遗传算法
一、介绍
遗传算法是用于解决最优化问题的一种搜索算法。遗传算法借用了生物学里达尔文的进化理论：“适者生存，优胜劣汰”，将该理论以算法的形式表现出来就是遗传算法的过程。
二、基本原理
1）程序流程
遗传算法是通过大量备选解的变换、迭代和变异，在解空间中并行动态地进行全局搜索的最优化方法，是模拟生物基因遗传的做法，算法的基本原理通过编码组成的群体组成初始群体后，遗传操作的任务就算对群体的个体按照他们对环境适应度（适应度）评估，施加了一定的操作之后从而实现优胜劣汰的进化过程，算法的基本程序框图：
2）物竞天择
我们可以假设有一个种群，这个种群存在的目标是帮我寻找一个函数F（x）的极值（可能是max or min），首先我们随机生成一组种群，假设我对变量x的取值范围为【0，8】，这是我们的变量域，因为我们要玩一些不一样的操作，先跟着我，后面你会恍然大悟！我们会有一个二进制域【0，2^8】,我们的二进制域对应的就是我们的变量域，我们将数字8看成8位的二进制数，可以得到2的八次方为：256，但因为我们在二进制当中我们是从0开始的，0-255，有256个数,我们的八位二进制数最多只能取到255,取不到256。
"二进制" 0 0 0 0 0 0 0 0
"二进制数 x-> " 1 1 1 1 1 1 1 1
"x转化为十进制" 1*2^0 + 1*2^1 + 1*2^2 + 1*2^3 + 1*2^4 + 1*2^5 + 1*2^6 + 1*2^7 = 255
因为我们实数x的范围只有【0，8】，我们将二进制转化为十进制之后，还有求解二进制域到变量域值，二进制域到变量域之间的映射关系为：
"变量域x_" x_ = x*8/2^8
如此，我们将我们的8看作是染色体的长度，这样我们就可以做一些基因重组和基因变异的操作了！！！，我们先来一组基因重组图：
是不是很熟悉，这个不就是高中生物的杂交实验吗？如果我们把DD和dd看成我们染色体的0和1呢？我们再形象一点
# 定义我们的染色体
x1 = [0 1 0 0 1 0 0 1]
x2 = [1 1 0 1 0 0 0 1]
#OK 我们现在有两个种群了（抽象一点）
# 第一个种群 x1 的染色体为 0 1 0 0 1 0 0 1
# 第一个种群 x2 的染色体为 1 1 0 1 0 0 0 1
#我们尝试做一下杂交实验？学一学孟德尔的八年抗战
"第一代:" 0 1 0 0 1 0 0 1 * 1 1 0 1 0 0 0 1
| |
v v
"配子:" [0 1 0 0] [1 0 0 1 ] [1 1 0 1 ] [0 0 0 1]
#用x1的第一个配子和x2的第二个配子进行基因重组
#用x1的第二个配子和x2的第一个配子进行基因重组
"F1代:" [0 1 0 0][0 0 0 1] [1 1 0 1 ][1 0 0 1]
new_x1 = [0 1 0 0 0 0 0 1]
new_x2 = [1 1 0 1 1 0 0 1]
# 不知道你有没有恍然大悟
有了二进制的操作，我们做变异的时候也是同样的道理，我们只需要把0变异为1，1变异为0，就能完成我们的变异算法。
3）算法步骤
求解函数:f(x) = 9sin(5x) + 7cos(4*x)的最大值，x的取值范围为【0，8】
3.1初始化种群
我们先初始化我们的种群，先初始化一些随机解，因为我们要在搜索空间内寻找我们的最优解，可参考粒子群算法的思想。
def initpop(popsize, chromlength):
"""
Parameters
----------
popsize : TYPE
种群的数目.
chromlength : TYPE
表示染色体的长度（二值数的长度）， 长度的大小取决于变量的二进制编码的长度
Returns
-------
pop : TYPE
随机种群
"""
pop=np.round(np.random.rand(popsize,chromlength))
return pop
3.2二进制编码转化为十进制数
设计我们的算法，将二进制的矩阵转化为十进制数，为了得到我们的二进制域。
def decodebinary(pop):
"""
二进制数转十进制数函数
Parameters
----------
pop : TYPE
初始化种群.
