遗传算法GA

利用遗传算法求函数极值

引入numpy库

import numpy as np

定义相关参数：种群数量、交叉概率、变异概率、自变量的范围、DNA长度(一般=10)、循环代数

pop_size = 100  # 种群数量
PC=0.8 # 交叉概率
PM=0.01 #变异概率
X_max=2    #最大值
X_min=-1     #最小值
DNA_SIZE=10  #DNA长度与保留位数有关,2**10 当前保留3位小数点
N_GENERATIONS=1000 #循环代数

目标函数

def aim(x):
    return x*np.sin(10*np.pi*x)+1.0

生成二进制编码

pop = np.random.randint(2, size=(pop_size, DNA_SIZE)) 

解码

def decode(pop):
   return  pop.dot(2 ** np.arange(DNA_SIZE)[::-1]) *(X_max-X_min)/ float(2**DNA_SIZE-1) +X_min

适应度：求最大值可以用原值作为适应度，为了防止产生0和负数加上一个偏移 1e-3 - np.min(pred)

def fitnessget(pred):
    return pred + 1e-3 - np.min(pred) 

选择

numpy.random.choice(a, size=None, replace=True, p=None)
从a(只要是ndarray都可以，但必须是一维的)中随机抽取数字，并组成指定大小(size)的数组
replace:True表示可以取相同数字，False表示不可以取相同数字
数组p：与数组a相对应，表示取数组a中每个元素的概率，默认为选取每个元素的概率相同。

def select(pop, fitness):           
    idx = np.random.choice(np.arange(pop_size), size=pop_size, replace=True,p=fitness/fitness.sum())
    return pop[idx]

交叉

np.astype() 转换numpy数组的数据类型

def change(parent, pop):
    if np.random.rand() < PC: #交叉概率
        i_ = np.random.randint(0, pop_size, size=1)
        cross_points = np.random.randint(0, 2, size=DNA_SIZE).astype(bool)
        parent[cross_points] = pop[i_, cross_points]
    return parent 

变异

def variation(child,pm):                 
    for point in range(DNA_SIZE):
        if np.random.rand() < pm:  #变异概率
            child[point] = 1 if child[point] == 0 else 0
    return child

循环迭代

for i in range(N_GENERATIONS):
    #解码
    X_value= decode(pop)
  
    #获取目标函数值
    F_values = aim(X_value)
    
    #获取适应值
    fitness = fitnessget(F_values)
	
	#开始，max=F_values最大的
    if(i==0): 
        max=np.max(F_values)
        max_DNA = pop[np.argmax(F_values)]
        
    if(max<np.max(F_values)):
        max=np.max(F_values)
        max_DNA=pop[np.argmax(F_values)]
     
    # 选择 
    pop = select(pop,fitness)
    
    # 交叉、变异，父=子
    pop_copy = pop.copy()
    for parent in pop:
        child = change(parent,pop_copy)
        child = variation(child,PM)
        parent= child
print("The maximum is：",max)
print("The DNA is：",max_DNA)
print("The X is：",decode(max_DNA))

整体代码

import numpy as np

pop_size = 10  # 种群数量
PC=0.8 # 交叉概率
PM=0.01 #变异概率
X_max=2    #最大值
X_min=-1     #最小值
DNA_SIZE=10  #DNA长度与保留位数有关,2**10 当前保留3位小数点
N_GENERATIONS=1000#迭代次数

#定义函数
def f(x):
    return x*np.sin(10*np.pi*x)+1.0
#解码
def decode(pop):
   return  pop.dot(2 ** np.arange(DNA_SIZE)[::-1]) *(X_max-X_min)/ float(2**DNA_SIZE-1) +X_min
#计算适应度
def fitnessget(pred):
    return pred + 1e-3 - np.min(pred)
#选择 
def select(pop, fitness):        
    idx = np.random.choice(np.arange(pop_size), size=pop_size, replace=True,p=fitness/fitness.sum())
    return pop[idx]
#交叉
def change(parent, pop):
    if np.random.rand() < PC:    
        i_ = np.random.randint(0, pop_size, size=1)
        cross_points = np.random.randint(0, 2, size=DNA_SIZE).astype(bool)
        parent[cross_points] = pop[i_, cross_points]
    return parent 
#变异
def variation(child,pm):                  
    for point in range(DNA_SIZE):
        if np.random.rand() < pm:
            child[point] = 1 if child[point] == 0 else 0
    return child

pop = np.random.randint(2, size=(pop_size, DNA_SIZE)) 

for i in range(N_GENERATIONS):
    #解码
    X_value= decode(pop)
    
    #获取目标函数值
    F_values = f(X_value)
    
    #获取适应值
    fitness = fitnessget(F_values)

    if(i==0):
        max=np.max(F_values)
        max_DNA = pop[np.argmax(F_values)]
        
    if(max<np.max(F_values)):
        max=np.max(F_values)
        max_DNA=pop[np.argmax(F_values)]
        
    #选择
    pop = select(pop,fitness)
    pop_copy = pop.copy()
    for parent in pop:
        child = change(parent,pop_copy)
        child = variation(child,PM)
        parent= child
print("The maximum is：",max)
print("The DNA is：",max_DNA)
print("The X is：",decode(max_DNA))