遗传算法小练习

此博客来自《Python编程实战——妙趣横生的项目之旅》第七章遗传算法培育大鼠项目

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

1. 随机生成大量解
2. 测量每个解的适应度
3. 选择最好的解，抛弃其余的解
4. 交叉或重新组合最优解中的元素，形成新的解
5. 通过改变解中一小部分元素的值实现变异（Mutate）
6. 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 [