QQ登录

只需要一步,快速开始

 注册地址  找回密码
查看: 4969|回复: 0
打印 上一主题 下一主题

python实现的遗传算法实例(一)

[复制链接]
字体大小: 正常 放大
杨利霞        

5273

主题

82

听众

17万

积分

  • TA的每日心情
    开心
    2021-8-11 17:59
  • 签到天数: 17 天

    [LV.4]偶尔看看III

    网络挑战赛参赛者

    网络挑战赛参赛者

    自我介绍
    本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。

    群组2018美赛大象算法课程

    群组2018美赛护航培训课程

    群组2019年 数学中国站长建

    群组2019年数据分析师课程

    群组2018年大象老师国赛优

    跳转到指定楼层
    1#
    发表于 2020-5-9 14:48 |只看该作者 |倒序浏览
    |招呼Ta 关注Ta
    python实现的遗传算法实例(一)
    ' `, S6 f5 ^4 m8 j( b5 Y2 l8 l  h' `0 C' W9 j
    一、遗传算法介绍
    & B# [0 g9 p9 K$ |6 x% F7 g8 {3 D: }% Z1 A$ ]
            遗传算法是通过模拟大自然中生物进化的历程,来解决问题的。大自然中一个种群经历过若干代的自然选择后,剩下的种群必定是适应环境的。把一个问题所有的解看做一个种群,经历过若干次的自然选择以后,剩下的解中是有问题的最优解的。当然,只能说有最优解的概率很大。这里,我们用遗传算法求一个函数的最大值。
    ! q: K& t$ W2 L, o, [        f(x) = 10 * sin( 5x ) + 7 * cos( 4x ),    0 <=  x <= 10- U% w1 i0 [  @8 n, e' {

    1 G+ O+ t5 m, ~+ l+ N1、将自变量x进行编码
    ; Y* ^% o4 }/ |8 y8 o+ \: t
    # [3 k: P% j" b* Q6 V' j      取基因片段的长度为10, 则10位二进制位可以表示的范围是0到1023。基因与自变量转变的公式是x = b2d(individual) * 10 / 1023。构造初始的种群pop。每个个体的基因初始值是[0, 1, 0, 1, 0, 1, 0, 1, 0, 1]
    # X$ s8 r& x/ A' x
    + P$ k' S0 A& n' m2、计算目标函数值6 o3 ~' [# q. f  ~' z
    0 y+ e" m* a+ W: V2 ?6 Q7 c% h& d
          根据自变量与基因的转化关系式,求出每个个体的基因对应的自变量,然后将自变量代入函数f(x),求出每个个体的目标函数值。9 ^6 J+ j9 ~, w& |! Z+ \' |