Returns
-------
pop2 种群的染色体二进制数转十进制数
"""
px,py = pop.shape
pop1 = np.zeros((px,py))
for i in range(py):
pop1[:,i] = (2**(py-i-1))*pop[:,i]
pop2=np.sum(pop1, 1)#对pop1向量的每行求和 标识位0代表每列求和，标识位1代表每行求和
return pop2
def encode(bestpop):
"""
解码x的值
Parameters
----------
bestpop : TYPE
最好的个体.
Returns
-------
x : TYPE
最优X的取值.
"""
temp = decodebinary(pop)
x=temp*15/32767
return x
我们的pop2是一个转化为十进制数之后的种群，可以理解为种群的表现型，我们的0和1的操作反应的是种群的基因型，因为我们的变量不可能只有一种，扩展我们的思维，我们先设置的染色体长度，因为我们的变量只有一个，它的值域在【0，8】，如果我们有两个变量，不同变量对应不同值域，我们的染色体的长度是否也要切片计算？仔细思考。
def decodechrom(pop,spoint,length):
"""
将二进制编码转化为十进制数
Parameters
----------
pop : TYPE
DESCRIPTION.
spoint : TYPE
染色体的起始位.
length : TYPE
DESCRIPTION.
Returns
-------
pop2 : TYPE
DESCRIPTION.
"""
#对于多个变量而言，如有两个变量，采用20为表示，每个变量10位，则第一个变量从1开始，另一个变量从11开始。本例为一个变量
#这句话的意思就是加入目标函数需要两个变量，则我可将染色体的数量拆为两个，然后遗传迭代
#值得注意的是，我的染色体的长度也要跟着变量的数量改变，呈倍数关系
pop1=pop[:,spoint:spoint+length]
pop2=decodebinary(pop1)
return pop2
这里的spoint代表的是我们的一个终止位，可以对我们的变量进行一个切片，自行理解。
3.3实现目标函数的计算
实现目标函数的计算，就是把x的值带进去，很简单。
def calobjvalue(pop):
"""
实现目标函数的计算
Parameters
----------
pop : TYPE
种群.
Returns
-------
objvalue : TYPE
返回目标函数值.
"""
temp = decodechrom(pop, 0, 15)
x=temp*15/32767
objvalue = 9*np.sin(5*x)+7*np.cos(4*x)
objvalue = np.reshape(objvalue,(-1,1))#以行的形式输出
return objvalue
3.4剔除0以外的值
计算个体的适应值，在calobjvalue已经计算好，需要将小于0的个体删除，方便后续的概率计算。
def calfitvalue(objvalue):
"""
计算个体的适应值，在calobjvalue已经计算好，需要将小于0的个体删除，方便后续的概率计算
Parameters
----------
objvalue : TYPE
目标函数值.
Returns
-------
fitvalue : TYPE
个体适应值.
"""
global Cmin
Cmin = 0
fitvalue = np.zeros((objvalue.shape[0],objvalue.shape[1]))
px, py = objvalue.shape
for i in range(px):
if objvalue[i,0] + Cmin > 0:
temp = objvalue[i,0] + Cmin
else:
temp = 0
fitvalue[i,0]=temp
return fitvalue
3.5选择算法
选择算法我们采用轮盘赌，决定哪些个体可以进入下一代，用轮盘赌选择复制
def selection(pop, fitvalue):
"""
选择函数 选择复制，决定哪些个体可以进入下一代
采用轮盘赌选择
Parameters
----------
pop : TYPE
种群的个体.
fitvalue : TYPE
个体适应值.
Returns
-------
newpop : dict
新的种群.
