遗传算法解决背包问题（python）

01背包问题

1.问题重述

给定n个物品，价值分别是：v1,v2,…,vn,重量分别是：w1,w2,…,wn。在物品不可分割的情况下，挑选物品放入承重为W的背包，使得背包内物品的价值最大，且背包内物品的总重量小于W.

2.解决方案

本问题可用多种方法解决，这里采用遗传算法来求解，以下是遗传算法的流程图：

要采用遗传算法，则首先确定以下几个要素：染色体的编码方法、适值函数、染色体交叉和变异采用的方案、选择策略

2.1 染色体的编码方法

基因编码的方法都有：二进制、整数编码、顺序编码、 实数编码等
对于01背包问题，由于每一个物体都有选或者不选两种情况，即可以用0、1来表示选择或是没有选择。故可使用二进制的编码方法来对染色体编码，且染色体长度为物体个数。

def initPopulation(self):
    """初始化种群"""
    self.lives = []
    for i in range(self.lifeCount):
        gene = [random.randint(0,1) for x in range(self.geneLenght)] # 初始化染色体
        life = Life(gene) # 生成个体
        self.lives.append(life) # 扩展种群

2.2 适值函数的选择

在确定适值函数时，首先要确定是求最小值优化问题还是求最大值优化问题，当求最大值优化问题时，可直接将目标函数当做适值函数，求最小值优化问题时，通过变换将其变为求最大值优化问题。
确定目标函数时，要先确定求解目标以及约束条件。此问题的目标是求一个X=(x1,x2…xn)(xi为0或1)，从而使得V(总价值)最大，而约束条件则是W(背包承重)。以下为我的目标函数：

$$f(x)=\sum _{i=1}^n{x}_i\ast v_i\sum _{i=1}^n{x}_i\ast w_i⩽W$$$$f(x)=\frac{{\sum }_{i=1}^n{x}_i\ast v_i}{{\sum }_{i=1}^n{x}_i\ast w_i+1-W}\sum _{i=1}^n{x}_i\ast w_i>W$$为了让物体尽可能装满背包，故又加入了罚值函数：
$$P(x)=1-\frac{|{\sum }_{i=1}^n{x}_i\ast w_i-W|}{\delta }$$其中
δ = m a x { W , ∣ ∑ i = 1 ∗ w i − W ∣ } δ=max\{W,\lvert\sum_{i=1}^*w_i-W\rvert\} δ=max{W,∣i=1∑∗​wi​−W∣}从中不难看出，当总重越接近W时，p(x)越接近1。
最终，适值函数确定为：
$$F(x)=f(x)\ast P(x)$$代码如下：

def matchFun(self):
    """适值函数"""
    Max = max(self.allGoods, abs(sum(self.goods[i][0] for i in range(len(self.goods))) - self.allGoods))

    return lambda life: self.price(life.gene)[1]/(self.price(life.gene)[0]+1-self.allGoods)*\
                        (1-abs(self.price(life.gene)[0]-self.allGoods)/Max) \
        if self.price(life.gene)[0]>self.allGoods \
        else self.price(life.gene)[1]*(1-abs(self.price(life.gene)[0]-self.allGoods)/Max)

此函数的返回值为一个由lambda定义的函数，这样可以将它作为形参传递到其他类中调用，有点类似于C++中的函数指针。

2.3 交叉

此处采取的交叉策略是随机从其他染色体上截取一段基因，与原染色体上的此段基因片段交换，来得到新染色体

def cross(self, parent1, parent2):
    """交叉"""
    index1 = random.randint(0, self.geneLenght - 1)
    index2 = random.randint(index1, self.geneLenght - 1)
    newGene = []

    newGene.extend(parent1.gene[:index1])
    newGene.extend(parent2.gene[index1:index2])
    newGene.extend(parent1.gene[index2:])

    self.crossCount += 1
    return newGene      # 返回交叉后的parent1.gene

2.4 变异

此处采取的变异策略是随机改变染色体中一处基因的值（有一定概率此染色体会继续变异，故此处用了递归）

def mutation(self, gene):
    """突变,两个基因互换位置"""
    index1 = random.randint(0, self.geneLenght - 1)

    newGene = gene[:]       # 产生一个新的基因序列，以免变异的时候影响父种群
    newGene[index1] = (newGene[index1]+1)%2
    if random.random() < self.mutationRate:
        self.mutation(newGene)
    self.mutationCount += 1
    return newGene

3. 源码

源码见 https://github.com/cao-ge/Heuristic_Algorithm