前言:
遗传算法是一种群智能优化算法,它主要解决的是排列组合问题。通过模仿遗传学中染色体的交叉、变异、并通过“优选”,使父代产生更优的“子代”,在不断的“优胜略汰”中,最终得到最优的组合。更新ing,,,,
本篇文章讲的是:遗传算法的整数编码,原理较为简单可以用作入门。
第二篇遗传算法“实数编码”,是模仿二进制交叉和编译,适用范围更广泛。
一、基本概念
1.编码:
>>生物学定义:DNA中遗传信息在一个长链上按一定的模式排列
>>计算机学定义:将实际问题抽象成"染色体",所建立的数学模型,具体来讲,实际问题中的排列组合问题,并不是涉及染色体,要使用遗传算法解决问题需要进行模型转化。
2.解码:
>>生物学定义: 从遗传DNA到表现型的映射
>>计算机学定义:实际问题通过“编码”过程映射为染色体并使用遗产算法处理之后,需要重新映射到实际问题中,来获得真实的自由组合,这个过程叫做解码。
3.交叉
>>生物学定义:在两个染色体的某一相同位置处DNA被切断,其前后两串分别交叉组合形成两个新的染色体。
>>计算机学定义:在实际的操作中会模仿这样的操作,对编码后的数据进行交叉。
4.变异:
>>生物学定义:很小概率产生基因突变,产生出新的染色体,然后表现出新的性状
5.适应度
度量某个物种对于生存环境的适应程度。对于生存化境适应程度较高的物种将获得更多的繁殖机会,反之机会较少,甚至灭绝。
6.选择
指定以一定的概率从种群中选择若干个体进行"优胜略汰"。
二、基本流程
三、具体实例
3.1一个连续问题的实列
实现遗传算法求解:
(x−5)(x−10)(x−6)(x−16)+21
=-x^4+37*x^3-476*x^2+2540*x-4779
的最大值,其中x为0到31之间的整数,
f = lambda x:-x**4+37*x**3-476*x**2+2540*x-4779
函数图像如下图所示:
这里做下说明,对于给出的这个实际问题,可以通过遍历循环得到0到31中满足要求的值,这里通过简单的示例,解释用遗传算法解决这个问题。
1. 参数初始化
>>遗传算法进化迭代次数epochs,这个根据遗传算迭代收敛的情况而定。
>>种群个体数N,设N=8。这个根据经验设置,作为超参数调试。
>>个体的编码长度M=5,这个根据实际问题的需要求而来,一般设置为最少能够用二进制表示的数码范围。[0,31]32位<=.
2. 种群初始化
这里已经隐含了编码过程,十进制到二进制。
对于这个编码过程做简单的解释:
后面的遗传算法使用,需要进行染色体的交叉、编译操作,而二进制作为和染色体DNA最接近的数制要比十进制更符合操作习惯,将十进制转化为二进制后,二进制的每一位代表一个染色片段,而“交叉”“变异”的操作是以染色体片段为单位进行的。下面结合一个例子讲解种群初始化的过程。
初始化代码如下,产生一个N*M的矩阵,每一行代表一个个体。
def __init__(self,N=8,M=5):
_groups = np.zeros([N,M],int)
for index in range(0,N):
for _index in range(0,M):
_groups[index,_index] = np.random.choice([0,1])
self._groups = _groups