1 重要知识点
在专栏我已经系统总结了遗传算法:*智能优化算法(持续更新中…),下面我们先讲解重要知识点,然后用Python和Matlab分别实现。
1.1 遗传算法
遗传算法是一种模拟达尔文生物进化论和遗传变异的智能算法。这种算法具有鲁棒性(用以表征控制系统对特性或参数扰动的不敏感性)较强,实现的步骤规范、简单通用等优点,在人工智能、多目标决策、社会及经济等领域都有大量运用。但一般遗传算法存在一定的局限性:收敛速度慢、迭代的次数多,易过早收敛,容易陷入局部最优解。
1**.2 量子计算**
量子计算为量子力学与信息科学的综合交叉学科。量子计算具有量子力学的并行性,计算速度更快;同时,量子状态多种多样,在进行最优解的搜索时极少陷入局部的极值。
1.3 量子遗传算法
量子遗传算法将量子的态矢量引入遗传算法,利用量子比特的概率幅应用于染色体的编码。一条染色体是多个量子状态的叠加。并使用量子旋转门实现染色体的变异更新。因此量子遗传算法具有迭代次数少,运行速度快,能以较少种群进行遗传变异,搜索范围广,难以陷入局部的极值等优点。
想更深入了解量子遗传算法,可以阅读以下两篇文章:
简单通过一幅图介绍量子遗传算法的特性,黄色个体上有当前最优值,黑色为某其他个体,迭代一次,黑色个体会旋转并向黄色个体靠近,量子遗传算法用旋转门取代了原有的交叉过程。个体自带两个函数值,寻优收敛速度更快,有旋转过程寻找最优,旋转公式中也有惯性公式,即随着迭代次数增加旋转幅度会降低,整体比较遗传算法,更不易陷入局部最优。
2 操作步骤
2.1 运用量子比特初始化父代染色体
在传统的二进制计算中,用|0》与|1》表示数值,它们即为比特。类似的,在量子计算的过程中,使用与表示量子的两种基本状态,称其为量子比特。量子比特的各种状态,用下式表示:
其中,α与β为一复数,称之为概率幅,且α与β满足
其等效于
量子状态又可表示为:
量子遗传算法将染色体上的基因用量子比特表示,从而增加种群多样性。随机生成m个染色体,每个染色体上的基因用量子比特表示,且初始化为。
2.2 在量子遗传算法中,染色体采用量子位的概率幅进行编码,编码方案如下:
Pi为第i个基因,为量子比特的相位,n为染色体数目,k为量子位的位数即解空间的维数,rand是[0,1]范围内的随机数。每个量子位为分上下两行,分别对应两个量子基本态的概率幅,满足归一化条件,因此每个个体包含上下两条文化基因链,每条基因链是优化问题的一个候选解。由此可知,量子遗传算法在种群规模不变的情况下,候选解个数比遗传算法多一倍,增加了解空间的多样性,提高了寻优成功的概率。
2.3 对初始化种群中的每一个个体进行测量。
随机生成一个数x∈[0,1],若
则测量值取1,否则取0。
2.4 对每个测量值进行适应度的评估,以适应度来选择最优个体,进行遗传变异。
2.5 使用量子旋转门进行下一代个体的更新,量子旋转门为逻辑门中一种较为常用的方法,具体表示为:
为量子旋转的角度,则量子比特的更新表示为:
2.6 进行迭代,y=y+1
2.7 达到终止设定条件,输出最佳个体,得到最优解。
3 流程图
4 量子遗传算法——Python实现
4.1 数据
4.2 代码
-- coding: utf-8 --
#导入包==
import numpy as np
from sklearn import svm #SVM是二分类器
from sklearn import cross_validation #交叉验证(Cross Validation)用来验证分类器的性能一种统计分析方法
import random
import math
import matplotlib.pyplot as plt
#=1.导入训练数据==
def load_data(data_file):
‘’’
input: data_file(string):训练数据所在文件
output: data(mat):训练样本的特征
label(mat):训练样本的标签
‘’’
data = []
label = []
f = open(data_file)
for line in f.readlines():
lines = line.strip().split(’ ')
#=提取得出label=
label.append(float(lines[0]))
#提取出特征,并将其放入到矩阵中=
index = 0
tmp = []
for i in range(1, len(lines)):
li = lines[i].strip().split(“:”)
if int(li[0]) - 1 == index:
tmp.append(float(li[1]))
else:
while(int(li[0]) - 1 > index):
tmp.append(0)
index += 1
tmp.append(float(li[1]))
index += 1
while len(tmp) < 13:
tmp.append(0)
data.append(tmp)
f.close()
return np.array(data), np.array(label).T
#=2. QGA算法===================
class QGA(object):
#2.1 类初始化==
‘’'定义QGA类
‘’’
def init(self,population_size,chromosome_num,chromosome_length,max_value,min_value,iter_num,deta):
‘’'初始化类参数
population_size(int):种群数
chromosome_num(int):染色体数,对应需要寻优的参数个数
chromosome_length(int):染色体长度
max_value(float):染色体十进制数值最大值
min_value(float):染色体十进制数值最小值
iter_num(int):迭代次数
deta(float):量子旋转角度
‘’’
self.population_size = population_size
self.chromosome_num = chromosome_num
self.chromosome_length = chromosome_length
self.max_value = max_value
self.min_value = min_value
self.iter_num = iter_num
