GA遗传算法

最新推荐文章于 2024-09-22 12:00:00 发布

撩本子高手

最新推荐文章于 2024-09-22 12:00:00 发布

阅读量1k

点赞数

分类专栏：数学建模文章标签：人工智能机器学习算法性能优化

本文链接：https://blog.csdn.net/xiaziqiqi/article/details/132650032

版权

数学建模专栏收录该内容

12 篇文章 9 订阅

订阅专栏

储备知识

GA算法主要解决数学模型中最优化的搜索算法，是进化算法中的一种，基因算法借鉴了自然界基因的遗传的主要现象，分别为遗传，变异，自然选择，杂交等。

GA算法参数

GA算法的参数如下所示。

种群规模（即一般为行数，即为个体数量）
字符串长度（会将一个变量编码成字符串，一般为0-1二进制字符串）
交配（杂交）概率（让适应度高的个体产生后代变量的概率更大，但其他个体的概率为非负数）
突变概率（让个体基因存在一定的突变概率，一般为1e-3）
终止条件，一般的终止条件如下所示。

循环迭代产生基因的次数
计算资源使用殆尽
已经找到全局最优质值
一定人为干预

GA算法的流程

GA算法最重要的为适应度函数以及自变量的取值范围，以及变量的个数，因此代码实现流程如下所展示。

算法随机生成一定数量的个体，生成初始种群的质量
对每一代评价每个个体，确定适应度数值
产生下一代，这过程包括交叉操作以及突变操作。一般按照适应度数值排序，但不完全以适应度高地为导向，因为有可能造成局部最优解。
继续循环2-3的步骤，直到满足终止条件（上述已经说明）

具体流程如图所示。
在这里插入图片描述

GA算法的适应度函数

适应度函数一般都是用目标函数确定的。目标函数即为因变量与自变量之间的映射函数。而适应度函数主要目的是确定优化的方向，即为最小化还是最大化目标函数值。最小化最大化的代码如下所示。

def Function_(x, y): # Function_(x, y)为目标函数
	pass 
def get_fitness(pop, type='min'):  
# get_fitness(pop, type='min')为自适应函数，一般为确定min为追求最小化，max为追求最大化
# x，y的参数主要根据目标函数的自变量个数去确定
    if  type  is 'min':
   		x,y = translateDNA(pop)
   		pred = Function_(x, y)
   		return -(pred - np.max(pred)) + 1e-3
   elfi type is 'max':
   	    x,y = translateDNA(pop)
   		pred = Function_(x, y)
   		return (pred - np.min(pred)) + 1e-3

GA算法的编码

此外在运用遗传算法的时候，最重要的是会将自变量编码为我们所需要的字符串，这个过程称之为编码，编码方式为二进制编码，将十进制的数字转化为二进制，如5编码之后变成101。后续编码会将补全到某个特定的二进制编码，如变成0000000101（10位二进制编码）。

GA算法的遗传因子选择

选择

交叉

变异

代码实现过程

具体问题具体分析，文中主要以Rosenbrock函数的极大值为例子（参考了知乎某位大佬的例子遗传算法python（含例程代码与详解)）
该函数又称为香蕉函数。具体如图所示。
具体的函数解析式如下所示。
$f(x,y)=(1-x)^{2}+100(y-x^{2})^{2}.$

在这里插入图片描述

代码

import numpy as np
import matplotlib.pyplot as plt


# 适应度函数,求取最大值
#因为GA函数是求最小值，所以我在适应度函数上加一个负号
#GA要求输入维度2维及其以上，所以我传入2个参数，第二维x2不用,
def fitness(y, x):
   # x1, x2 = x
   # return -(x1 + 16 * np.sin(5 * x1) + 10 * np.cos(4 * x1))
   return -(100.0 * (y - x ** 2.0) ** 2.0 + (1 - x) ** 2.0)


# 个体类
from sko.GA import GA
up_bound = [2.048, 2.048]
low_boound = [-2.048, -2.048]
n_dim = 2
iter_num = 800
precision = 1e-7
size_pop = 50
ga = GA(func=fitness, n_dim=n_dim, size_pop=size_pop, max_iter=iter_num, lb=low_boound, ub=up_bound, precision=precision)
# 具体代码的修改需要根据n_dim以及lb和ub的个数，个人理解lb是下限，ub为上限，此外，修改为适应度函数的时候需要注意，即为修改以及调整适应度函数的自变量个数以及表达式
best_x, best_y = ga.run()
# best_x 输出的是坐标，所以就是为一个元组，best_y为因变量，所以输出是一个数值
print('best_x:', best_x[0], '\n', 'best_y:', -best_y)


def func(y, x):
   # return x + 16 * np.sin(5 * x) + 10 * np.cos(4 * x)
   return 100.0 * (y - x ** 2.0) ** 2.0 + (1 - x) ** 2.0

# 绘制二维图像
# x = np.linspace(-10, 10, 100000)
# y = func(x)
#
# plt.plot(x, y)
# plt.scatter(best_x[0], -best_y, c='r', label='best point')

# 绘制三维图像
ax3 = plt.axes(projection='3d')
X = np.linspace(low_boound[0], up_bound[0], 100)
Y = np.linspace(low_boound[1], up_bound[1], 100)
X, Y = np.meshgrid(X, Y)
Z = 100.0 * (Y - X ** 2.0) ** 2.0 + (1 - X) ** 2.0
# plt.scatter(best_x[0], best_x[1], -best_y, c='r', label='best point')
ax3.scatter(best_x[0], best_x[1], -best_y, c='r', label='best point')
ax3.plot_surface(X, Y, Z, cmap='rainbow')
# # ax3.contour(X, Y, Z, zdim='z',offset=-2, cmap='rainbow')   #等高线图，要设置offset，为Z的最小值
plt.legend()
plt.show()