Python-遗传算法君主交叉代码实现_君主遗传算法-CSDN博客

本文介绍了一种改进的遗传算法，采用君主交叉和实数编码，用于寻找一组10维向量X，使其平方和最小。通过对比去除君主交叉后的效果，展示了该策略在加速收敛和稳定性上的优势。

前言

之前用标准遗传算法实现了函数寻找最大值的功能：

https://blog.csdn.net/weixin_43210097/article/details/119537408?spm=1001.2014.3001.5501

今天这篇代码依然是关于遗传算法优化的，但是加入了君主交叉的方式，同时是实数编码优化方式，与之前的二进制优化有不小的差别。

正文

优化目标是寻找一组X（一共10个），使得其平方和最小：

$y= \sum x^{2}$

君主交叉：

每次选出表现最好的个体（君主），把它的染色体与整个种群中一半的个体交叉，增大君主染色体在整个种群中的比例。下方的代码仅仅是运用了君主交叉方式，除了君主交叉之外还包含了普通的交叉过程。

代码实现

import numpy as np
import matplotlib.pyplot as plt
# import math as mt
import seaborn as sns
sns.set_style('darkgrid')

def funcl(x):
    y=0
    for i in range(len(x)):
        y=y+x[i]**2
    return y
#%%
NP=100   #初始化种群数
D=10    #单条染色体基因数目10
Pc=0.8  #交叉率
Pm=0.1  #变异率
G=200   #最大遗传代数
Xs=20   #上限
Xx=-20    #下限

jiyi=np.random.rand(NP,D)
f=jiyi*(Xs-Xx)+Xx                              #随机获得初始种群
FIT=[]
sortf=[]
trace=[]
xtrace=[]
xtracemin=[]
test=[]
for i in range(NP):
    FIT.append(funcl(f[i]))    #适应度函数
sortFIT=np.sort(FIT)           #升序排序
index= np.argsort(FIT)         #升序对应索引
for i in range(len(f)):
    sortf.append(f[index[i]])  #得到升序顺序对应的种群
#%%遗传算法循环
for i in range(G):
    print(i)
    Emper=sortf[0]             #产生君主
    nf=sortf                   #出新的种群，在其基础上进行交叉、变异
    for M in range(0,NP,2):
        p=np.random.rand()     #君主交叉
        if p<Pc:
            for j in range(D):
                nf[M][j]=Emper[j]  #将君主的染色体给偶数索引的染色体，
# 我觉得这一步好像谈不上交叉，只是单纯地将君主染色体所占整体比重加大了
# 人为再加一手传统的交叉过程，到时候将这个过程删除，看看影响结果不   
    for M in range(0,NP,2):
        p=np.random.rand()     #交叉
        if p<Pc:
            q=np.random.randint(0,high=2,size=(1,D))[0].tolist()
            for j in range(D):
                if q[j]==1:
                    temp=nf[M+1][j]
                    nf[M+1][j]=nf[M][j]
                    nf[M][j]=temp
                    
    for M in range(NP):        #变异
        for n in range(D):
            p=np.random.rand()
            if p<Pm:
                nf[M][n]=np.random.rand()*(Xs-Xx)+Xx
    #交叉变异结束之后，新一代nf加上前代f共2*NP个个体进行筛选
    newf=np.vstack((sortf,nf))         #垂直方向累加两个f
    newFIT=[]
    for j in range(len(newf)):
        newFIT.append(funcl(newf[j]))    #适应度函数
    sortFIT=np.sort(newFIT)           #升序排序
    index= np.argsort(newFIT)         #升序对应索引
    maxfit=max(newFIT)
    minfit=min(newFIT)
    sortf=[]
    for j in range(len(f)):
        sortf.append(newf[index[j]])  #得到升序顺序对应的种群
    trace.append(minfit)
    st=sortf[0].tolist()
    xtrace.append(st)

xvalue=[]
for i in range(len(xtrace)):
    xvalue.append(xtrace[i][0])

plt.plot(trace,color='green', marker='o',linewidth=2, markersize=3)
plt.xlabel('Number of iterations',fontsize = 10)
plt.ylabel('minyvalue',fontsize = 10)
plt.savefig('pic4',bbox_inches = 'tight',pad_inches = 0,dpi =350)
plt.close()


plt.scatter(list(range(0,200)),xvalue,color='red',s=3)  #s参数设置点的大小
plt.xlabel('Number of iterations',fontsize = 10)
plt.ylabel('x',fontsize = 10)
plt.savefig('pic5',bbox_inches = 'tight',pad_inches = 0,dpi =350)
plt.close()

结果展示

y的收敛曲线如下所示：收敛速度还是很快的。