    7 r) ~+ l9 D; e4 x3、适应度函数
    * d  p. g+ x' O4 i
    ( e$ J1 Z4 P. A* x# Y' j  _( K* W, C: M      适应度函数是用来评估个体适应环境的能力,是进行自然选择的依据。本题的适应度函数直接将目标函数值中的负值变成0. 因为我们求的是最大值,所以要使目标函数值是负数的个体不适应环境,使其繁殖后代的能力为0.适应度函数的作用将在自然选择中体现。
    0 S) ^  H  i( w' Y! |1 ~
    2 e- h  c& O% P# F6 V/ r4、自然选择* t) B; ^8 M% `6 w% C* {
    5 T. i9 ~9 ^. f7 ~  W
    自然选择的思想不再赘述,操作使用轮盘赌算法。其具体步骤:
    8 F. l' u" A0 `/ z8 u- u  }8 g! v; C3 X' i& }1 T9 C9 R3 m6 T" ~, i  T
    假设种群中共5个个体,适应度函数计算出来的个体适应性列表是fitvalue = [1 ,3, 0, 2, 4] ,totalvalue = 10 , 如果将fitvalue画到圆盘上,值的大小表示在圆盘上的面积。在转动轮盘的过程中,单个模块的面积越大则被选中的概率越大。选择的方法是将fitvalue转化为[1 , 4 ,4 , 6 ,10], fitvalue / totalvalue = [0.1 , 0.4 , 0.4 , 0.6 , 1.0] . 然后产生5个0-1之间的随机数,将随机数从小到大排序,假如是[0.05 , 0.2 , 0.7 , 0.8 ,0.9],则将0号个体、1号个体、4号个体、4号个体、4号个体拷贝到新种群中。自然选择的结果使种群更符合条件了。
    * K$ o& `0 Y% i: M2 \2 t3 ~5 `+ e$ m  Z8 Q0 @$ a0 R2 R+ ~
    5、繁殖
    ! e/ d& |' t9 v9 k4 f! ]3 @) N5 F5 h& t9 ]2 X
    假设个体a、b的基因是
    . S. _( l9 A5 \0 i: L; c9 C0 k7 t+ H5 ]# y
    a = [1, 0, 0, 0, 0, 1, 1, 1, 0, 0]
    5 t$ L& E6 m' B( x( Z. f# |+ A) f& O/ u; }" f# n1 g6 T7 S
    b = [0, 0, 0, 1, 1, 0, 1, 1, 1, 1]
    + F0 p, A4 O# n0 I0 Q. v( R" Q) X5 R' i3 l. Q, D( H* p3 I* s
    这两个个体发生基因交换的概率pc = 0.6.如果要发生基因交换,则产生一个随机数point表示基因交换的位置,假设point = 4,则:
    + |% r; A, }5 Q9 j; R  n* U/ ^4 m- l
    a = [1, 0, 0, 0, 0, 1, 1, 1, 0, 0]
    ' n$ x3 g/ Z/ m8 P
    . a+ w( @, q# _& I( H& Vb = [0, 0, 0, 1, 1, 0, 1, 1, 1, 1]
    ! w6 U. G  Q+ B6 K6 P1 V/ I% y' Z, O
    . P- z( D, m" I/ l4 z$ i交换后为:
    : v5 |' k6 e- T4 J3 |, K& k0 g+ U4 a0 {
    a = [1, 0, 0, 0, 1, 0, 1, 1, 1, 1]
    6 e2 x, R" ?5 S' V5 P; M7 C
    ( g% g5 |/ T% {0 lb = [0, 0, 0, 1, 0, 1, 1, 1, 0, 0]/ ~! G/ M7 `/ Q4 Z
    / T1 C0 {; L, M- C  y# ]3 V
    6、突变0 r4 ^& A4 M5 J7 D
    2 H9 G( r% Z- ]0 H0 T8 [0 T
    遍历每一个个体,基因的每一位发生突变(0变为1,1变为0)的概率为0.001.突变可以增加解空间
    : \6 l7 n' L1 G/ I. h  |3 |) t/ Z4 m* {) K1 e( f
    二、代码& P1 o. P" _8 o8 U; w1 T% U. B& a% J
    def b2d(b): #将二进制转化为十进制 x∈[0,10]' ~! B' j6 @9 t' Q0 {  g: w
            t = 0
    2 r+ `! \) L  Y/ K# k- {; f        for j in range(len(b)):9 W. @. _" X2 Q# j6 z
                    t += b[j] * (math.pow(2, j))  |( U* k, n0 ^: j8 H. R
            t = t * 10 / 1023
    ! j. v+ i2 Y. u- [+ _; V        return t. A# h# l; e9 U9 q+ O+ }

