遗传算法（白话文版）

遗传算法是一种全局最优化算法，其很好地借鉴了自然界中生物进化的规律，通过模拟这种优胜劣汰的规律以寻找极值点。本文将从其原理，实现过程以及可行性的角度通俗地解剖这种算法！

---

一、算法基本思想

       遗传算法是进化算法中的一种，初见其字面其实就可以大致推知出其的思想了。遗传算法就是建立在达尔文的生物进化论基础上的，通过模拟自然界不断筛选适应度比较好的个体，并通过使它们发生交叉（生物学中的专用名词，简单地理解就是生儿育女），变异，产生的新的个体会组成新的种群，继续进行新的一轮进化，最终留下的个体都有很高的适应度，这些个体中往往包含我们需要寻找的极值点。
       太抽象不理解？没关系，笔者还为你准备了精美的演示图片：
 

1. 很久之前，有一群快乐小猪生活在山区里，它们生活的位置都是不同的。

2. 然而，有一天突然从山脚下升起了一股毒烟，并慢慢向山上蔓延，此时，一些生活在低海拔的小猪就被毒死了，而生活在较高海拔的小猪侥幸活了下来，但它们知道毒烟不断向上蔓延，所以它们会向高处迁居。

3. 迁居的过程是漫长的，在这个过程中，有些小猪会相爱?，并生下后代，然后，它们自身就会死去，它们的子孙从它们父母已达到的高度继续向上迁居。这样，一代又一代，有一天，这些小猪发现自己达到了最高点附近，此时，毒烟渐渐散去，小猪们在最高点继续快乐地生活下去。

以上就是遗传算法的基本思想了。

 

---

二、实现过程

       接下来，我们根据上面的图片讲解遗传算法怎么实现。
       首先，我们注意，小猪的初始生活点是随机的，也就是，有的小猪生活的海拔高，有的就比较低，对应到算法中就是，算法开始，我们会随机生成一组点（当然这些点需要在可行域内）。
       然后，毒气的出现，使得一些海拔低的小猪被毒死了，而海拔高的小猪活了下来，对应到算法就是选择（Selection）的过程（有?轮盘赌算法?和锦标赛算法），在这个过程中，我们会把适应度高的点保留下来，而遗弃适应度低的点（所谓适应度可以通俗地理解为这个点对应的函数值的大小）。
       接着，活下来的小猪会生育后代，其后代会在父母已达到的高度继续向上迁居，对应算法的过程是交叉（Crossover）过程，这个过程中，我们随机抽取几对点，每对点会进行类似“中和”的操作，适应度高的点和适应度低的点“中和”生成平均适应度更高的点。这个地方我们通过一个具体的例子来进行理解：我们假设抽取的一个点的坐标为（1，1），其适应度为8，而另一个点的坐标为（2，2），适应度为2，此时，这对点的平均适应度为5，接着，我们随机生成一个随机数a（0~1之间），然后，a(1,1)+(1-a)(2,2)和(1-a)(1,1)+a(2,2)这两个点（也就是（1，1）和（2，2）连线上的两点）就是之前两个点“中和”的结果，我们会发现这两个新生成的点平均适应度往往更好，最后我们用新生成的点来取代原先的两个点。当然，交叉的操作的实现方式有很多种，上面的只是其中一种实现方式。
       然而，我们知道，生物在进化过程中可能会发生变异（上面的漫画中未体现），变异后的个体适应度可能更好，当然也可能更差，所以我们会回到选择的过程，将适应度好的保留下来，将差的剔除掉，接着继续交叉，变异，这样就开始了新的一轮循环。当迭代到一定次数时，这些点渐渐都来到了最高点附近。在上面的迭代过程中，我们会记录下适应度最好的那个体，如果，新的迭代中产生更好的个体，则将该个体记录为最好的，算法结束后，我们返回这个适应度最好的个体即可。

 

---

三、可行性评估

       遗传算法既然流传了几十年，解决了很多问题，从实践角度看，其肯定是可行的，在接下来的程序运行中我们也会看到。我们还需要从理论角度评估其可行性。
       首先，选择过程中，我们默认采用了?轮盘赌算法?，这个算法可以使得适应度高的个体有更大的概率保留下来，而适应度低的个体保留下来的概率则小，当然，也有可能，适应度低的个体保留下了而抛弃了适应度高的，但从概率角度看，随着测试次数的增加，往往适应度高的个体能被保留下来。
       我们再来看交叉的过程，这个过程中，当有一对个体发生交叉时，则产生的后代的适应度是居于其父母的适应度的之间的，这样看起来把适应度高的个体“拖累”了，但这样的结果是产生的后代的平均适应度往往增大了，也就是种群的平均水平提高了。
       上面讲到交叉操作使得种群的平均适应度提高了而“拖累”了适应度高的点，这样不就实现不了找最高的目标了呀。所以，我们还需要变异操作，使其中一些点发生“变异”,变异的点可能适应度更高，在下一轮的选择过程中，这些适应度高的点更有可能保留下来，组成新的种群，整个过程下来，整个种群的平均适应度基本上一直在提高（除非都到了最高点附近），而变异这种碰运气的操作使得我们可能瞎猫拖到一个最高点。
       可以说，整个遗传算法的各个阶段都是碰运气的过程，但碰到适应度高的点的可能性大，所以，在多次迭代和多次测试中，这些点往往能收敛于最高点。

 

---

四、具体代码

激动人心的时候来了，有了上述基础后，我们就可以阅读具体代码了（这段代码笔者在anaconda3中多次测试通过，但并不保证代码完全正确，如果你发现问题的话，可以在评论中留言，谢谢）。

# -*- coding: utf-8 -*-
"""
If you find bugs,please contact us :sj2050@vip.163.com or
									zzzain46@gmail.com or
									ruanyipu@gmail.com
Thank you! 

@author: SJ2050
"""

import numpy as np
import matplotlib.pyplot as plt

# Solve Chinese garbled problem
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False 

def ga_real(population_size,fit_func,feasible_range,**options):
    """
    input:
        popolation_size = population_size (int)
        fit_func = name of fitness value function (function) 
        feasible_range = feasible restrain region (two dimensional array)
        
        options : is_print(plot,default = True) ,
                max_iter(iteration number,default = 3*population_size),
                p_c(crossover possibility, default = 0.75),
                p_m(mutation_possibility, default = p_c/20)

    return:
        best_value_so_far,
        best_chromosome_so_far,
        search_points,
        upper,
        lower,
        average
    """
    # initialize input
    is_print = options.get('is_print')
    if (is_print==None or is_print!=False):
        is_print = True
        
#    selection = options.get('selection')
#    if (selection==None or type(selection)!=int):
#        selection = 1
    
    max_iter = options.get('max_iter')
    if(max_iter==None or type(max_iter)!= int or max_iter <= 0):
        max_iter = 3*population_size
    
    p_c = options.get('p_c')
    if(p_c==None or type(p_c