self.deta = deta
#2.2 种群的量子形式初始化===========
def species_origin_angle(self):
‘’'种群初始化
input:self(object):QGA类
output:population_Angle(list):种群的量子角度列表
population_Angle2(list):空的种群的量子角度列表,用于存储交叉后的量子角度列表
‘’’
population_Angle = []
for i in range(self.chromosome_num):
tmp1 = [] #存储每个染色体所有取值的量子角度
for j in range(self.population_size):
tmp2 = [] #存储量子角度
for m in range(self.chromosome_length):
a = np.pi * 2 * np.random.random()
tmp2.append(a)
tmp1.append(tmp2)
population_Angle.append(tmp1)
return population_Angle
#将初始化的量子角度序列转换为种群的量子系数列表
def population_Q(self,population_Angle):
‘’’
input:self(object):QGA类
population_Angle(list):种群的量子角度列表
output:population_Q(list):种群的量子系数列表
‘’’
population_Q = []
for i in range(len(population_Angle)):
tmp1 = [] #存储每个染色体所有取值的量子系数对
for j in range(len(population_Angle[i])):
tmp2 = [] #存储每个染色体的每个取值的量子对
tmp3 = [] #存储量子对的一半
tmp4 = [] #存储量子对的另一半
for m in range(len(population_Angle[i][j])):
a = population_Angle[i][j][m]
tmp3.append(np.sin(a))
tmp4.append(np.cos(a))
tmp2.append(tmp3)
tmp2.append(tmp4)
tmp1.append(tmp2)
population_Q.append(tmp1)
return population_Q
#2.3计算适应度函数值==========
def translation(self,population_Q):
‘’'将种群的量子列表转换为二进制列表
input:self(object):QGA类
population_Q(list):种群的量子列表
output:population_Binary:种群的二进制列表
‘’’
population_Binary = []
for i in range(len(population_Q)):
tmp1 = [] # 存储每个染色体所有取值的二进制形式
for j in range(len(population_Q[i])):
tmp2 = [] ##存储每个染色体每个取值的二进制形式
for l in range(len(population_Q[i][j][0])):
if np.square(population_Q[i][j][0][l]) > np.random.random():
tmp2.append(1)
else:
tmp2.append(0)
tmp1.append(tmp2)
population_Binary.append(tmp1)
return population_Binary
#=求适应度函数数值列表,本实验采用的适应度函数为RBF_SVM的3_fold交叉验证平均值=
def fitness(self,population_Binary):
‘’’
input:self(object):QGA类
population_Binary(list):种群的二进制列表
output:fitness_value(list):适应度函数值类表
parameters(list):对应寻优参数的列表
‘’’
#=(1)染色体的二进制表现形式转换为十进制并设置在[min_value,max_value]之间=
parameters = [] #存储所有参数的可能取值
for i in range(len(population_Binary)):
tmp1 = [] #存储一个参数的可能取值
for j in range(len(population_Binary[i])):
total = 0.0
for l in range(len(population_Binary[i][j])):
total += population_Binary[i][j][l] * math.pow(2,l) #计算二进制对应的十进制数值
value = (total * (self.max_value - self.min_value)) / math.pow(2,len(population_Binary[i][j])) + self.min_value ##将十进制数值坐落在[min_value,max_value]之间
tmp1.append(value)
parameters.append(tmp1)
#(2)适应度函数为RBF_SVM的3_fold交叉校验平均值=====
fitness_value = []
for l in range(len(parameters[0])):
rbf_svm = svm.SVC(kernel = ‘rbf’, C = parameters[0][l], gamma = parameters[1][l])
cv_scores = cross_validation.cross_val_score(rbf_svm,trainX,trainY,cv =3,scoring = ‘accuracy’)
fitness_value.append(cv_scores.mean())
#=(3)找到最优的适应度函数值和对应的参数二进制表现形式==
best_fitness = 0.0
best_parameter = []
best_parameter_Binary = []