    ! X! ?$ R0 y; B$ @2 ]popsize = 50 #种群的大小- Y7 j) R! r) n5 @; c# u
    #用遗传算法求函数最大值:5 ]/ W5 K1 f2 k2 Q$ N  U+ m7 v
    #f(x)=10*sin(5x)+7*cos(4x) x∈[0,10]
    0 |  D8 x$ T! \* r7 Q! d, m/ k2 D" o
    chromlength = 10 #基因片段的长度
    & S2 G, |. p8 F5 Vpc = 0.6 #两个个体交叉的概率
    ! C. Y7 h/ C' x& F1 o, C; epm = 0.001; #基因突变的概率
    * J/ O) n. o" b' S) p! H3 }results = [[]]
    ; s8 h/ E- P' [" _; q  h, cbestindividual = []
    1 V- h) L3 ~# ^& z0 \6 x/ Ibestfit = 0* @( d5 n, a2 H: a4 B  i& l
    fitvalue = []
    6 R9 S; c# @  i" d  Htempop = [[]]) S1 r+ J2 K. y& ?' ~
    pop = [[0, 1, 0, 1, 0, 1, 0, 1, 0, 1]  for i in range(popsize)]0 M" n! \2 [' O( U
    for i in range(100): #繁殖100代3 N, D, w( j$ B6 A
            objvalue = calobjvalue(pop) #计算目标函数值6 A9 K1 \7 R: U# E: l1 R5 \
            fitvalue = calfitvalue(objvalue); #计算个体的适应值# M/ r' z1 j- W, Y( d
            [bestindividual, bestfit] = best(pop, fitvalue) #选出最好的个体和最好的函数值+ C2 U: }8 q: N+ h
            results.append([bestfit,b2d(bestindividual)]) #每次繁殖,将最好的结果记录下来: F" ?3 s# ?1 N
            selection(pop, fitvalue) #自然选择,淘汰掉一部分适应性低的个体
    3 X6 \3 I1 |! [. n8 n        crossover(pop, pc) #交叉繁殖
    , x# o1 \' B9 f$ {3 ~5 o+ l: \" w        mutation(pop, pc) #基因突变
    6 @) i6 k4 C  l* |) Q       
    & B' Q. P0 i6 w. G! ^" [0 c& G9 ?/ V) u, i5 {0 O% r
    results.sort()       
    5 d1 v. |9 T' R" x# q, S  ^' ~" B2 ]print(results[-1]) #打印函数最大值和对应的
    ) J4 |3 [5 U) c( d9 Pdef calfitvalue(objvalue):#转化为适应值,目标函数值越大越好,负值淘汰。
    1 r& p2 }% V; S9 E+ C4 l* H' s7 U    fitvalue = []7 s9 F& ^& f# p$ D& @4 p
        temp = 0.0
    # Y/ W4 y# D6 `; o    Cmin = 0;
    ' }; F! d2 w3 x2 ]' {    for i in range(len(objvalue)):) J- v& ~$ O8 h2 k
            if(objvalue + Cmin > 0):
      g% L, |/ ^5 ^, z( i            temp = Cmin + objvalue& j# m9 I' q! O
            else:
    ' Z4 b- s4 L; E' n6 D" j) q. _$ J            temp = 0.0, Y! h: y+ R, V! S
            fitvalue.append(temp)
