从自然选择到代码实现：一文掌握遗传算法精髓

welcome_123_

已于 2025-02-13 00:14:44 修改

阅读量1.1k

点赞数 24

文章标签： python 开发语言

于 2025-02-11 22:09:28 首次发布

本文链接：https://blog.csdn.net/djq_123/article/details/145580175

版权

一、进化论启发的优化算法

1975年，John Holland受达尔文进化论启发，提出了“遗传算法”（Genetic Algorithm, GA）。这种模拟生物进化过程的智能优化算法，在解决复杂系统优化问题上展现出惊人的能力。截至2023年，遗传算法已成功应用于芯片设计、航天器轨道优化等尖端领域，成为人工智能领域的重要基础算法。

二、算法核心原理

2.1 生物进化三要素

-染色体编码：将解空间映射到基因序列
-自然选择：适者生存的淘汰机制
-基因操作：交叉重组与变异创新

2.2 算法流程图解

2.3 核心数学公式

- 选择概率：
$P_i = \frac{fitness_i}{\sum_{j=1}^N fitness_j}$

$P_i$ ：第 𝑖i 个个体被选择的概率。
$fitness_i$ ：第 𝑖i 个个体的适应度值（适应度值越高，表示个体越优秀）。
${\sum_{j=1}^N fitness_j}$ ：种群中所有个体适应度值的总和。
N：种群的大小（即个体的总数）。
这个公式用于计算每个个体被选择的概率。
适应度值越高的个体，被选择的概率越大（体现了“适者生存”的原则）。
通过这种方式，优秀的个体更有可能被选中参与后续的交叉和变异操作。

- 交叉操作（单点交叉示例）：

${align*}$
Parent1 & : $1010\underline{1}001 \\$
Parent2 & : $0011\underline{0}110 \\$
Child1 & : $1010\underline{0}110 \\$
Child2 & : $0011\underline{1}001$
${align*}$

Parent1 和 Parent2：两个父代个体，它们的基因用二进制串表示。
Child1 和 Child2：通过交叉操作生成的两个子代个体。
下划线：表示交叉点（即从该位置开始交换基因）。
交叉操作是遗传算法中的核心操作之一，用于生成新的个体。
通过交换父代个体的部分基因，生成具有新特性的子代个体。
交叉操作可以增加种群的多样性，避免算法过早收敛到局部最优解。

三、Python实现详解

3.1 函数极值求解案例

求解函数 `f(x) = x²` 在 [0,31] 的最大值：

import numpy as np

class GeneticAlgorithm:
    def __init__(self, pop_size=50, dna_size=5, cross_rate=0.8, mutate_rate=0.003):
        self.pop_size = pop_size    # 种群规模
        self.dna_size = dna_size    # DNA长度（5位可表示0-31）
        self.cross_rate = cross_rate # 交叉概率
        self.mutate_rate = mutate_rate # 变异概率
        
        self.pop = np.random.randint(2, size=(pop_size, dna_size))

    def translateDNA(self, pop):
        # 二进制转十进制
        return pop.dot(2 ** np.arange(self.dna_size)[::-1])

    def get_fitness(self, x_values):
        # 适应度函数（取平方值）
        return x_values ** 2

    def select(self, fitness):
        # 轮盘赌选择
        idx = np.random.choice(
            np.arange(self.pop_size), 
            size=self.pop_size, 
            replace=True,
            p=fitness/fitness.sum()
        )
        return self.pop[idx]

    def crossover(self, parent, pop):
        # 单点交叉
        if np.random.rand() < self.cross_rate:
            i_ = np.random.randint(0, self.pop_size, size=1)
            cross_points = np.random.randint(0, 2, self.dna_size).astype(np.bool)
            parent[cross_points] = pop[i_, cross_points]
        return parent

    def mutate(self, child):
        # 点位变异
        for point in range(self.dna_size):
            if np.random.rand() < self.mutate_rate:
                child[point] = 1 if child[point]==0 else 0
        return child

    def evolve(self):
        # 进化过程
        x_values = self.translateDNA(self.pop)
        fitness = self.get_fitness(x_values)
        
        self.pop = self.select(fitness)
        pop_copy = self.pop.copy()
        
        for parent in self.pop:
            child = self.crossover(parent, pop_copy)
            child = self.mutate(child)
            parent[:] = child

# 算法执行
ga = GeneticAlgorithm()
for generation in range(100):
    ga.evolue()
    best_x = ga.translateDNA(ga.pop).max()
    print(f"Gen {generation}: Best x = {best_x}")