for j in range(len(population_Binary)):
tmp2 = []
best_parameter_Binary.append(tmp2)
best_parameter.append(tmp2)
for i in range(len(population_Binary[0])):
if best_fitness < fitness_value[i]:
best_fitness = fitness_value[i]
for j in range(len(population_Binary)):
best_parameter_Binary[j] = population_Binary[j][i]
best_parameter[j] = parameters[j][i]
return parameters,fitness_value,best_parameter_Binary,best_fitness,best_parameter
#2.4 全干扰交叉===
def crossover(self,population_Angle):
‘’'对种群量子角度列表进行全干扰交叉
input:self(object):QGA类
population_Angle(list):种群的量子角度列表
‘’’
#=初始化一个空列表,全干扰交叉后的量子角度列表
population_Angle_crossover = []
for i in range(self.chromosome_num):
tmp11 = []
for j in range(self.population_size):
tmp21 = []
for m in range(self.chromosome_length):
tmp21.append(0.0)
tmp11.append(tmp21)
population_Angle_crossover.append(tmp11)
for i in range(len(population_Angle)):
for j in range(len(population_Angle[i])):
for m in range(len(population_Angle[i][j])):
ni = (j - m) % len(population_Angle[i])
population_Angle_crossover[i][j][m] = population_Angle[i][ni][m]
return population_Angle_crossover
#2.4 变异======
def mutation(self,population_Angle_crossover,population_Angle,best_parameter_Binary,best_fitness):
‘’'采用量子门变换矩阵进行量子变异
input:self(object):QGA类
population_Angle_crossover(list):全干扰交叉后的量子角度列表
output:population_Angle_mutation(list):变异后的量子角度列表
‘’’
#(1)求出交叉后的适应度函数值列表=====
population_Q_crossover = self.population_Q(population_Angle_crossover) ## 交叉后的种群量子系数列表
population_Binary_crossover = self.translation(population_Q_crossover) ## 交叉后的种群二进制数列表
parameters,fitness_crossover,best_parameter_Binary_crossover,best_fitness_crossover,best_parameter = self.fitness(population_Binary_crossover) ## 交叉后的适应度函数值列表
#(2)初始化每一个量子位的旋转角度==
Rotation_Angle = []
for i in range(len(population_Angle_crossover)):
tmp1 = []
for j in range(len(population_Angle_crossover[i])):
tmp2 = []
for m in range(len(population_Angle_crossover[i][j])):
tmp2.append(0.0)
tmp1.append(tmp2)
Rotation_Angle.append(tmp1)
deta = self.deta
#(3)求每个量子位的旋转角度====
for i in range(self.chromosome_num):
for j in range(self.population_size):
if fitness_crossover[j] <= best_fitness:
for m in range(self.chromosome_length):
s1 = 0
a1 = population_Q_crossover[i][j][0][m]
b1 = population_Q_crossover[i][j][1][m]
if population_Binary_crossover[i][j][m] == 0 and best_parameter_Binary[i][m] == 0 and a1 * b1 > 0:
s1 = -1
if population_Binary_crossover[i][j][m] == 0 and best_parameter_Binary[i][m] == 0 and a1 * b1 < 0:
s1 = 1
if population_Binary_crossover[i][j][m] == 0 and best_parameter_Binary[i][m] == 0 and a1 * b1 == 0:
s1 = 1
if population_Binary_crossover[i][j][m] == 0 and best_parameter_Binary[i][m] == 1 and a1 * b1 < 0:
s1 = -1