    : q: r! I) ]& y    return fitvalue# C; G. K- t. t$ K$ ^# Y7 g6 A7 J! N* ]
    import math( Y/ f- u4 B; l& G
    5 e: \8 a7 }6 e" ~; X& C
    def decodechrom(pop): #将种群的二进制基因转化为十进制(0,1023)
    ) L. {% |; A: `' \! \$ G    temp = [];
    2 i4 u% z) x! H+ f1 c# ^    for i in range(len(pop)):5 a7 B7 E8 t! t+ x+ Z
            t = 0;
    7 D. B  E; q# }: n4 {; c* r        for j in range(10):5 u+ ^) c6 I! D, j0 A4 G- f
                t += pop[j] * (math.pow(2, j))
    3 ]: g/ ~$ t: h7 U        temp.append(t)4 Q( H$ m7 F8 Y! F( [0 m( B; |1 W
        return temp  |# ^0 {; A- L4 T! H
    " \" O: `0 T0 f9 \& A0 V  ]) }
    def calobjvalue(pop): #计算目标函数值
    ) x7 J# S2 l& x. o0 |    temp1 = [];
    0 n& [) s! [. W- [* i    objvalue = [];
    9 k) a: j& J" x9 h    temp1 = decodechrom(pop)/ T3 e, N7 g/ |2 w6 l, G1 ~0 ]8 p
        for i in range(len(temp1)):
    4 J( M2 @3 v; \1 _        x = temp1 * 10 / 1023 #(0,1023)转化为 (0,10)7 K2 u+ |; k, D# B9 ^
            objvalue.append(10 * math.sin(5 * x) + 7 * math.cos(4 * x))1 A+ d& A1 T8 Z4 E- X; u! j% Q
        return objvalue #目标函数值objvalue[m] 与个体基因 pop[m] 对应 ! i, y3 i  m: N
    def best(pop, fitvalue): #找出适应函数值中最大值,和对应的个体% A" ~( {$ [6 P+ s2 @3 _3 g
            px = len(pop): y# Q9 d# ]2 ^. u  G5 j* s
            bestindividual = []( b0 G5 ^' u1 L. u
            bestfit = fitvalue[0]
    ; E% s4 ]7 n- a8 v( y% K' m        for i in range(1,px):
    3 w6 s  [2 I# D. t; j. H* c- L                if(fitvalue > bestfit):( y9 N3 `2 m' k/ S- @/ T% B
                            bestfit = fitvalue
      @7 O' @1 x/ t                        bestindividual = pop3 C8 ]! W; i% w' b
            return [bestindividual, bestfit]7 e; t5 x, m3 t) T% k+ r
    import random$ S2 f+ n3 U8 N# j
    - x6 c* d" {: u. I/ k
    def sum(fitvalue):
    ) g& C: I3 s- Q$ h. w1 P    total = 0
    7 M! m% [4 e' b$ g) I: F: d    for i in range(len(fitvalue)):6 B$ j, N/ G( t
            total += fitvalue  }* @4 l# D# Z' f
        return total7 G+ P/ \$ }# I# W

