遗传算法代码_遗传算法代码优化加速技巧

这篇文章是我在做 scikit-opt 的时候，对一些常用算子进行深入思考，得到的优化经验。会持续更新。

（知乎的排版不尽如人意，如果感觉有违和的地方，去这里看 https://scikit-opt.github.io/scikit-opt/#/zh/speed_up）

（再注明：下面把一次矢量化运算的复杂度记为O(1)，虽然这样相当不准确，但方便说明问题）

0/1 基因的mutation

做一个mask，是一个与 Chrom 大小一致的0/1矩阵，如果值为1，那么对应位置进行变异（0变1或1变0）
自然想到用整除2的方式进行

def mutation(self):
    # mutation of 0/1 type chromosome
    mask = (np.random.rand(self.size_pop, self.len_chrom) < self.prob_mut) * 1
    self.Chrom = (mask + self.Chrom) % 2
    return self.Chrom

如此就实现了对整个种群全基因的矢量化运算。用pycharm的profile功能试了一下，效果良好

再次改进。我还嫌求余数这一步速度慢，画一个真值表