"""
totalfit = np.sum(fitvalue)
fitvalue_pro = fitvalue / (totalfit + 0.000001)
fitvalue_pro_cumnsum = np.cumsum(fitvalue_pro)
fitvalue_pro_cumnsum = np.reshape(fitvalue_pro_cumnsum,(-1,1))#以行的形式
px, py = pop.shape
#轮盘随机概率 从小到大排序
ms = np.sort(np.random.rand(px,1),0)
fitin = 1 - 1 #pop种群 第几代个体 因为python的下标从0开始。所以是第一代的索引是0 故用1-1
newin = 1 - 1 #pop种群 第几代个体
newpop_dict = {}
#我愿称为[适者生存，优胜劣汰] while循环
while newin <= px-1:
if ms[newin, 0] < fitvalue_pro_cumnsum[fitin, 0]:
newpop_dict[newin] = pop[fitin,:]
newin += 1
else:
fitin += 1
newpop = np.zeros((newin,py))
for i in range(newin):
newpop[i,:] = newpop_dict[i]
return newpop
3.6交叉算法（基因重组）
物竞天择是遗传学的核心，相应的，选择和变异也是遗传算法的核心，我们对染色体进行一个基因重组的操作，具体代码如下：
def crossover(pop, pc):
"""
交叉算法 实现基因重组
Parameters
----------
pop : TYPE
种群.
pc : TYPE
交叉概率.
Returns
-------
newpop : TYPE
DESCRIPTION.
"""
px, py = pop.shape
newpop = np.zeros((px, py))
# seletion_litst = [i for i in range(px)]
# sl = seletion_litst[0:px:2]
for i in range(px-1):
#是否能够进行基因重组
if pc > np.random.rand(1)[0]:
cpoint = int(np.round(np.random.rand(1)[0] * py) - 1)
if cpoint == 0:
cpoint = 1
newpop[i, :][0:cpoint] = pop[i, 0:cpoint]
newpop[i, :][cpoint+1:py] = pop[i+1, cpoint+1:py]
newpop[i+1, :][0:cpoint] = pop[i+1, 0:cpoint]
newpop[i+1, :][cpoint+1:py] = pop[i, cpoint+1:py]
else:
newpop[i,:] = pop[i,:]
newpop[i+1,:] = pop[i+1,:]
return newpop
3.7变异算法（基因突变）
0变1，1变0 你上你也行
def mutation(pop, pm):
"""
变异算法 实现基因突变
Parameters
----------
pop : TYPE
种群.
pm : TYPE
变异概率.
Returns
-------
newpop : TYPE
新的变异种群.
"""
px, py = pop.shape
newpop = np.zeros((px, py))
for i in range(px):
if pm > np.random.rand(1)[0]:
mpoint = int(np.round(np.random.rand(1)[0] * py) - 1)
if mpoint == 0:
mpoint = 1
newpop[i,:] = pop[i,:]
if newpop[i, mpoint] == 0:
newpop[i, mpoint] = 1
newpop[i,:] = pop[i,:]
return newpop
3.7最优计算（基因突变）
简单的排序取最大（不要忘记我们粒子群算法里面的全局极值和个体极值）
def best(pop, fitvalue):
"""
最优的个体及其适应值
Parameters
----------
pop : TYPE
种群.
fitvalue : TYPE
适应值.
Returns
-------
bestindividual : 最大适应值
DESCRIPTION.
bestfit : TYPE
最大适应值的个体.
"""
px, py = pop.shape
bestindividual = pop[0,:]
bestfit = fitvalue[0]
for i in range(1,px):
if fitvalue[i] > bestfit:
bestindividual = pop[i,:]
bestfit = fitvalue[i]
return bestindividual,bestfit
3.完整代码
不要忘记导入我们的numpy 和matplotlib库，将上面的函数和导入的库，放在主函数的上面，然后运行代码，不过我这里的取值是【0，15】，上面说【0，8】便于读者理解。
import numpy as np
import matplotlib.pyplot as plt
# 遗传算法
def initpop(popsize, chromlength):
"""
Parameters
----------
popsize : TYPE
种群的数目.
chromlength : TYPE
表示染色体的长度（二值数的长度）， 长度的大小取决于变量的二进制编码的长度
Returns
-------
pop : TYPE
随机种群
"""
pop=np.round(np.random.rand(popsize,chromlength))
return pop
def decodebinary(pop):
"""
二进制数转十进制数函数
Parameters
----------
pop : TYPE
初始化种群.
