遗传算法解决背包问题

遗传算法解决背包问题

遗传算法可以认为是一种启发式算法，根据达尔文的进化学说中“优胜劣汰”、“适者生存”的观点来解决一些实际生活中难以解决的问题。其实简单来说，遗传算法所做的事情就是“随机”生成一些可行解（不是最优解），然后随机一段时间之后找到局部最优解。但是这个“随机”的过程模拟了自然界中的进化规律，也是“更优解”更容易生存，“更优解”与“更优解”的结合能够生成“更更优解”。不断重复这个结合的过程，最终可以得到局部最优解，甚至可能是全局最优解。

算法具体描述可见：
一文读懂遗传算法工作原理
如何理解遗传算法

在此我给出有遗传算法求解背包问题的思路。

问题描述

背包问题

为了简单起见，我此处只介绍01背包问题。当然其实01背包问题用动态规划很容易就能实现。但遗传算法的意义却绝不是动态规划可以代替的。动态规划只能解决一些一定有明确解的问题，但事实上现在主流问题很少是有明确解的，大多数都是优化问题，也就是只能寻找局部最优解，并认为局部最优解已经足够好了。

import random
import copy
import codecs


class Genetic_alg:
    def __init__(self, weights, support_points, threshold):
        self.weights = weights
        self.support_points = support_points
        self.threshold = threshold
        self.size = len(weights)
        self.populations = []

    def construct_populations(self, times):
        local_populations = []
        local_populations.append([0 for i in range(self.size)])
        for k in range(times):
            chromos