遗传算法的python实现(手撕python遗传算法)

遗传算法简介

假设有无约束优化问题:
z = f ( x , y ) z=f(x,y) z=f(x,y)
如何通过遗传算法求解?
在这里需要将该优化问题与遗传算法中的概念进行对比。

  • f f f 对应遗传算法的适应度函数。
  • 自变量 x , y x,y x,y 对应遗传算法的个体,注意,这里的个体实际上就是染色体/基因,也就是说,我们的遗传算法与生物学中的遗传还是有一定区别的,即在我们的算法中,我们不区分个体、染色体、基因,而将此三者认为是同一个概念。
  • 那么如何将自变量 x , y x,y x,y 转换成我们所需要的基因?这就来到了我要介绍的第一个概念——解码和编码。

解码与编码

先来说说编码。
编码实际上就是将自变量编码为基因,以方便后续的遗传模拟过程。本文以二进制编码为例进行讲解。
为了方便模拟染色体,我们将行向量 [ x , y ] [x,y] [x,y]分开进行编码,如对 x , y = [ 13 , 27 ] x,y=[13,27] x,y=[13,27]有:

  • 13的二进制编码为1101
  • 27的二进制编码为11011

可以发现其长度并不相等,但是不要着急,我们可以在其之前补上若干个0,使得二者最终的长度 n n n相等。

那么问题来了, n n n取多少呢?8,16还是32?再或者其他的值?
当然不是随便取,因为:

  1. n n n取得过大,会使得精度表示过高,增加无谓的计算量,导致算法效率低下等问题。
  2. n n n 取得过小,会导致此时所能表示的精度不够,甚至不能覆盖自变量的所有取值范围。这和32位浮点数、64位浮点数之间的区别是一样的。

所以, n n n的取值取决于我们自变量的范围与精度。
举个例子:
对于一个自变量 x ∈ [ − 2 , 2 ] x \in [-2,2] x[2,2],需要精确到小数点后5位,那么该二进制编码的总长度应为多少?
显然,问题转化为:需要一个多长的二进制编码才能表示该区间内所有具有小数点后5的数字?
很显然,该区间内所有具有小数点后5的数字共有 4 × 1 0 5 4 \times10^5 4×105个。
所以,需要找到一个最小的正整数 n n n,使得 2 n ≥ 4 × 1 0 5 2^n\ge 4 \times10^5 2n4×105

for i in range(40):
    if 2**i>=4e5:
    	print(i)
    	break

解得n=19.


解码就是编码的逆过程,在二进制编码中,实际上就是由二进制转换为十进制的问题,但同时需要注意不能使得解码后的值超出我们规定的自变量的区间:

def decode(x,a,b):
    """解码针对染色体的某个变量"""
    xt=0
    for i in range(len(x)):
        xt+=x[i]*np.power(2,i)
    return a+xt*(b-a)/(np.power(2,len(x))-1)  # a,b是自变量的取值范围

注意,通过上面的函数,我们只对某一条基因进行了解码,实际上我们在算法中,所有个体以及每个个体的基因都是在一个大的矩阵中,取 n = 20 n=20 n=20,自变量 x , y ∈ [ − 5 , 5 ] x,y \in [-5,5] x,y[5,5]为例,对于基因种群解码:

def decode_X(X:np.ndarray):
    """对整个种群的基因解码"""
    X2=np.zeros((X.shape[0],2))
    for i in range(X.shape[0]):
        xi=decode(X[i,:20],-5,5)
        yi=decode(X[i,20:],-5,5)
        X2[i]=np.array([xi,yi])
    return X2

选择

物竞天择,适者生存。
不像之前介绍的粒子群算法,在遗传算法中,不合适的个体会被淘汰掉。因此我们要进行模拟选择的过程,我们选择当然要选择适应能力好的个体。(在最小化问题中适应度越小越好)

def select(X,fitness):
    """根据轮盘赌法选择优秀个体"""
    fitness=1/fitness  # fitness越小的个体越优秀,其对应的概率越大,因此需要取一下倒数
    fitness=fitness/fitness.sum()    # 归一化
    idx=np.arange(X.shape[0])    # 每个个体的索引
    X2_idx=np.random.choice(idx,size=X.shape[0],p=fitness)
    X2=X[X2_idx,:]
    return X2

注意我们这里还是比较仁慈的,没有淘汰辣鸡个体,这是为了后面的程序好编写。

交叉

显然,这个是模拟自然界中个体与个体之间的交 配操作。

def mutation(X,m):
	for i in range(0,X.shape[0],2):
		xa=X[i,:]
		xb=X[i+1,:]
		for j in range(X.shape[1]):
			if np.random.rand()<m:
				xa[j],xb[j]=xb[j],xa[j]  # 交叉
		X[i,:]=xa
		X[i+1,:]=xb
	return X

代码也很简单。

变异

同样,模拟自然界中的变异,这通常会带来意想不到的结果:

def mutation(X,m):
	for i in range(X.shape[0]):
		for j in range(X.shape[1]):
			if np.random.rand()<m:
				X[i,j]=(X[i,j]+1)%2
	return X

代码也很简单。

主函数

来到主函数,只需在每次迭代中进行解码,选择,交叉,变异等操作即可,而这些操作我们上面已经定义完毕,所以主函数代码非常简单明了:

def ga(target_func,size,gene_num,p_cross=0.3,p_muta=0.05,iter_num=100):
    """遗传算法主函数
    params:
    p_cross:交叉操作的概率阈值
    p_muta:变异操作的概率阈值
    iter_num:最大迭代次数
    size:种群中个体的个数
    gene_num:表示所有自变量所需要的基因位 数量
    """
    c=p_cross  # 交叉概率
    m=p_muta  # 变异概率
    best_fitness=[]  # 记录每次迭代的效果
    best_xy=[]
    iter_num=100
    X0=np.random.randint(0,2,(size,gene_num))  # 初始化种群
    for i in range(iter_num):
        X1=decode_X(X0)
        fitness=target_func(X1)  # 初始化适应度
        X2=select(X0,fitness)  # 选择操作
        X3=crossover(X2,c)  # 交叉操作
        X4=mutation(X3,m)  # 变异
        X5=decode_X(X4)  # 解码
        fitness=target_func(X5)
        
        best_fitness.append(fitness.min())
        
        x,y=X5[fitness.argmin()]
        best_xy.append((x,y))
        
        X0=X4  # 最后别忘了更新种群
    
    # 多次迭代后的最新效果
    print("最优val是: ",best_fitness[-1])
    print("最优解是:\n x=%.5f, y=%.5f"%best_xy[-1])
    return best_fitness

最后来看一下迭代的过程:

import matplotlib.pyplot as plt


fitnessList=ga(fitness_func,50,40)
plt.plot(fitnessList)

在这里插入图片描述
by——神采的二舅

  • 2
    点赞
  • 16
    收藏
    觉得还不错? 一键收藏
  • 9
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 9
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值