):
    '''
    F:需要求解的函数
    x:最优解
    '''
    #********* Begin *********#
    #初始化种群
    pop = np.random.randint(2, size=(POP_SIZE, DNA_SIZE)) # Size函数需要传入两个参数 POP_SIZE为解的个数，即染色体个数。DNA_SIZE为染色体长度
    #********* End *********#
    #开始进化
    for _ in range(N_GENERATIONS):
        #计算函数值
        F_values = F(translateDNA(pop))
        #计算适应度
        fitness = get_fitness(F_values)
        #选择适应度高的个体
        pop = select(pop, fitness)
        pop_copy = pop.copy()
        #通过交叉变异选择新的染色体
        for parent in pop:
            #交叉产生子代
            child = crossover(parent, pop_copy)
            #变异产生子代
            child = mutate(child)
            #子代代替父代
            parent[:] = child
    #获取最优解
    x = translateDNA(pop)[-1]
    return x