新手从零敲代码：遗传算法由简到繁（一）

简化遗传算法：
模拟物竞天择的生物进化过程，通过维护一个潜在解的群体执行了多方向的搜索，并支持这些方向上的信息构成和交换。以面为单位的搜索，比以点为单位的搜索，更能发现全局最优解。

• **1.***这里我们的思想是不考虑基因变异。
• **2.***只考虑遗传问题，并且用浮点型遗传。
• **3.***我用了周期性来替代遗传变异问题。
• 代码如下：
• from random import uniform
  import matplotlib.pyplot as plt
  import numpy as np
  import ga_fun
  import time
  n=int(100) #输入第一代数目
  sdow=-1
  stop=2
  dets=abs(stop-sdow)
  sample=list()
  for i in range(n):
  sample.append(uniform(sdow,stop)) #这里我们随机产生了100个生物

上面是产生的结果，函数用的就是：
def fun(x):
y=xnp.sin(103.1415926*x)
return y

这里面我做了简化，一次只杀死最靠后的两个排名，然后再随机生两个新的样本：

def fitness(fix,sdow,stop):
    detl=abs(stop-sdow)
    #kill
    for i in range(2):
        n_ki,c_ki=np.where(fix==np.min(fix[:,1]))
        #print(n_ki[0])
        fix=np.delete(fix,n_ki[0],axis=0)
    fixlist=[0,0]
    rd=[]
    ge=np.array([0.0,0.0,0.0,0.0])
    #select
    total=0
    for i in range(len(fix[:,1])):
        total+=abs(fix[i,1])
        fixlist=np.append(fixlist,total)
    for i in range(4):
        #print(fixlist[1],fixlist[-1])
        rd.append(random.uniform(fixlist[1],fixlist[-1]))
        
    for i in range(len(fix[:,0])):
        for j in range(4):
            if fixlist[i]<rd[j]<fixlist[i+1]:
                ge[j]=fix[i,0]
    
                
    detge1=((ge[0]-ge[1])/2)
    avege1=(ge[0]+ge[1])/2+random.uniform(-detge1,detge1)
    detge2=((ge[2]-ge[3])/2)
    avege2=(ge[2]+ge[3])/2+random.uniform(-detge2,detge2)
    #这里用了一下周期性边界条件，这样繁殖出来的样本才容易到边界
    if avege1<sdow:
        avege1=avege1+detl
    if avege1>stop:
        avege1=avege1-detl
    if avege2<sdow:
        avege2=avege2+detl
    if avege1>stop:
        avege2=avege2-detl
    newfix=fix
    bf=[[avege1,fun(avege1)],[avege2,fun(avege2)]]
    newfix=np.vstack((newfix,bf))
    
    return newfix

刚开始写的时候没有用周期性边界条件，直接取两者的中间值为下一代，就导致了收敛老是在中间。

后来改进了一下周期性边界条件，让函数可以到边界值了。

当然了我的繁殖速度比较慢，所以收敛也比较慢。

代码初学者，风格不是很好，以后还会继续学习。