遗传算法实验

Tusk27

已于 2023-11-04 21:56:35 修改

阅读量56

点赞数

文章标签： python

于 2023-11-02 22:39:08 首次发布

本文链接：https://blog.csdn.net/diosamaehjs/article/details/134192802

版权

目的：

基于遗传算法编写程序实现字符串显示以及实践遗传算法应用，理解求解流程并测试主要参数对结果的影响。

代码：

import random
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

POPULATION_SIZE = 200
GENES = '''abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ 1234567890, .-;:_!"#%&/()=?@${[]}'''
TARGET = "Hello, world!"
MUTATION_PROBABILITY = 0.05

class Individual(object):
    def __init__(self, chromosome):
        self.chromosome = chromosome
        self.fitness = self.__calculate_fitness()

    @classmethod
    def mutated_genes(cls):
        return random.choice(GENES)

    @classmethod
    def create_gnome(cls):
        return [cls.mutated_genes() for _ in range(len(TARGET))]

    def mate(self, other):
        child_chromosome = []
        for i in range(len(self.chromosome)):
            prob = random.random()
            if prob < 0.45:
                child_chromosome.append(self.chromosome[i])
            elif prob < 0.90:
                child_chromosome.append(other.chromosome[i])
            else:
                child_chromosome.append(self.__class__.mutated_genes())
        return Individual(child_chromosome)

    def __calculate_fitness(self):
        fitness = 0
        for i in range(len(self.chromosome)):
            if self.chromosome[i] != TARGET[i]:
                fitness += 1
        return fitness

def main():
    generation = 1

    population = [Individual(Individual.create_gnome()) for _ in range(POPULATION_SIZE)]

    while True:
        population = sorted(population, key=lambda x: x.fitness)

        if population[0].fitness == 0:
            break

        new_generation = []

        s = int((10 * POPULATION_SIZE) / 100)
        new_generation.extend(population[:s])

        s = int((90 * POPULATION_SIZE) / 100)
        for _ in range(s):
            parent1 = random.choice(population[:50])
            parent2 = random.choice(population[:50])
            child = parent1.mate(parent2)
            new_generation.append(child)

        population = new_generation
        print("Generation: {}\tString: {}\tFitness: {}".format(generation, "".join(population[0].chromosome), population[0].fitness))
        generation += 1

    print("Generation: {}\tString: {}\tFitness: {}".format(generation, "".join(population[0].chromosome), population[0].fitness))


if __name__ == '__main__':
    main()

结果与分析：

运行流程：

首先定义了一个 Individual 类，表示一个个体。每个个体都有一条染色体，即由基因组成的字符串（长度与目标字符串相同）。在创建个体时，将随机生成一条染色体，并计算其适应度（即与目标字符串不同字符的数量）。

Individual 类有两个类方法，分别是 mutated_genes 和 create_gnome。mutated_genes 方法会返回一个随机的基因，用于基因突变。create_gnome 方法则是生成一个由随机基因组成的染色体。

在个体进行繁殖时，会根据概率选择基因来构造下一代。如果随机数小于 0.45，则从自己的染色体中选取基因；如果随机数小于 0.90，则从另一个个体的染色体中选取基因；否则则发生基因突变，即随机生成一个新的基因。

在主函数 main 中，首先生成一个初始种群（由若干个个体组成）。然后在循环中，对种群进行排序，选择适应度高的个体作为父母，进行繁殖，生成下一代种群。在选择父母时，可以从适应度排名前 50% 的个体中随机选择两个。新一代种群中，将包含上一代适应度最高的 10% 的个体（精英保留策略），以及 90% 的通过繁殖产生的新个体。循环终止条件是找到一个适应度为 0 的个体，即染色体与目标字符串相等。最后输出找到的字符串以及其适应度。

分析：经过多轮迭代，最终找到了适应度为0的染色体，即与目标字符串完全相等的串 "Hello, world!"，并输出了其所在的代数以及适应度。从结果来看，遗传算法在寻找字符串问题上表现出了较好的效果，最多经过了16轮迭代就找到了目标字符串