此为《算法的乐趣》读书笔记,我用javascript(ES6)重新实现算法。
遗传算法
“物竞天择,适者生存”,遗传算法就是借鉴生物体自然选择和自然遗传机制的随机搜索算法。算法的关键点有:基因的选择与编码、适应度评估函数与三个遗传算子(选择、交叉和变异)的设计。
0-1背包问题
有一个背包,最多承重为C=150的物品,现在有7个物品,编号为1~7,重量分别是w=[35,30,60,50,40,10,25],价值分别是p=[10,40,30,50,35,40,30],现在从这7个物品中选择一个或多个装入背包,要求在物品总重量不超过C的前提下,所装入的物品总价值最高。
代码及思路
该算法采用属性序列方式对基因编码,遗传算子则使用了比例选择模式、多点交叉和均匀变异三种方式,麻雀虽小,五脏具全。
变量定义
var C = 150 //背包最大承重
var WEIGHT = [35,30,60,50,40,10,25] //物品重量
var POWER = [10,40,30,50,35,40,30] //物品价值
var LEN = 7 //基因长度
var maxPower = 0 //保存最大值方案
var maxGene = []
var maxi = 0; //最大值最初出现的进化代数
const POPMAX = 32, //种群数量
P_XOVER = 0.8, //遗传概率
P_MUTATION = 0.15, //变异概率
MAXGENERATIONS = 20 //总的进化代数
var pop = [] //种群所有对象
基因编码
基因由7件物品状态组成,1表示装入,0表示不装入;每个个体除了基因外,还有适应度、选择概率和积累选择概率。类定义如下:
class Gene{
constructor(gene){
this.gene = gene; //基因,数组
this.fitness = 0;
this.rf = 0;
this.cf = 0;
}
}
种群初始化
每个个体选择随机的基因,使用0,1随机数直接填充gene数组。因为这个具体问题规模较小,在选择时我丢弃了适应度较高的方案,以此来更好的测试算法的效果。
function initGenes(){
let count = 0, maxFit = 100; //随机生成的基因适应度的最大值
while(count < POPMAX){
let tmp = [],pall = 0;
for(let j = 0; j
let pow = Math.round(Math.random()) //随机生成0,1
tmp.push(pow);
if(pow == 1)
pall += POWER[j]
}
if(pall < maxFit){
let g = new Gene(tmp)
pop.push(g)
count++
}
}
}
适应度函数
计算种群中所有对象的适应度及总和,并对超出C的基因进行“惩罚”。
function envaluateFitness(max){ //max参数只是用来记录进化代数
let totalFitness = 0;
for(let i=0; i
let tw = 0;
pop[i].fitness = 0;
for(let j=0; j
if(pop[i].gene[j]){
tw += WEIGHT[j]
pop[i].fitness += POWER[j]
}
}
if(tw > C){ //基因不符合要求,适应降到1,让其自然淘汰
pop[i].fitness = 1;
}else{
if(pop[i].fitness > maxPower){ //保存阶段最优值
maxPower = pop[i].fitness;
maxGene = __.cloneDeep(pop[i].gene); //使用lodash库
maxi = max;
}
}
totalFitness += pop[i].fitness
}
return totalFitness;
}
选择算子函数
采用简单的轮盘赌方式进行选择,首先计算种群中所有个体的选择概率和累积概率,然后利用随机数进行“轮盘赌”,挑出幸运者作为新种群。这里有个坑,lodash的cloneDeep直接克隆pop会有问题,出现怪异问题,难道是我的对象层次太深,求解!
function selectBetter(totalFitness){
let lastCf = 0;
let newPop = []
for(let i = 0; i
pop[i].rf = pop[i].fitness / totalFitness;
pop[i].cf = lastCf + pop[i].rf;
lastCf = pop[i].cf;
}
for(let i=0; i
let p = Math.random();
if(p < pop[0].cf){
newPop[i] = pop[0];
}else{
for(var j = 0; j
if(p >= pop[j].cf && p < pop[j+1].cf){
newPop[i] = pop[j+1];
break;
}
}
}
}
pop = [] //种群替换,坑在这,直接 pop=__.cloneDeep(newPop)不对,高手给解释下,谁研究过lodash的源码?
for(let i=0; i< newPop.length; i++){
pop.push(__.cloneDeep(newPop[i]))
}
}
交叉算子函数
交叉算子采用多点交叉策略,对两个随机选中的个体基因进行交换,基因交换的位置和个数都是随机的,使得新个体的基因更具有随机性。
function crossover(){
let first = -1;
for(let i=0; i
let p = Math.random();
if(p < P_XOVER){
if(first < 0){
first = i;
}else{ //选择了两个随机个体,进行基因交换
exChgOver(first,i)
first = -1;
}
}
}
}
function exChgOver(first,second){ //基因交换函数
let ecc = Math.round(Math.random() * LEN)
for(let i=0; i
let idx = Math.floor(Math.random() * LEN)
let tg = pop[first].gene[idx]
pop[first].gene[idx] = pop[second].gene[idx]
pop[second].gene[idx] = tg
}
}
变异算子函数
变异算子采用均匀变异的策略,选中个体基因变异的个数与位置都是随机选择的。
function mutation(){
for(let i=0; i
let p = Math.random();
if(p < P_MUTATION){ //只有当随机数小于变异概率才进行变异操作
reverseGene(i)
}
}
}
function reverseGene(index){ //变异操作函数
let mcc = Math.round(Math.random() * LEN)
for(let i = 0; i < mcc; i++){
let gi = Math.floor(Math.random() * LEN)
pop[index].gene[gi] = 1 - pop[index].gene[gi]
}
}
算法主流程
主流程很简单,几乎是线性的。
initGenes();
var f = envaluateFitness(0)
for(let i=0; i
selectBetter(f)
crossover()
mutation()
f= envaluateFitness(i)
}
console.log(maxi + '--' + maxPower + ' <=> ' + maxGene.join(','));
总结
以前一直觉得遗传算法很神秘,因此仔细研究了一下,觉得算法的效果很大程度上取决于各种参数的设定。另外,也许进化过程中出现过最优值,但最后的种群中也不一定会有最优值存在。真是能用其它方法可以解决时最好不用它,呵呵!