一、定义
遗传算法是一种为解决复杂问题而设计的通用程序优化算法。由于此算法模拟达尔文的自然选择过程而得名。此算法特别适合、用于对问题本身知之甚少或者问题属于非线性的情形,以及所处理的问题需要在巨大搜索空间中执行暴力搜索情形。
二、步骤
- 随机生成大量解
- 测量每个解的适应度
- 选择最好的解,抛弃其余的解
- 交叉或重新组合最优解中的元素,形成新的解
- 通过改变解中一小部分元素的值实现变异(Mutate)
- 返回第2步,重复执行此过程
这个选择、交叉、变异的循环过程会一直持续下去,直到满足终止条件(stop condition),例如找到一个已知的答案、找到一个“足够好”的答案、完成一定数量的迭代、或者达到时间截止期限。
项目1:培育一个巨型老鼠
目标 利用遗传算法模拟配平均体重为50kg的老鼠
import random
import time
import statistics
# 这些常量单位均为g
GOAL = 5000 # 目标体重
NUM_RATS = 20 # 实验所能支持培养最多老鼠的数量
INITIAL_MIN_WT = 200 # 初始种群中成年大鼠的最小质量
INITIAL_MAX_WT = 600 # 初始种群中成年大鼠的最大质量
INITIAL_MODE_WT = 300 # 初始种群中成年大鼠的最常见质量
MUTATE_ODDS = 0.05 # 变异率
MUTATE_MIN = 0.5 # 老鼠发生最小有益突变的体重标量
MUTATE_MAX = 1.2 # 老鼠发生最大有益突变的体重标量
LITTER_SIZE = 8 # 每对大鼠交配后产崽的数量
LITTERS_PER_YEAR = 10 # 每对大鼠每年交配产崽的窝数
GENERATION_LIMIT = 500 # 达到老鼠种群的繁殖上限,终止程序
if NUM_RATS % 2 != 0:
NUM_RATS += 1
def populate(num_rats, min_wt, max_wt, mode_wt):
"""用体重的三角分布初始化种群"""
return [