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
)
=
∑
i
=
1
n
x
i
∗
v
i
∑
i
=
1
n
x
i
∗
w
i
⩽
W
f(x)=\sum_{i=1}^n x_i*v_i \ \ \ \ \ \ \ \ \ \ \ \ \sum_{i=1}^n x_i*w_i\leqslant W
f(x)=i=1∑nxi∗vi i=1∑nxi∗wi⩽W
f
(
x
)
=
∑
i
=
1
n
x
i
∗
v
i
∑
i
=
1
n
x
i
∗
w
i
+
1
−
W
∑
i
=
1
n
x
i
∗
w
i
>
W
f(x)=\frac{\sum_{i=1}^n x_i*v_i} {\sum_{i=1}^n x_i*w_i+1-W} \ \ \ \ \ \ \ \ \ \ \ \ \sum_{i=1}^n x_i*w_i>W
f(x)=∑i=1nxi∗wi+1−W∑i=1nxi∗vi i=1∑nxi∗wi>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
−
∣
∑
i
=
1
n
x
i
∗
w
i
−
W
∣
δ
P(x)=1-\frac{\lvert\sum_{i=1}^n x_i*w_i-W\rvert} δ
P(x)=1−δ∣∑i=1nxi∗wi−W∣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
)
∗
P
(
x
)
F(x)=f(x)*P(x)
F(x)=f(x)∗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