［机器学习］遗传算法详解－GA Python实现

目录

遗传算法回顾

 

---

遗传算法回顾

 　　1.遗传算法概述

　　遗传算法(Genetic Algorithm)是基于模拟达尔文生物进化论的自然选择和遗传学机理的生物过程计算模型，是一种通过模拟自然进化过程在样本空间搜索最优解的方法. 

　　在这里给出几个觉得很不错的几篇介绍遗传算法有史以来最容易理解的遗传算法，莫凡进化算法，遗传算法的python实现，遗传算法详解

　　遗传算法关键词：基因编码　自然选择　遗传变异

　　2.遗传算法实现

在写代码前，先明确我们程序完成后的解决目标：能够快速寻找函数的最优解，留出函数接口用来解决拥有不同自变量的函数最优解求取．

①导入需要用到的库函数

#可以用来计算算法运行时间
import datetime
#用来绘图的神奇库
import matplotlib.pyplot as plt
from matplotlib import cm
from mpl_toolkits.mplot3d import Axes3D
#数据运算，操作库
import numpy as np

②先写出大致框架

class Ga_method():
    def __init__(self,DNA_Size=32,Pop_size=200,
                 Crossover_rate=0.8,mutation_rate=0.005,
                 N_genrations=50,f,**kwargs):
    pass
#基因解码　　二进制->十进制
    def translateDNA(self,pop): 
    pass
#得到适应度
    def get_fitness(self,pop):#适应度函数
    pass
#交叉和变异
    def crossover_and_mutation(self,pop):
    pass
#变异
    def mutate(self,child): 
    pass
#选择
    def select(self,pop,fitness):
    pass
#打印算法的相关信息
    def print_info(self,pop):
    pass
#画出动态图   
    def plot_