Python实现基因遗传算法

最新推荐文章于 2024-09-15 22:31:42 发布

闲人编程

最新推荐文章于 2024-09-15 22:31:42 发布

阅读量1k

点赞数 34

分类专栏： python 文章标签： python 开发语言基因遗传算法

本文链接：https://blog.csdn.net/qq_42568323/article/details/141173569

版权

python 专栏收录该内容

54 篇文章 0 订阅

订阅专栏

基因遗传算法简介

基因遗传算法（Genetic Algorithm, GA）是一种基于自然选择和遗传学原理的优化算法，适用于求解复杂的组合优化问题。它通过模拟生物进化过程，如选择、交叉、变异等，逐步优化种群中的个体，最终逼近全局最优解。

基因遗传算法的基本步骤

初始化种群：
- 随机生成一组个体（解），每个个体通常用编码表示，如二进制串。
评估适应度：
- 计算每个个体的适应度（即目标函数值），适应度表示个体的优劣程度。
选择：
- 根据适应度选择优良个体进入下一代，常用的选择方法包括轮盘赌选择、锦标赛选择等。
交叉（交配）：
- 选择两个个体，通过交叉操作生成新的个体（子代）。交叉操作模拟了生物遗传中的基因重组。
变异：
- 以较小的概率对个体的基因进行变异，确保种群的多样性，避免陷入局部最优。
更新种群：
- 用新生成的个体替换旧个体，形成新一代种群。
迭代：
- 重复步骤2至步骤6，直到满足终止条件（如达到最大代数或个体适应度不再提高）。
输出结果：
- 返回适应度最高的个体，即最优解。

Python实现基因遗传算法

我们将通过Python实现一个简单的基因遗传算法，并用它来求解一个优化问题。

场景：优化二次函数

假设我们要最大化以下目标函数：
[ f(x) = x^2 ]
其中，x在区间[0, 31]内取值。我们可以使用基因遗传算法来找到使该函数值最大的x。

Python代码实现

import random

# 定义目标函数
def objective_function(x):
    return x ** 2

# 二进制串解码
def decode(bitstring, bounds, n_bits):
    decoded = int(''.join([str(s) for s in bitstring]), 2)
    return bounds[0] + decoded * (bounds[1] - bounds[0]) / (2**n_bits - 1)

# 初始化种群
def generate_population(size, n_bits):
    population = [random.choices([0, 1], k=n_bits) for _ in range(size)]
    return population

# 选择父代（轮盘赌选择）
def selection(population, scores, k=3):
    selected = random.choices(population, weights=scores, k=k)
    return max(selected, key=lambda ind: scores[population.index(ind)])

# 交叉操作（单点交叉）
def crossover(parent1, parent2, crossover_rate):
    if random.random() < crossover_rate:
        point = random.randint(1, len(parent1) - 1)
        child1 = parent1[:point] + parent2[point:]
        child2 = parent2[:point] + parent1[point:]
        return [child1, child2]
    return [parent1, parent2]

# 变异操作
def mutation(bitstring, mutation_rate):
    for i in range(len(bitstring)):
        if random.random() < mutation_rate:
            bitstring[i] = 1 - bitstring[i]

# 遗传算法主循环
def genetic_algorithm(objective_function, bounds, n_bits, n_iter, population_size, crossover_rate, mutation_rate):
    population = generate_population(population_size, n_bits)
    best, best_eval = population[0], objective_function(decode(population[0], bounds, n_bits))

    for gen in range(n_iter):
        decoded = [decode(ind, bounds, n_bits) for ind in population]
        scores = [objective_function(ind) for ind in decoded]

        for i in range(population_size):
            if scores[i] > best_eval:
                best, best_eval = population[i], scores[i]
        
        selected = [selection(population, scores) for _ in range(population_size)]
        children = []
        for i in range(0, population_size, 2):
            parent1, parent2 = selected[i], selected[i+1]
            for child in crossover(parent1, parent2, crossover_rate):
                mutation(child, mutation_rate)
                children.append(child)

        population = children

    return decode(best, bounds, n_bits), best_eval

# 参数设置
bounds = [0, 31]
n_bits = 5
n_iter = 100
population_size = 10
crossover_rate = 0.9
mutation_rate = 0.01

# 运行遗传算法
best_solution, best_value = genetic_algorithm(objective_function, bounds, n_bits, n_iter, population_size, crossover_rate, mutation_rate)
print(f"最优解: x = {best_solution}, 最大值: f(x) = {best_value}")