- 在线时间
- 1630 小时
- 最后登录
- 2024-1-29
- 注册时间
- 2017-5-16
- 听众数
- 82
- 收听数
- 1
- 能力
- 120 分
- 体力
- 557269 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 172554
- 相册
- 1
- 日志
- 0
- 记录
- 0
- 帖子
- 5313
- 主题
- 5273
- 精华
- 18
- 分享
- 0
- 好友
- 163
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 |
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
|