遗传算法【1】

历时n天的第一个程序终于结束了！虽然是仿照同学的写的，不过前前后后时间算起来三四周有好几整天都在这道题上。现在终于跑出结果，还是有很多收获的。给自己一个大拇指?【黄老师说了，搞科研要沉下来】

1. python的一些基本用法熟悉了
2. GA的基本思想也熟悉了

Q：代码完成后存在的问题就是收敛速度过快，而且无论进化多少代都找不到最优解。
A：需要考虑到参数选择问题，种群的规模N，交叉概率Pc，变异概率Pm，算法终止条件（进化代数）。

1. N取值较小，可以提高运算速度，但是影响了种群的多样性，容易引起算法早熟。【对，我初始化是10忘记改了，结果收敛的特别快】
   N取值较大，提高算法搜索能力，增加算法计算量，降低算法效率。
   一般，20~100
2. 交叉概率Pc，决定了进化过程中种群参与交叉的个体数目。
   Pc较小时发现新个体的速度太慢，Pc较大又会使搜索随机性太大。
   一般，0.4~0.99。自适应的交叉概率最理想。
3. 变异概率Pm，增加种群的多样性。
   Pm较大，算法跳跃性太大；Pm较小，使算法聚焦于特别区域作局部搜索。
   一般，0.4~1.0【不使用交叉算子的话】；否则，0.0001~0.5。自适应的变异概率最理想。
4. 终止条件，事先指定代数，可以在给定时限内找到相对满意解，但不一定找得到最优解。
   可以根据很长时间内最优解没有变化来终止算法。

以下是详细的题目要求、解答步骤以及代码：

"""
题目：
    max f(x1,x2) = 21.5 + x1 sin(4 PI x1) + x2 sin(20 PI x2)
    s.t.
    x1∈[-3.0, 12.1]
    x2∈[4.1, 5.8]
    E = 10^-4
解决：遗传算法
    1. 初始化种群:计算基因位数，生成初始个体，确定种群规模N，生成初始种群P，设置代数t=0
        二进制编码长度计算公式：(b - a) / 10^α + 1 ≤2^m
        math.log(num,base) base：默认为e; ceil 向上取整，floor 向下取整
        随机数生成方法：
            random.randint(a,b[,c]) : [a,b]的随机整数,c是步幅
            np.random.randint(a,b) : [a,b)前闭后开 (low=?,high=?,size=?,dtype=) size需要是整数或tuple,表示几行几列
            random.uniform(a,b)
    2. 计算个体适应度值，需要解码:y = a + (b - a)*x/(2^m-1),再代入f(x1,x2)中
    3. 轮盘赌选择，需要求出个体适应度比例p,再求出累计适应度区间q,随机生成N个(0,1)之间的数，得到所选择的个体编号
    4. 交叉，需要交叉算子pc，随机生成N/2个(0,1)之间的数，小于等于pc就交叉；
        父代个体通过两点交叉，生成两个(0，31)随机数作为交叉点，交换中间的gene得到两个子代个体
    5. 变异，对交叉产生的m个后代，随机生成m*33个(0,1)的随机数，判断变异位置进行变异
    6. 计算后代的适应度值，从generation∪offspring1∪offspring2中选N个，选出E个最好的直接保留到下一代，再从剩余中选出N-E个轮盘赌-->得到next_generation
"""
import math
import random
import heapq
import time
import matplotlib.pyplot as plt

start = time.time()

# ----------------------------初始化定义变量-------------------------
x1_left = -3.0  # x1，x2变量的范围
x1_right = 12.1
x2_left = 4.1
x2_right = 5.8
precision = 10 ** -4  # 精度要求
pc = 0.6  # 交叉概率
pm = 0.01  # 变异概率
N = 100  # 种群规模
T = 100  # 种群代数
E = int(N / 5)  # 精英保留数
ax = []	# plt的横坐标
ay = [] # plt的纵坐标


# -----------------------------计算编码位数---------------------------
def count_code_gene():
    x1_len = math.ceil(math.log((x1_right - x1_left) / precision + 1, 2))  # 18
    x2_len = math.ceil(math.log((x2_right - x2_left) / precision + 1, 2))  # 15
    # print(x1_len, x2_len)
    gene_length = x1_len + x2_len
    return x1_len, x2_len, gene_length


# ---------生成随机个体，编码[input:编码位数，output:个体gene]--------
def create_random_individual():
    gene_str = ''
    for i in range(gene_length):
        gene_str += str(random.randint(0, 1))
    # print(isinstance(gene_str,str))
    return gene_str


# ------初始化种群;input:种群规模，gene个数，output:初始种群-----------
def init_generation(population_size):
    next_generation = []
    for i in range(population_size):
        next_generation.append(create_random_individual())
    # print('初始化种群：', next_generation)
    return next_generation


# ----个体解码,input:个体和两变量长度，output:解码后的两个变量值--------
def decode(gene_str):
    x1 = int(gene_str[:x1_len],