if population_Binary_crossover[i][j][m] == 0 and best_parameter_Binary[i][m] == 1 and a1 * b1 == 0:
s1 = 1
if population_Binary_crossover[i][j][m] == 1 and best_parameter_Binary[i][m] == 0 and a1 * b1 > 0:
s1 = -1
if population_Binary_crossover[i][j][m] == 1 and best_parameter_Binary[i][m] == 0 and a1 * b1 < 0:
s1 = 1
if population_Binary_crossover[i][j][m] == 1 and best_parameter_Binary[i][m] == 0 and a1 * b1 == 0:
s1 = -1
if population_Binary_crossover[i][j][m] == 1 and best_parameter_Binary[i][m] == 1 and a1 * b1 > 0:
s1 = 1
if population_Binary_crossover[i][j][m] == 1 and best_parameter_Binary[i][m] == 1 and a1 * b1 < 0:
s1 = -1
if population_Binary_crossover[i][j][m] == 1 and best_parameter_Binary[i][m] == 1 and a1 * b1 == 0:
s1 = 1
Rotation_Angle[i][j][m] = deta * s1
else:
for m in range(self.chromosome_length):
s2 = 0
a2 = population_Q_crossover[i][j][0][m]
b2 = population_Q_crossover[i][j][1][m]
if population_Binary_crossover[i][j][m] == 0 and best_parameter_Binary[i][m] == 0 and a2 * b2 > 0:
s2 = -1
if population_Binary_crossover[i][j][m] == 0 and best_parameter_Binary[i][m] == 0 and a2 * b2 < 0:
s2 = 1
if population_Binary_crossover[i][j][m] == 0 and best_parameter_Binary[i][m] == 0 and a2 * b2 == 0:
s2 = 1
if population_Binary_crossover[i][j][m] == 0 and best_parameter_Binary[i][m] == 1 and a2 * b2 > 0:
s2 = -1
if population_Binary_crossover[i][j][m] == 0 and best_parameter_Binary[i][m] == 1 and a2 * b2 < 0:
s2 = 1
if population_Binary_crossover[i][j][m] == 0 and best_parameter_Binary[i][m] == 1 and a2 * b2 == 0:
s2 = 1
if population_Binary_crossover[i][j][m] == 1 and best_parameter_Binary[i][m] == 0 and a2 * b2 > 0:
s2 = 1
if population_Binary_crossover[i][j][m] == 1 and best_parameter_Binary[i][m] == 0 and a2 * b2 < 0:
s2 = -1
if population_Binary_crossover[i][j][m] == 1 and best_parameter_Binary[i][m] == 0 and a2 * b2 == 0:
s2 = 1
if population_Binary_crossover[i][j][m] == 1 and best_parameter_Binary[i][m] == 1 and a2 * b2 > 0:
s2 = 1
if population_Binary_crossover[i][j][m] == 1 and best_parameter_Binary[i][m] == 1 and a2 * b2 < 0:
s2 = -1
if population_Binary_crossover[i][j][m] == 1 and best_parameter_Binary[i][m] == 1 and a2 * b2 == 0:
s2 = 1
Rotation_Angle[i][j][m] = deta * s2
#=(4)根据每个量子位的旋转角度,生成种群新的量子角度列表=========
for i in range(self.chromosome_num):
for j in range(self.population_size):
for m in range(self.chromosome_length):
population_Angle[i][j][m] = population_Angle[i][j][m] + Rotation_Angle[i][j][m]
return population_Angle
#2.5 画出适应度函数值变化图
def plot(self,results):
‘’’
画图
最后
🍅 硬核资料:关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助:技术群大佬指点迷津,你的问题可能不是问题,求资源在群里喊一声。
🍅 面试题库:由技术群里的小伙伴们共同投稿,热乎的大厂面试真题,持续更新中。
🍅 知识体系:含编程语言、算法、大数据生态圈组件(Mysql、Hive、Spark、Flink)、数据仓库、Python、前端等等。
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!