多变量遗传算法python代码_遗传算法介绍并附上Python代码

以前在学校的时候，写了一个博客介绍遗传算法，并通过Matlab实现了该算法。但是很多读者反馈说代码运行不起来。

我因为现在没有Matlab工具了，而且Matlab还是挺贵的，所以还是用Python实现以下遗传算法，供大家学习。

写这个博客主要是因为我在学校学习遗传算法的时候，没学会，只是大概知道，但是完全用不起来。但是这个算法还是很有用的，所以还是想着记录一下，让在课堂上没学会的同学，可以在这里学会，并且可以着手。

1、遗传算法介绍

遗传算法，模拟达尔文进化论的自然选择和遗传学机理的生物进化构成的计算模型，一种不断选择优良个体的算法。谈到遗传，想想自然界动物遗传是怎么来的，自然主要过程包括染色体的选择，交叉，变异(不明白这个的可以去看看生物学)，这些操作后，保证了以后的个体基本上是最优的，那么以后再继续这样下去，就可以一直最优了。

2、解决的问题

先说说自己要解决的问题吧，遗传算法很有名，自然能解决的问题很多了，在原理上不变的情况下，只要改变模型的应用环境和形式，基本上都可以。但是遗传算法主要还是解决优化类问题，尤其是那种不能直接解出来的很复杂的问题，而实际情况通常也是这样的。

本部分主要为了了解遗传算法的应用，选择一个复杂的二维函数来进行遗传算法优化，函数显示为y=10*sin(5*x)+7*abs(x-5)+10,这个函数图像为：

Python实现代码：

importnumpy as npimportmatplotlib.pyplot as plt

x=np.arange(0,10,0.001)

y=10*np.sin(5*x) + 7*np.abs(x-5) + 10plt.plot(x,y)

plt.show()

View Code

怎么样，还是有一点复杂的吧，当然你还可以任意假设和编写，只要符合就可以。那么现在问你，要你一下求出最大值你能求出来吗？(这个貌似可以，很容易写出来，求个导数然后，----如果再复杂一点估计就不行了)这类问题如果用遗传算法或者其他优化方法就很简单了，为什么呢？说白了，其实就是计算机太笨了，同时计算速度又超快，举个例子吧，我把x等分成100万份，再一下子都带值进去算，求出对应的100万个y的值，再比较他们的大小，找到最大值不就可以了吗，很笨吧，人算是不可能的，但是计算机可以。而遗传算法也是很笨的一个个搜索，只不过加了一点什么东西，就是人为的给它算的方向和策略，让它有目的的算，这也就是算法了。

3、如何开始

不明白遗传算法的会问怎么开始呢？恩，其实每个算法都有自己的开始方式，遗传算法也是，首先是选择个体了。我们知道一个种群中可能只有一个个体吗？不可能吧，肯定很多才对，这样相互结合的机会才多，产生的后代才会多种多样，才会有更好的优良基因，有利于种群的发展。那么算法也是如此，当然个体多少是个问题，一般来说20-100之间我觉得差不多了。那么个体究竟是什么呢？在我们这个问题中自然就是x值了。其他情况下，个体就是所求问题的变量，这里我们假设个体数选100个，也就是开始选100个不同的x值，不明白的话就假设是100个猴子吧。好了，现在有了100个猴子组成的一个种群，那么这个种群应该怎么发展才能越来越好？说到这，我们想想，如何定义这个越来越好呢？这个应该有一个评价指标吧。在我们的这个问题中，好像是对应的y值越大越好是吧。我们甚至可以给他们排个名来决定哪些好哪些不好。我们把这个叫做对于个体的适应度，这应该算是算法的后半部分才对。

4、编码

好，什么是编码？其实编码就是把自变量(x)换一下形式而已，在这个形式下，更容易操作其他过程(比如交叉，变异什么的)而已。举个例子吧，加入我们取x=1, 2, 3，我们可以把x编码成x=a, b, c,我就说123对应就是abc，为什么要这样做呢？比如问题里面你能够获取的都是abc的组合之类的，那么这样编码以后，你就可以再返回去成123来操作了。一般的编码都是些什么呢？二进制编码，自然数编码，矩阵编码。。等等，很多，不详细写了。而用的最多的可以说是二进制编码，感觉这和人体DNA，基因的排列很相似。想想DNA怎么排的？不就是在两条长链上一对一排的吗？那么什么是二进制编码？很简单，就是1,0,1,0对应的来组合排列而已。比如：1100100010, 0011001001等等，这些都是位数长度为10的二进制编码。再想想1在计算机的二进制形式是什么？如果八位来表示的话，是不是就是0000 0001；8