遗传算法超详细图解

       遗传算法（Genetic Algorithm）顾名思义，是一种基于自然选择原理和自然遗传机制的启发式搜索算法。该算法通过模拟自然界中生物遗传进化的自然机制（选择、交叉和变异操作），将好的遗传基因（最优目标）不断遗传给子代，使得后代产生最优解的概率增加（后代还是会有一些差的结果）。它的整个算法流程如下：

1. 首先根据具体问题确定可行解域和编码方式，用数值串或字符串的形式表示可行解域中的每一个可行解；
2. 构建适应度函数度量每一解，该函数为非负函数；
3. 确定种群的大小、选择、交叉和变异的方式、交叉和变异的概率，判断终止条件（可以是某一阈值或者是指定进化的代数）。

在这个过程当中，交叉操作是优化的主要操作，而变异操作可以看成对种群的扰动。根据具体的问题我们构建适应度函数，并优化极值（可以是求最大值，也可以求最小值）。

名词解析

生物遗传概念在遗传算法中的对应关系如下：

生物遗传概念	遗传算法中的作用
适者生存	算法停止时，最优目标值的解大概率被找到
个体	每个可行解
染色体	对每个可行解的编码
基因	可行解中的每个组成部分
适应性	适应度函数的函数值
种群	可行解域，根据适应度函数选择的一组解
选择	保留适应度函数的函数值优的解
交叉	将两个可行解内的组分随机交叉，产生新解
变异	随机变异可行解中的某些组分

 

算法步骤

我们还是以一个简单的例子来讲解整个算法的流程。比如，我们需要寻找函数y=x12+x22+x33+x44在[1,30]之间的最大值。我们很容易就知道，当x1=x2=x3=x4=30时，该函数能取到最大值。

首先我们构建一个叫Gene的类：

1 2 3 4

class Gene:     def __init__(self, **data):         self.__dict__.update(data)         self.size = len(data['data'])  # length of gene

这个类只有一个初始化方法，该方法就是获得基因里面的内容和大小，在这个例子中，内容就是[1,30]之间的任意4个数字组成的列表。

接着构建一个叫GA的类，这个类包括算法的所有操作方法：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

class GA:     def __init__(self, parameter):         pass     def evaluate(self, geneinfo):         pass     def selectBest(self, pop):         pass     def selection(self, individuals, k):         pass     def crossoperate(self, offspring):         pass     def mutation(self, crossoff, bound):         pass     def GA_main(self):         pass

使用__init__()方法初始化参数，包括自变量可取的最大值，最小值，种群大小，交叉率，变异率和繁殖代数；使用evaluate()方法作为适应度函数评估该个体的函数值，在这里就是函数y的值；使用selectBest()方法挑选出当前代种群中的最好个体作为历史记录；使用selection()方法按照概率从上一代种群中选择个体，直至形成新的一代；使用crossoperate()方法实现交叉操作；使用mutation()方法实现变异操作；使用GA_main()方法实现整个算法的循环。

接下来我们会一一对其进行解析。

__init__()方法

__init__()方法的代码如下：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

def __init__(self, parameter):     # parameter = [CXPB, MUTPB, NGEN, popsize, low, up]     self.parameter = parameter     low = self.parameter[4]     up = self.parameter[5]     self.bound = []     self.bound.append(low)     self.bound.append(up)     pop = []     for i in range(self.parameter[3]):         geneinfo = []         for pos in range(len(low)):             geneinfo.append(random.randint(self.bound[0][pos], self.bound[1][pos]))  # initialise popluation         fitness = self.evaluate(geneinfo)  # evaluate each chromosome         pop.append({'Gene': Gene(data=geneinfo), 'fitness': fitness})  # store the chromosome and its fitness     self.pop = pop     self.bestindividual = self.selectBest(self.pop)  # store the best chromosome in the population

初始化方法接受传入的参数，包括最大值，最小值，种群大小，交叉率，变异率和繁殖代数。通过这些参数随机产生一个种群的列表pop作为首代种群，里面的每一条染色体是一个字典，该字典有两个内容，分别是包含基因的Gene类和适应度函数值fitness。

evaluate()方法

在初始化方法中，要用到适应度函数计算函数值，它的定义如下：

1 2 3 4 5 6 7

def evaluate(self, geneinfo):     x1 = geneinfo[0]     x2 = geneinfo[1]     x3 = geneinfo[2]     x4 = geneinfo[3]     y = x1**2 + x2**2 + x3**3 + x4**4     return y

selectBest()方法

在初始化方法中，需要先将首代中最好的个体保留作为记录&