已经调通,并有大量注释
# encoding=utf-8
import math
import random
import operator
class GA():
def __init__(self, length, count):
# 染色体长度
self.length = length
# 种群中的染色体数量
self.count = count
# 随机生成初始种群
self.population = self.gen_population(length, count)
def evolve(self, retain_rate=0.2, random_select_rate=0.5, mutation_rate=0.01):
"""
进化
对当前一代种群依次进行选择、交叉并生成新一代种群,然后对新一代种群进行变异
"""
parents = self.selection(retain_rate, random_select_rate)
self.crossover(parents)
self.mutation(mutation_rate)
def gen_chromosome(self, length):
"""
随机生成长度为length的染色体,每个基因的取值是0或1
这里用一个bit表示一个基因
"""
chromosome = 0
for i in xrange(length):
# 终于明白了 这里的或是整个二进制比对的或|,比如10和1或下来的结果是11, 1001和101或的结果是1101,所以此处是个不断随机或出来的长度
chromosome |= (1 << i) * random.randint(0, 1) # 这里每次左移, 随机生成一个0或者1的数字,这样不断左移生成给定长度的二进制染色体
print '{0:b}'.format(chromosome)
return chromosome
def gen_population(self, length, count):
"""
获取初始种群(一个含有count个长度为length的染色体的列表)
"""
return [self.gen_chromosome(length) for i in xrange(count)]
def fitness(self, chromosome):
"""
计算适应度,将染色体解码为0~9之间数字,代入函数计算
因为是求最大值,所以数值越大,适应度越高
"""
x = self.decode(chromosome) # 对于一个基因,代入二进制值进行解码,然后使用适应函数求出适应值
return x + 10 * math.sin(5 * x) + 7 * math.cos(4 * x)
def selection(self, retain_rate, random_select_rate):
"""
选择
先对适应度从大到小排序,选出存活的染色体
再进行随机选择,选出适应度虽然小,但是幸存下来的个体
"""
# 对适应度从大到小进行排序
graded = [(self.fitness(chromosome), chromosome) for chromosome in self.population] # 求出所有染色体的适应值列表
graded = [x[1] for x in sorted(graded, reverse=True)] # 从小到大排序,形成新列表
# 选出适应性强的染色体
retain_length = int(len(graded) * retain_rate) # 根据比例值 找到前。个适应性强的染色体 作为下一代的父母亲
parents = graded[:retain_length]
# 选出适应性不强,但是幸存的染色体 从后面中 随机选取一比例 也放到父母亲中
for chromosome in graded[retain_length:]:
if random.random() < random_select_rate:
parents.append(chromosome)
return parents
def crossover(self, parents):
"""
染色体的交叉、繁殖,生成新一代的种群
"""
# 新出生的孩子,最终会被加入存活下来的父母之中,形成新一代的种群。
children = []
# 需要繁殖的孩子的量 差值,就是要交叉生成的目标数
target_count = len(self.population) - len(parents)
# 开始根据需要的量进行繁殖
while len(children) < target_count:
male = random.randint(0, len(parents) - 1)
female = random.randint(0, len(parents) - 1)
if male != female: # 父母亲序号不能相同
# 随机选取交叉点
cross_pos = random.randint(0, self.length)
# 生成掩码,方便位操作
mask = 0
for i in xrange(cross_pos):
mask |= (1 << i)
male = parents[male]
female = parents[female]
# 孩子将获得父亲在交叉点前的基因和母亲在交叉点后(包括交叉点)的基因
child = ((male & mask) | (female & ~mask)) & ((1 << self.length) - 1)
children.append(child)
# 经过繁殖后,孩子和父母的数量与原始种群数量相等,在这里可以更新种群。
self.population = parents + children
def mutation(self, rate):
"""
变异
对种群中的所有个体,随机改变某个个体中的某个基因
"""
for i in xrange(len(self.population)):
if random.random() < rate:
j = random.randint(0, self.length - 1)
self.population[i] ^= 1 << j
def decode(self, chromosome):
"""
解码染色体,将二进制转化为属于[0, 9]的实数
"""
return chromosome * 9.0 / (2 ** self.length - 1)
def result(self):
"""
获得当前代的最优值,这里取的是函数取最大值时x的值。
"""
graded = [(self.fitness(chromosome), chromosome) for chromosome in self.population]
graded = [x[1] for x in sorted(graded, reverse=True)]
return ga.decode(graded[0])
if __name__ == '__main__':
# 染色体长度为17, 种群数量为300
ga = GA(17, 20)
# 200次进化迭代
for x in xrange(500):
ga.evolve()
print ga.result()