一个 Python 遗传算法求解的例子

qq_59822313

已于 2024-04-29 09:35:56 修改

阅读量249

点赞数 4

文章标签：算法启发式算法 python

于 2024-04-25 16:38:20 首次发布

本文链接：https://blog.csdn.net/qq_59822313/article/details/138192106

版权

1 问题提出

假设我们的要解决的问题为求解二次函数 $f(x,y)=x^2+y^2$ 的最小值点 $(x^*,y^*)$ . 这是一个简单的二次函数，容易知道最值点为 $(0,0)$ .

2.代码实现

2.1 依赖库

本例子使用 deap 库实现，首先查看是否已安装 deap 库，在终端输入：

pip show deap

如果提示 WARNING: Package(s) not found: deap，则输入如下命令安装：

pip install deap

2.2 主函数代码

(1) 导入 random 和 deap 库：

import random  
from deap import base, creator, tools, algorithms

(2) 定义适应度类型和个体类型. 考虑到要求解的是最小化 $f(x,y)$ 问题，所以适应度选负值，同时由于最优解 $(x^*, y^*)$ 的维度，所以定义个体为一个二元的浮点数.：

# 定义适应度类型，对于最小化问题，我们使用负值  
creator.create("FitnessMin", base.Fitness, weights=(-1.0,))  
# 定义个体类型，这里是一个包含两个浮点数的列表  
creator.create("Individual", list, fitness=creator.FitnessMin)

(3) 初始化工具箱：

# 工具箱初始化  
toolbox = base.Toolbox()  
# 属性生成器，这里生成浮点数，范围在-10到10之间  
toolbox.register("attr_float", random.random)  
# 结构初始化器，生成包含两个浮点数的个体  
toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attr_float, n=2)  
# 种群初始化器，生成包含指定数量个体的种群  
toolbox.register("population", tools.initRepeat, list, toolbox.individual)  
  
# 注册评价函数，这里简单地返回输入的平方和（负值用于最小化）  
def evalOneMax(individual):  
    return sum(x**2 for x in individual),  
  
# 注册评价函数到工具箱  
toolbox.register("evaluate", evalOneMax)  
# 注册交叉和变异操作  
toolbox.register("mate", tools.cxTwoPoint)  
toolbox.register("mutate", tools.mutGaussian, mu=0, sigma=1, indpb=0.1)  
# 注册选择操作  
toolbox.register("select", tools.selTournament, tournsize=3)

(4) 设定算法的参数，运行遗传算法并打印结果：

# 设定算法参数  
NGEN = 40     # 迭代次数  
CXPB = 0.5    # 交叉概率  
MUTPB = 0.2   # 变异概率  
POP_SIZE = 30 # 种群大小  
  
# 初始化种群  
pop = toolbox.population(n=POP_SIZE)  
  
# 评估初始种群  
fitnesses = list(map(toolbox.evaluate, pop))  
for ind, fit in zip(pop, fitnesses):  
    ind.fitness.values = fit  
  
# 运行遗传算法  
pop, logbook = algorithms.eaSimple(pop, toolbox, cxpb=CXPB, mutpb=MUTPB, ngen=NGEN, stats=None, halloffame=None, verbose=True)  
  
# 输出最佳个体和适应度  
best_ind = tools.selBest(pop, 1)[0]  
print("Best individual:", best_ind)  
print("Best fitness:", best_ind.fitness.values[0])

3 运行结果

若上述代码正确运行，输出的值可能有所不同，但格式应如下所示：

...
31 	12    
32 	21    
33 	21    
34 	16    
35 	20    
36 	17    
37 	25    
38 	19    
39 	15    
40 	17    
Best individual: [0.027035817348004976, 0.004219116014945401]
Best fitness: 0.0007487363596222555