人工智能 遗传算法

人工智能 遗传算法

题目
用遗传算法求解函数
20 + (x ^ 2) + (y ^ 2) - 10 * (cos(2 * π * x) + cos(2 * π * y)) (-5 < x, y <5)
的最小值

思路

分析问题，确定了至少需要两个类，即种群（Group）与个体（Individual）。同时为了稍微提高一点泛用性，还增加了一个函数（Function）类存放要求解的函数的相关信息。

class Group:
    def __init__(self, group_size, mutation_rate, crossover_rate, dna_length, function):
        '''
        构造函数
        :param group_size: 种群大小
        :param mutation_rate: 变异率
        :param crossover_rate: 交叉率
        :param dna_length: DNA序列长度，即基因长度
        :param function: 要求解的函数
        '''
        self.group_size = group_size
        self.mutation_rate = mutation_rate
        self.crossover_rate = crossover_rate
        self.function = function
        self.individuals = []  # 所有个体
        self.best_individual = None  # 最优个体
        self.dna_length = dna_length
        self.init_group()

class Individual:
    def __init__(self, gene):
        '''
        构造函数
        :param gene: 基因序列
        '''
        self.gene = gene
        self.fit = 0  # 适应度

class Function:
    def __init__(self, function, max_variable, min_variable, find_min=True):
        '''
        构造函数
        :param function: 要求解的函数
        :param max_variable: 函数自变量的最大值
        :param min_variable: 函数自变量的最小值
        :param find_min: 求最小值，默认为True，False即为求最大值
        '''
        self.function = function
        self.max_variable = max_variable
        self.min_variable = min_variable
        self.find_min = find_min

首先需要构造一个种群，在构造函数为各种变量赋初值，然后进行初始化种群操作，即为种群中的所有个体创建基因序列

    def generate_gene(self):
        '''
        生成一个基因序列
        :return: 返回一个由0，1组成的序列
        '''
        gene = []
        for i in range(self.dna_length):
            gene.append(random.randint(0, 1))
        return gene

    def init_group(self):
        '''
        初始化种群的所有个体
        '''
        for i in range(self.group_size):
            self.individuals.append(Individual.Individual(self.generate_gene()))

然后就要开始繁衍获得下一代
获得下一代需要经过以下两个步骤

1. 产生孩子
   种群中的每一个个体与种群中的另一个随机个体繁衍获得孩子。暂时先默认孩子接收父亲的基因。但是繁殖过程中孩子的基因可能发生交叉和变异。
   交叉：从孩子的基因的一个随机位置开始，该位置后的基因变为母亲在同样位置之后的基因
   变异：孩子的基因的某个随机位置取反

    def crossover(self, father, mother):
        '''
        交叉
        :param father: 父亲
        :param mother: 母亲
        :return: 孩子
        '''
        gene = [i for i in father.gene]  # 首先默认孩子接收父亲的基因
        child = Individual.Individual(gene)  # 直接传入father.gene会导致更改child的基因时father的基因也会修改，种群基因变得不稳定
        if self.crossover_rate > random.random():  # 判断是否发生交叉
            cross_point = random.randint(1, self.dna_length - 1)  # 交叉发生的位置
            child.gene[cross_point:] = mother.gene[cross_point:]  # 交叉位置后的基因变为母亲的基因
        return child

    def muter(self, individual):
        '''
        变异
        :param individual: 可能变异的个体
        :return: 变异之后的个体或原个体
        '''
        if self.mutation_rate > random.random():  # 判断是否变异
            index = random.randint(0, self.dna_length - 1)  # 变异的位置
            individual.gene[index] = 1 - individual.gene[index]  # 取反
        return individual

    def get_child(self, father, mother):
        '''
        产生一个孩子
        :param father: 父亲
        :param mother: 母亲
        :return: 孩子
        '''
        child = self.crossover(father, mother)
        child = self.muter(child)
        return child

2. 自然选择
   此时的个体数已经变为原本的两倍，接下来要进行选择。选择适应度较高的一半个体存活。
   首先计算所有个体的适应度
   个体的适应度用函数的计算结果表示，但个体的基因是0，1组成的序列，无法直接带入到函数的自变量中求解，所以需要先把个体的基因转换