Returns
-------
pop2 种群的染色体二进制数转十进制数
"""
px,py = pop.shape
pop1 = np.zeros((px,py))
for i in range(py):
pop1[:,i] = (2**(py-i-1))*pop[:,i]
pop2=np.sum(pop1, 1)#对pop1向量的每行求和 标识位0代表每列求和，标识位1代表每行求和
return pop2
def decodechrom(pop,spoint,length):
"""
将二进制编码转化为十进制数
Parameters
----------
pop : TYPE
DESCRIPTION.
spoint : TYPE
染色体的起始位.
length : TYPE
DESCRIPTION.
Returns
-------
pop2 : TYPE
DESCRIPTION.
"""
#对于多个变量而言，如有两个变量，采用20为表示，每个变量10位，则第一个变量从1开始，另一个变量从11开始。本例为一个变量
#这句话的意思就是加入目标函数需要两个变量，则我可将染色体的数量拆为两个，然后遗传迭代
#值得注意的是，我的染色体的长度也要跟着变量的数量改变，呈倍数关系
pop1=pop[:,spoint:spoint+length]
pop2=decodebinary(pop1)
return pop2
def encode(bestpop):
"""
解码x的值
Parameters
----------
bestpop : TYPE
最好的个体.
Returns
-------
x : TYPE
最优X的取值.
"""
temp = decodebinary(pop)
x=temp*15/32767
return x
def calobjvalue(pop):
"""
实现目标函数的计算
Parameters
----------
pop : TYPE
种群.
Returns
-------
objvalue : TYPE
返回目标函数值.
"""
temp = decodechrom(pop, 0, 15)
x=temp*15/32767
objvalue = 9*np.sin(5*x)+7*np.cos(4*x)
objvalue = np.reshape(objvalue,(-1,1))#以行的形式输出
return objvalue
def calfitvalue(objvalue):
"""
计算个体的适应值，在calobjvalue已经计算好，需要将小于0的个体删除，方便后续的概率计算
Parameters
----------
objvalue : TYPE
目标函数值.
Returns
-------
fitvalue : TYPE
个体适应值.
"""
global Cmin
Cmin = 0
fitvalue = np.zeros((objvalue.shape[0],objvalue.shape[1]))
px, py = objvalue.shape
for i in range(px):
if objvalue[i,0] + Cmin > 0:
temp = objvalue[i,0] + Cmin
else:
temp = 0
fitvalue[i,0]=temp
return fitvalue
def selection(pop, fitvalue):
"""
选择函数 选择复制，决定哪些个体可以进入下一代
采用轮盘赌选择
Parameters
----------
pop : TYPE
种群的个体.
fitvalue : TYPE
个体适应值.
Returns
-------
newpop : dict
新的种群.
"""
totalfit = np.sum(fitvalue)
fitvalue_pro = fitvalue / (totalfit + 0.000001)
fitvalue_pro_cumnsum = np.cumsum(fitvalue_pro)
fitvalue_pro_cumnsum = np.reshape(fitvalue_pro_cumnsum,(-1,1))#以行的形式
px, py = pop.shape
#轮盘随机概率 从小到大排序
ms = np.sort(np.random.rand(px,1),0)
fitin = 1 - 1 #pop种群 第几代个体 因为python的下标从0开始。所以是第一代的索引是0 故用1-1
newin = 1 - 1 #pop种群 第几代个体
newpop_dict = {}
#我愿称为[适者生存，优胜劣汰] while循环
while newin <= px-1:
if ms[newin, 0] < fitvalue_pro_cumnsum[fitin, 0]:
newpop_dict[newin] = pop[fitin,:]
newin += 1
else:
fitin += 1
newpop = np.zeros((newin,py))
for i in range(newin):
newpop[i,:] = newpop_dict[i]
return newpop
def crossover(pop, pc):
"""
交叉算法 实现基因重组
Parameters
----------
pop : TYPE
种群.
pc : TYPE
交叉概率.
Returns
-------
newpop : TYPE
DESCRIPTION.
