python 遗传编程_遗传算法Python实战 006.扑克牌问题

写在前面的话

前面五个问题，在遗传算法里面，都是非常简单入门问题，如果能够读懂前面这些算法，而且能够复现的话，说明你对遗传算法已经完成了入门过程，到这里就开始进入遗传算法的中级阶段了。

好了，先看看本节需要解决的问题：

本节中，我们将通过排列组合扑克牌，来完成这样的一个游戏：

如果给你从A(就算成是1吧)到10，这十张扑克牌，让你把这10张牌分成两组，第一组的数字之和，加起来等于36，第二组的数字之乘积，乘起来等于360。注意，十张牌，每张牌只能用一次，不得重复。

比如组合成下面这一组组合：(这几个数字是唯一的解法，但是如果是扑克牌的话，可以有不同的排列方式)

• 第一组：

2 + 7 + 8 + 9 + 10 = 36

• 第二组：

1 * 3 * 4 * 5 * 6 = 360

算法实现部分

首先还是导入包和构建基因库：

# 注意，这里新导入的两个包functools和operator是Python的两个默认库
# 是Python实现函数式编程的核心包——有兴趣的同学去了解一下函数式编程
# 虾神评价：很神奇……
import random,datetime,functools,operator
geneset = [i +1 for i in range(10)]

接下去构建健壮性类，这个类的作用是标识这次进化的健壮性的

实际上到今天为主，大家已经看出来了，作者是面向对象时代过来人，很多功能都喜欢直接用对象来进行描述，这样有其的好处，就是封装性非常好，所有的功能属性一个对象就全部包含了，但是对于写惯了标准Python编程脚本的人，有些不适应。

我们可以简单看看这个类的设计：

• 首先是一个构造函数，设计了三个成员变量：

  • Group1Sum用关于记录第一组分组的和

  • Group2Product用于记录第二组的乘积

  • TotalDifference用于记录两组的结果与最终期望结果的差距。

• 然后重写了两个比较函数，第一个是小于，仅比较真实结果与期望结果的的效果。第二个就是等于，用于比较真实结果是否等于期望结果。

• 最后是一个字符串转换函数，输出两组分组的结果(第一组的和，第二组的乘积)

class Fitness:
def __init__(self, group1Sum, group2Product):
self.Group1Sum = group1Sum
self.Group2Product = group2Product
        sumDifference = abs(36 - group1Sum)
        productDifference = abs(360 - group2Product)
self.TotalDifference = sumDifference + productDifference

def __gt__(self, other):
return self.TotalDifference < other.TotalDifference

def __eq__(self,other):
return self.TotalDifference == other.TotalDifference

def __str__(self):
return "sum: {} prod: {}".format(self.Group1Sum,
self.Group2Product)

然后是核心函数：健壮性检验：这里面的乘积方法，用了一个函数式编程的一个经典函数reduce(会hadoop或者Spark的同学，肯定很熟悉了)，不过reduce的效率是不是比传统for循环自己写乘积方法快，还有待商榷(起码我这里，reduce方法比自己写for要慢)

def get_fitness(genes):
    group1Sum = sum(genes[0:5])
    group2Product = functools.reduce(operator.mul, genes[5:10])
return Fitness(group1Sum, group2Product)

显示函数，不解释：

def display(candidate, startTime):
    timeDiff = datetime.datetime.now() - startTime
print("{} - {}\t{}\t{}".format(
', '.join(map(str, candidate.Genes[0:5])),
', '.join(map(str, candidate.Genes[5:10])),
        candidate.Fitness,
        timeDiff))

种群类，不解释：

class Chromosome:
def __init__(self, genes, fitness):
self.Genes = genes
self.Fitness = fitness

进化函数

在看本次的进化函数之前，先回想一下前面五节的进化函数，可以发现基本都是一样的，都是直接随机从基因库中提取一个基因，替换掉种群中的一个基因，这样变成了一个新的物种……这也是遗传算法里面的基本原理。

这里的进化函数，发生了一点点变化，并不仅仅是去变化一个(或者一组)基因，而是多去替换几组基因——比如我之类设置的4组，就是所谓的替换四组基因。

——这就是进化中另外一个核心的理论：我们可以加大每次基因的突变，这样有可能会加速进化的历程，不过是不是基因突变越大，进化越快，效果就越好呢？这个问题还是值得讨论的(大部分时候都不是)

def mutate(parent, geneset):
    genes = parent.Genes[:]
for i in range(4):
        indexA, indexB = random.sample(range(len(genes)), 2)
        genes[indexA], genes[indexB] = genes[indexB], genes[indexA]
    fitness = get_fitness(genes)
return Chromosome(genes, fitness)

然后是执行函数了：

流程与以往是一样的：初始化初代种群，如果初代种群就是最佳种群了，自然就结束进化了，否则进入进化流程——每次都用上一代最优的种群最为父本基因扔到进化函数里面去进化，之后对比进化出来的种群的健壮性是否更优秀，如果是，则替换父本，否则不变——直到进化到我们理想的目标为止：

def get_best():
startTime = datetime.datetime.now()
optimalFitness = Fitness(36, 360)
best = Chromosome(geneset, get_fitness(geneset))
if best.Fitness == optimalFitness:
return best
num = 0
while True:
num +=1
child = mutate(best,geneset)
if best.Fitness > child.Fitness:
continue
display(child,startTime)
if not child.Fitness > best.Fitness:
best = child
if child.Fitness == optimalFitness:
break
best = child
return (best,num)

这里用了一个num来计数，看看每次进化需要多少代，执行100次，生成的分布如下：

如果前面那些不变的进化算法被称为“经典基因遗传算法”，这种自定义突变的算法，被赋予了一个新的名称：“模因遗传算法”，用英文来表达就是“Memetic algorithms”，而Memetic这个词，是专门针对genetic(基因)这个词被创造出来的，目前在学术界还没有权威的翻译，一般而言，以英国演化理论学者理查德·道金斯的著作《自私的基因》为准，被翻译为模因的，比较多。

模因被认为是一种可以快速自我复制的文化基因，它存在于我们的大脑中，并且能通过模仿实现自我复制。它可以是一首歌曲、一本书的内容或者某些人的观点。这些模因通过人类的大脑进行复制传播，就好比基因通过身体复制传播一样。

下面是对于模因一段非常经典的解释：

当某一个人接触愤怒太久，他就会学会恨。他就会变成一个携带者，将嫉妒，贪婪，绝望… 将所有这些文化基因都传递下去. ——合金装备•崛起

那么这种进化算法，为什么会被叫做模因算法呢？我们后面会慢慢揭晓。