遗传算法 python 简书_GitHub - Shuai-Xie/genetic-algorithm: 遗传算法 - Matlab

遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化，进化过程中，会自动选择优良基因，淘汰劣等基因。

遗传算法(英语：genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择、杂交等。

搜索算法的共同特征为：

首先组成一组候选解

依据某些适应性条件测算这些候选解的适应度

根据适应度保留某些候选解，放弃其他候选解

对保留的候选解进行某些操作，生成新的候选解

遗传算法的一般步骤

my_fitness函数 评估每条染色体所对应个体的适应度

升序排列适应度评估值，选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好)

从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。

抽取父母双方的染色体，进行交叉，产生 2 个子代。(交叉概率)

对子代(parent + 生成的 child)的染色体进行变异。(变异概率)

重复3,4,5步骤，直到新种群(parent_number + child_number)的产生。

循环以上步骤直至找到满意的解。

名词解释

交叉概率：两个个体进行交配的概率。例如，交配概率为0.8，则80%的“夫妻”会生育后代。

变异概率：所有的基因中发生变异的占总体的比例。

GA函数

function [best_fitness, elite, generation, last_generation] = my_ga( ...

number_of_variables, ...% 求解问题的参数个数

fitness_function, ...% 自定义适应度函数名

population_size, ...% 种群规模(每一代个体数目)

parent_number, ...% 每一代中保持不变的数目(除了变异)

mutation_rate, ...% 变异概率

maximal_generation, ...% 最大演化代数

minimal_cost ...% 最小目标值(函数值越小，则适应度越高)

)

% 累加概率

% 假设 parent_number = 10

% 分子 parent_number:-1:1 用于生成一个数列

% 分母 sum(parent_number:-1:1) 是一个求和结果(一个数)

%

% 分子 10 9 8 7 6 5 4 3 2 1

% 分母 55

% 相除 0.1818 0.1636 0.1455 0.1273 0.1091 0.0909 0.0727 0.0545 0.0364 0.0182

% 累加 0.1818 0.3455 0.4909 0.6182 0.7273 0.8182 0.8909 0.9455 0.9818 1.0000

%

% 运算结果可以看出

% 累加概率函数是一个从0到1增长得越来越慢的函数

% 因为后面加的概率越来越小(数列是降虚排列的)

cumulative_probabilities = cumsum((parent_number:-1:1) / sum(parent_number:-1:1)); % 1个长度为parent_number的数列

% 最佳适应度

% 每一代的最佳适应度都先初始化为1

best_fitness = ones(maximal_generation, 1);

% 精英

% 每一代的精英的参数值都先初始化为0

elite = zeros(maximal_generation, number_of_variables);

% 子女数量

% 种群数量 - 父母数量(父母即每一代中不发生改变的个体)

child_number = population_size - parent_number; % 每一代子女的数目

% 初始化种群

% population_size 对应矩阵的行，每一行表示1个个体，行数=个体数(种群数量)

% number_of_variables 对应矩阵的列，列数=参数个数(个体特征由这些参数表示)

population = rand(population_size, number_of_variables);

last_generation = 0; % 记录跳出循环时的代数

% 后面的代码都在for循环中

for generation = 1 : maximal_generation % 演化循环开始

% feval把数据带入到一个定义好的函数句柄中计算

% 把population矩阵带入fitness_function函数计算

cost = feval(fitness_function, population); % 计算所有个体的适应度(population_size*1的矩阵)

% index记录排序后每个值原来的行数

[cost, index] = sort(cost); % 将适应度函数值从小到大排序

% index(1:parent_number)

% 前parent_number个cost较小的个体在种群population中的行数

% 选出这部分(parent_number个)个体作为父母，其实parent_number对应交叉概率

population = population(index(1:parent_number), :); % 先保留一部分较优的个体

% 可以看出population矩阵是不断变化的

% cost在经过前面的sort排序后，矩阵已经改变为升序的

% cost(1)即为本代的最佳适应度

best_fitness(generation) = cost(1); % 记录本代的最佳适应度

% population矩阵第一行为本代的精英个体

elite(generation, :) = population(1, :); % 记录本代的最优解(精英)

% 若本代的最优解已足够好，则停止演化

if best_fitness(generation) < minimal_cost;

last_generation = generation;

break;

end

% 交叉变异产生新的种群

% 染色体交叉开始

for child = 1:2:child_number % 步长为2是因为每一次交叉会产生2个孩子

% cumulative_probabilities长度为parent_number

% 从中随机选择2个父母出来 (child+parent_number)%parent_number

mother = find(cumulative_probabilities > rand, 1); % 选择一个较优秀的母亲

father = find(cumulative_probabilities > rand, 1); % 选择一个较优秀的父亲

% ceil(天花板)向上取整

% rand 生成一个随机数

% 即随机选择了一列，这一列的值交换

crossover_point = ceil(rand*number_of_variables); % 随机地确定一个染色体交叉点

% 假如crossover_point=3, number_of_variables=5

% mask1 = 1 1 1 0 0

% mask2 = 0 0 0 1 1

mask1 = [ones(1, crossover_point), zeros(1, number_of_variables - crossover_point)];

mask2 = not(mask1);

% 获取分开的4段染色体

% 注意是 .*

mother_1 = mask1 .* population(mother, :); % 母亲染色体的前部分

mother_2 = mask2 .* population(mother, :); % 母亲染色体的后部分

father_1 = mask1 .* population(father, :); % 父亲染色体的前部分

father_2 = mask2 .* population(father, :); % 父亲染色体的后部分

% 得到下一代

population(parent_number + child, :) = mother_1 + father_2; % 一个孩子

population(parent_number+child+1, :) = mother_2 + father_1; % 另一个孩子

end % 染色体交叉结束

% 染色体变异开始

% 变异种群

mutation_population = population(2:population_size, :); % 精英不参与变异，所以从2开始

number_of_elements = (population_size - 1) * number_of_variables; % 全部基因数目

number_of_mutations = ceil(number_of_elements * mutation_rate); % 变异的基因数目(基因总数*变异率)