"""
px, py = pop.shape
newpop = np.zeros((px, py))
# seletion_litst = [i for i in range(px)]
# sl = seletion_litst[0:px:2]
for i in range(px-1):
#是否能够进行基因重组
if pc > np.random.rand(1)[0]:
cpoint = int(np.round(np.random.rand(1)[0] * py) - 1)
if cpoint == 0:
cpoint = 1
newpop[i, :][0:cpoint] = pop[i, 0:cpoint]
newpop[i, :][cpoint+1:py] = pop[i+1, cpoint+1:py]
newpop[i+1, :][0:cpoint] = pop[i+1, 0:cpoint]
newpop[i+1, :][cpoint+1:py] = pop[i, cpoint+1:py]
else:
newpop[i,:] = pop[i,:]
newpop[i+1,:] = pop[i+1,:]
return newpop
def mutation(pop, pm):
"""
变异算法 实现基因突变
Parameters
----------
pop : TYPE
种群.
pm : TYPE
变异概率.
Returns
-------
newpop : TYPE
新的变异种群.
"""
px, py = pop.shape
newpop = np.zeros((px, py))
for i in range(px):
if pm > np.random.rand(1)[0]:
mpoint = int(np.round(np.random.rand(1)[0] * py) - 1)
if mpoint == 0:
mpoint = 1
newpop[i,:] = pop[i,:]
if newpop[i, mpoint] == 0:
newpop[i, mpoint] = 1
newpop[i,:] = pop[i,:]
return newpop
def best(pop, fitvalue):
"""
最优的个体及其适应值
Parameters
----------
pop : TYPE
种群.
fitvalue : TYPE
适应值.
Returns
-------
bestindividual : 最大适应值
DESCRIPTION.
bestfit : TYPE
最大适应值的个体.
"""
px, py = pop.shape
bestindividual = pop[0,:]
bestfit = fitvalue[0]
for i in range(1,px):
if fitvalue[i] > bestfit:
bestindividual = pop[i,:]
bestfit = fitvalue[i]
return bestindividual,bestfit
if __name__ == "__main__":
popsize=30; #群体大小
chromlength=15; #字符串长度（染色体的长度）
pc=0.7; #交叉概率
pm=0.005 #变异概率
#初始化种群
pop=initpop(popsize, chromlength)
poptest=pop
#开始迭代
epoch = 200
x_ = []
y_ = []
for i in range(epoch):
objvalue = calobjvalue(pop) #计算目标函数值
fitvalue = calfitvalue(objvalue) #计算群体中每个个体的适应度
newpop = selection(pop, fitvalue)
newpop1 = crossover(newpop, pc)
newpop2 = mutation(newpop1, pm)
objvalue = calobjvalue(newpop2) #计算目标函数值
fitvalue = calfitvalue(objvalue) #计算群体中每个个体的适应度
bestindividual,bestfit = best(newpop2, fitvalue) #求出群体中适应值最大的个体及其适应值
x_.append(bestfit)
pop = newpop2
plt.plot(x_, lw=3, label='funcotio_max_value_x')
plt.show()
reshape_best_infrivedual = np.reshape(bestindividual,(1,-1))#以行的形式
best_x_value = encode(reshape_best_infrivedual)
plt.plot(x_, lw=3, label='funcotio_max_value_x')
plt.legend()
plt.show()
print("最好的个体是 ",bestindividual)
print("函数：f(x) = 9sin(5x)+7cos(4x)的极值为 ",bestfit[0]) #最后拟合之后随便取一个值即可
print("x的取值应为： ",best_x_value[0]) #最后拟合之后随便取一个值即可
4）运行结果
![[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-gbMtHJ8N-1650549372734)(genetic.assets/image-20220421215451632.png)]](https://img-blog.csdnimg.cn/83d0ce505f2d4ebfa3fbd3d0b36e2ed0.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBATXlzdGVyaW91c0tuaWdodA==,size_8,color_FFFFFF,t_70,g_se,x_16)
最好的个体是 [1. 0. 0. 0. 0. 1. 1. 0. 0. 0. 0. 0. 0. 0. 0.]
函数：f(x) = 9sin(5x)+7cos(4x)的极值为 15.999199583116948
x的取值应为： 7.851802117984557
1312
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
