目录标题
1. 遗传算法的选择算子为什么用在交叉算子,变异算子的前面?
答:
选择算子的目的是选择哪些个体参与交叉与变异,其余的个体不参与交叉与变异,但是会作为parent
参与offspring
的比较,如果获胜,任然有机会存在于种群;如果失败,则会被淘汰。所以,选择算子其实不完全等同于淘汰操作。
def selection_tournament_faster(self, tourn_size=3):
'''
Select the best individual among *tournsize* randomly chosen
Same with `selection_tournament` but much faster using numpy
individuals,
:param self:
:param tourn_size:
:return:
'''
aspirants_idx = np.random.randint(self.size_pop, size=(self.size_pop, tourn_size))
aspirants_values = self.FitV[aspirants_idx]
winner = aspirants_values.argmax(axis=1) # winner index in every team
sel_index = [aspirants_idx[i, j] for i, j in enumerate(winner)]
self.Chrom = self.Chrom[sel_index, :]
return self.Chrom
从算法中可以看出, selection_tournament_faster \text{selection\_tournament\_faster} selection_tournament_faster改选择算子可能导致重复,其实本质上就是竞标赛选择,使用了numpy加速。
2. 遗传算法中,有哪些选择算子?
答:
轮盘赌(roulette),锦标赛(tournament)
3. 遗传算法中,有哪些交叉算子?
答:
值得注意的是,在遗传算法实现中,通过选择算子选择的个体,相邻的两个进行交叉运算(之前以为是随机挑选两个个体进行交叉)。单点交叉,两点交叉,pmx(适用于tsp问题)。
4. 异或 ^
运算的思考。
异或运算的性质:
a) 与True
异或,相当于取反
b) 与False
异或,相当于本身
c) 从真值表中,不难得出,相同为False
, 不同为True
。
d) 异或满足交换律与结合律
# 交换两个数,不新增空间
a = a ^ b
b = a ^ b
a = a ^ b
# 神奇的异或,很多地方都会变相的利用异或来交换两个值
异或相关的应用
:
- 快速比较两个值(a ^ b == 0);
2)性质a,可以实现某些位的快速翻转;
3)使用异或
来判断一个二进制数中1的数量是奇数还是偶数;
4)面试题:一个整型数组里除了N个数字之外,其他的数字都出现了两次,找出这N个数字;
5. 4中对于异或的疑问,都是来自于这段代码:
mask = np.zeros(shape=(half_size_pop, len_chrom), dtype=int)
for i in range(half_size_pop):
n1, n2 = np.random.randint(0, self.len_chrom, 2)
if n1 > n2:
n1, n2 = n2, n1
mask[i, n1:n2] = 1
mask2 = (Chrom1 ^ Chrom2) & mask
Chrom1 ^= mask2
Chrom2 ^= mask2
# 整体代码目的就是两点交叉,变相使用异或来交换两个数
6. 遗传算法中,有哪些变异算子?
思考:
在代码中可以尝试用到异或运算,会让代码变得简洁不少。
mask = (np.random.rand(self.size_pop, self.len_chrom) < self.prob_mut)
self.Chrom ^= mask
# 这段代码多帅哦,用异或算法,两行代码就实现了种群染色体随机变异(取反),变异概率(self.prob_mut)
上面的代码只是在染色体随机点位上取反,对于TSP问题,实际上这种变异算子是不适用的。
随机交换:
每个染色体的每个基因按照变异概率,与当前染色体的随机基因交换。
2-swap:
染色体中随机选择两个位点,将两个位点所在基因交换。
2-opt:
,染色体中随机选择两个位点,将以两个位点为起点终点的基因段逆序交换。