遗传算法(Python) #5 用DEAP框架解决OneMax问题

遗传算法(Python) #5 用DEAP框架解决OneMax问题

遗传算法系列的第三期介绍了如何不用任何框架从零开始解决OneMax问题，第四期介绍了DEAP框架的基本用法。若读者对下文中定义或术语不熟悉，可以查看本系列的前几篇文章。本期文章将介绍如何使用DEAP解决OneMax问题。

1.OneMax问题(OneMax problem)

OneMax问题是遗传算法的入门问题，其内容是：如何使一段长度固定的二进制字符串所有位置上数字之和最大。

让我们用一个长度为5的二进制字符串为例：

• 10010 -> 和为2
• 00111 -> 和为3
• 11111 -> 和为5(最大值)

对一般人，显而易见，当所有位数都为1时，该字符串的和最大，但在我们用遗传算法解决该问题时，算法本身并不具备这样的知识。

2.问题的解决思路

首先，我们得把这个问题转换成一个遗传算法问题，即：我们得定义个体、种群，选择、杂交、突变方法、适应度函数等。假设有一个长度为100的字符串，我们可以做出以下定义：

• 个体：个体即为问题的解，这个问题中个体可以直观的定义为一个长度为100列表（List），列表上每个元素为0或1.
• 种群：种群即所有个体的合集，我们可以把种群定义为所有个体组成的列表。
• 选择：使用锦标赛法(Tournament Selection)
• 杂交：使用单点杂交法(Singe-Point Crossover)
• 突变：使用位翻转突变法(Flip Bit Mutation)
• 适应度函数： 我们的目标是使字符串上所有数字之和最大，适应度函数可以直观的定义为列表中所有数字之和。

若对上述定义不太了解的，可以回看遗传算法系列的第二期。

3.用DEAP框架实现遗传算法

以下将分步骤解释每一部分的代码，完整代码在本文的最后可见。

3.1. 准备工作

# 1.load modules
from deap import base,creator,tools,algorithms
import random
import numpy as np
import matplotlib.pyplot as plt
toolbox = base.Toolbox()

首先我们需要导入遗传算法所必须的模组：

• base，creator，tools，algorithms： 这四个模组是DEAP框架内最常用的模组
• random: 用以生成随机数
• numpy：我们将用到 numpy 中的 mean 和 max 方程。
• matplotlib： 用以绘图
• toolbox：DEAP框架中的核心，当使用deap.algorithms时，我们需要把遗传算法的运算符存入toolbox内。 同时toolbox.register也是DEAP中最常用的方法。

3.2. 初始化算法参数

# 2.parameters:
INDIVIDUAL_LENGTH = 100  # length of bit string to be optimized
POPULATION_SIZE = 200
P_CROSSOVER = 0.9  # probability for crossover
P_MUTATION = 0.1   # probability for mutating an individual
MAX_GENERATIONS = 50
random.seed(39)

• INDIVIDUAL_LENGTH：个体的“长度”，即二进制字符串的长度
• POPULATION_SIZE: 种群中个体的数目
• P_CROSSOVER: 个体间交杂的概率
• P_MUTATION: 个体突变的概率
• MAX_GENERATIONS: 算法迭代次数上限
• random.seed：为了保证每次运行的结果相同，设定了随机种子

3.3. 定义个体与种群

# 3.create individual and population
toolbox.register("genBinary", random.randint, 0, 1) # 1
creator.create("FitnessMax", base.Fitness, weights=(1.0,)) # 2
creator.create("Individual", list, fitness=creator.FitnessMax) # 3

toolbox.register("createIndividual", tools.initRepeat, creator.Individual, toolbox.genBinary, INDIVIDUAL_LENGTH) # 4
toolbox.register