计算机智能专题-遗传算法(1不带约束的)

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