% rand(1, number_of_mutations) 生成number_of_mutations个随机数(范围0-1)组成的矩阵(1*number_of_mutations)

% 数乘后，矩阵每个元素表示发生改变的基因的位置(元素在矩阵中的一维坐标)

mutation_points = ceil(number_of_elements * rand(1, number_of_mutations)); % 确定要变异的基因

% 被选中的基因都被一个随机数替代，完成变异

mutation_population(mutation_points) = rand(1, number_of_mutations); % 对选中的基因进行变异操作

population(2:population_size, :) = mutation_population; % 发生变异之后的种群

% 染色体变异结束

end % 演化循环结束

适应度函数

适应度函数由解决的问题决定。

举一个平方和的例子。

求函数的最小值，其中每个变量的取值区间都是 [-1, +1]。

问题的最优解：每个 x_i 都等于0。

function y = my_fitness(population)

% population是随机数[0,1]矩阵，下面的操作改变范围为[-1,1]

population = 2 * (population - 0.5);

y = sum(population.^2, 2); % 行的平方和

测试

clear;

close all;

% 调用 my_ga 进行计算

% 求解问题的参数个数 10

% 自定义适应度函数名 my_fitness

% 种群规模 100

% 每一代中保持不变的数目 50 (即交叉率0.5)

% 变异概率 0.1 (1/10的个体发生变异)

% 最大演化代数 10000 10000代

% 最小目标值 1.0e-6 个体适应度函数值 < 0.000001结束

[best_fitness, elite, generation, last_generation] = my_ga(10, 'my_fitness', 100, 50, 0.1, 10000, 1.0e-6);

% 输出后10行

% disp(best_fitness(9990:10000,:));

% disp(elite(9990:10000,:))

% 这样是不合适的，因为GA常常在中间就跳出循环了

% 这样才是合适的输出

disp(last_generation);

i_begin = last_generation - 9;

disp(best_fitness(i_begin:last_generation,:));

% 将elite值转化为问题范围内

my_elite = elite(i_begin:last_generation,:);

my_elite = 2 * (my_elite - 0.5);

disp(my_elite);

% 最佳适应度的演化情况

figure

loglog(1:generation, best_fitness(1:generation), 'linewidth',2)

xlabel('Generation','fontsize',15);

ylabel('Best Fitness','fontsize',15);

set(gca,'fontsize',15,'ticklength',get(gca,'ticklength')*2);

% 最优解的演化情况

figure

semilogx(1 : generation, 2 * elite(1 : generation, :) - 1)

xlabel('Generation','fontsize',15);

ylabel('Best Solution','fontsize',15);

set(gca,'fontsize',15,'ticklength',get(gca,'ticklength')*2);

输出

注意：这些值都是不确定的。

>> test_ga

2035 // last_generation 跳出循环

// best_fitness 后10行

0.268244559363828

0.268244559363828

0.268244559363828

0.268244559363828

0.268244559363828

0.268244559363828

0.268244559363828

0.268244559363828

0.268244559363828

0.063540829423325

// elite 后10行，最后一行为想要的解

Columns 1 through 7

-0.000383439136218 -0.000401508032900 0.000097444596325 0.000337256996077 -0.000064973174152 0.000120384223563 0.000117039829849

-0.000383439136218 -0.000401508032900 0.000097444596325 0.000337256996077 -0.000064973174152 0.000120384223563 0.000117039829849

-0.000383439136218 -0.000401508032900 0.000097444596325 0.000337256996077 -0.000064973174152 0.000120384223563 0.000117039829849

-0.000383439136218 -0.000401508032900 0.000097444596325 0.000337256996077 -0.000064973174152 0.000120384223563 0.000117039829849

-0.000383439136218 -0.000401508032900 0.000097444596325 0.000337256996077 -0.000064973174152 0.000120384223563 0.000117039829849

-0.000383439136218 -0.000401508032900 0.000097444596325 0.000337256996077 -0.000064973174152 0.000120384223563 0.000117039829849

-0.000383439136218 -0.000401508032900 0.000097444596325 0.000337256996077 -0.000064973174152 0.000120384223563 0.000117039829849

-0.000383439136218 -0.000401508032900 0.000097444596325 0.000337256996077 -0.000064973174152 0.000120384223563 0.000117039829849

-0.000383439136218 -0.000401508032900 0.000097444596325 0.000337256996077 -0.000064973174152 0.000120384223563 0.000117039829849

-0.000383439136218 -0.000401508032900 0.000097444596325 0.000337256996077 -0.000064973174152 0.000120384223563 0.000117039829849

Columns 8 through 10

-0.000362645135942 -0.001433818552852 0.000176675571817

-0.000362645135942 -0.001433818552852 0.000176675571817

-0.000362645135942 -0.001433818552852 0.000176675571817

-0.000362645135942 -0.001433818552852 0.000176675571817

-0.000362645135942 -0.001433818552852 0.000176675571817

-0.000362645135942 -0.001433818552852 0.000176675571817

-0.000362645135942 -0.001433818552852 0.000176675571817

-0.000362645135942 -0.001433818552852 0.000176675571817

-0.000362645135942 -0.001433818552852 0.000176675571817

-0.000362645135942 -0.000093799483467 0.000176675571817

趋势图

最佳适应度函数的值

elite 的变化趋势，10条折线 -> 10个变量

文章参考