    6 g7 O! N2 h0 O" p( Adef cumsum(fitvalue):  x$ |+ s6 E$ G4 i  L& F
        for i in range(len(fitvalue)):
    $ \" e1 P% R1 J, J        t = 0;& a! N% f, K: k
            j = 0;
    ) R3 W8 h0 C5 ]9 W# R5 [        while(j <= i):
    ( x) {' O) R/ m. ~3 l8 }. d* C. O            t += fitvalue[j]0 ?1 D" d1 s' Z3 a7 l9 m3 y4 B
                j = j + 1
    * n# [/ [8 f9 {        fitvalue = t;( H9 }1 U" F: l; E

    + v3 Z" A' ^5 l7 idef selection(pop, fitvalue): #自然选择(轮盘赌算法)
    3 M- y) c: t3 `0 V        newfitvalue = []
    " o' C2 f5 d) N4 J- ~        totalfit = sum(fitvalue)
    " I/ f; [. ^; X2 `1 n        for i in range(len(fitvalue)):
    2 b) s% o7 b4 O) G  Y6 N6 t6 }                newfitvalue.append(fitvalue / totalfit)
    $ ]- F8 f- s0 N1 Q2 B        cumsum(newfitvalue)0 F$ d, t+ i: d. C. j
            ms = [];
    ' d- d) J+ ?: X+ w* q, n' J        poplen = len(pop)
    7 \/ E2 G3 v+ ^        for i in range(poplen):0 k3 T1 M& W$ P' h! [
                    ms.append(random.random()) #random float list ms
    5 ]1 }5 Z8 I" @# z$ X9 ?+ m, s        ms.sort()' |8 w! g% D7 x5 z7 t4 C+ [
            fitin = 05 Q6 a. H7 A3 {6 Z
            newin = 0
    - `7 \' A  s0 P  h        newpop = pop% z7 a' p# ~1 Q  U% ~3 t* J3 ?* l
            while newin < poplen:
    & F* [, F" u# \% C! Q8 }) v                if(ms[newin] < newfitvalue[fitin]):1 D$ Y3 z! n2 p7 m4 J7 y1 q
                            newpop[newin] = pop[fitin]
    $ Q6 S% X0 q8 y8 c2 n                        newin = newin + 1
    5 C- t) B- Z5 e; k* M: u                else:1 |- G8 M7 l; S5 v: m
                            fitin = fitin + 1% P$ e; V9 |" `0 s1 h
            pop = newpop  J# L- p: _' ^
    import random. t1 I; |/ U) u6 W4 a- {
    9 ?+ p1 p7 Q" Z8 P' h! `/ h
    def crossover(pop, pc): #个体间交叉,实现基因交换' U: b2 m; w7 q+ S' Y
        poplen = len(pop)
    4 {" g$ J, c9 C& M) m* n9 h: }    for i in range(poplen - 1):
    + t/ C0 g$ u+ U8 `0 D        if(random.random() < pc):
    , R! a- q1 l' q            cpoint = random.randint(0,len(pop[0]))1 l2 T' j6 n+ s0 e- ]+ s( A
                temp1 = []
    ; f3 m% K* ^" K! D7 y/ T            temp2 = []! L! i7 w: t- J  e+ ^' K0 q- b* c
                temp1.extend(pop[0 : cpoint])0 `8 r' a% B, S( C. p
                temp1.extend(pop[i+1][cpoint : len(pop)])
    ! u) i0 e  f( K# E# B( |            temp2.extend(pop[i+1][0 : cpoint])
    ( b+ c5 e: l0 B/ S- z            temp2.extend(pop[cpoint : len(pop)])
    # z! I" V0 ?0 D( U* G3 D2 x0 a1 {            pop = temp1
    % x; M, W# J" [5 H            pop[i+1] = temp2
    5 }) ]9 m& d' J6 C; A/ z+ Z; a: vimport random$ k# j3 R. _* X' k2 M3 @

    ; D$ [9 ?3 o* R7 ^) K1 }3 Vdef mutation(pop, pm): #基因突变
    ! I  s! n) E& g% G( R  v$ D    px = len(pop)+ S* j5 r/ P+ h3 |3 e) H* V
        py = len(pop[0])
    . M& ]+ ~* P2 U6 S. k
    / A6 k3 C- [; c    for i in range(px):6 k4 u8 y% N7 _1 x. f3 K6 o
            if(random.random() < pm):
    : f6 C- v& R: m7 p: N% L            mpoint = random.randint(0,py-1)! @" ]+ s9 h  n$ S# _( N
                if(pop[mpoint] == 1):
    % A5 h! M8 u+ W                pop[mpoint] = 0
    ; v. I$ v& E9 X% O" A! T; o3 m            else:% q8 D/ ]3 _" R
                    pop[mpoint] = 1
    " \$ q% ^) h* I. G+ x& n1 `  \( R. V4 {8 k

    # W- h3 g5 O; u; r: {) I————————————————
    * T2 E3 t# Q, U' Z) ^3 m版权声明:本文为CSDN博主「simon-zhao」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
    ) T9 a8 `- @; P0 B$ f: V原文链接:https://blog.csdn.net/u010902721/article/details/23531359
    . o8 {1 i( b* e0 _" h0 H& }0 C4 ~+ |' [. W# z' b
    - K) A# j4 `8 V& R' [: D' W
    zan
    转播转播0 分享淘帖0 分享分享0 收藏收藏0 支持支持0 反对反对0 微信微信
    您需要登录后才可以回帖 登录 | 注册地址

    qq
    收缩
    • 电话咨询

    • 04714969085
    fastpost

    关于我们| 联系我们| 诚征英才| 对外合作| 产品服务| QQ

    手机版|Archiver| |繁體中文 手机客户端  

    蒙公网安备 15010502000194号

    Powered by Discuz! X2.5   © 2001-2013 数学建模网-数学中国 ( 蒙ICP备14002410号-3 蒙BBS备-0002号 )     论坛法律顾问:王兆丰

    GMT+8, 2025-7-23 13:15 , Processed in 1.557998 second(s), 50 queries .

    回顶部