- 在线时间
- 1630 小时
- 最后登录
- 2024-1-29
- 注册时间
- 2017-5-16
- 听众数
- 81
- 收听数
- 1
- 能力
- 120 分
- 体力
- 541015 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 167683
- 相册
- 1
- 日志
- 0
- 记录
- 0
- 帖子
- 5324
- 主题
- 5250
- 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)2 G: j/ w4 ~- Z- g- T2 E1 G
) t# h* M* a" U5 A' J+ X
一、遗传算法介绍
3 g; O3 n0 U- a' g$ l W! A. t! g& B4 C* ~7 [' A3 f
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。) s5 G4 F* T9 W9 D
f(x) = 10 * sin( 5x ) + 7 * cos( 4x ), 0 <= x <= 10
1 J7 x- O. U+ V3 X) a! ~1 c& R3 t8 N8 P7 ]- K; y9 e
1、将自变量x进行编码. O4 y- r% h: q8 q# b# I7 Z' P6 Z
; q# d/ b' T$ n1 [' E
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]# C5 V% ?) o/ |, S& V0 P+ R
; s& G/ y4 h% U, L5 Q6 l T8 ?" [: K' Z2、计算目标函数值" L" m+ ?- d1 w1 o: B
1 m% y( P" J0 u8 ~6 o) {+ S9 i
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。
2 s1 ]1 l1 l' t5 n7 }" |) K; H1 z# g0 X* ~9 ~6 X
3、适应度函数( E3 Q8 U0 a% [# i: u
) q( U: n0 C+ m. F% u6 _0 x 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。
- B% t/ x6 ]4 V. h1 V0 d, s$ m4 x. I
8 A( l) |1 v) ?1 A7 O- _4 k1 M4、自然选择
0 r* Q' A6 k% S, X' L/ T7 K' a, T$ C$ G! J: ~. s. `
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:
4 u1 X+ r# c' d- l w
- y; ~/ s: J- x/ o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。
$ k9 K2 Y" @& [3 K% P/ |( P" u
. }# K) l( _" {" D O# V$ r& z& K5、繁殖9 z W h! I6 ?
- ]; f0 ~5 X9 k1 O: t假设个体a、b的基因是3 C* w& C: l0 G9 X$ B' i4 i
0 a. h, a' w. ?/ @9 o7 \ l }8 ?a = [1, 0, 0, 0, 0, 1, 1, 1, 0, 0]3 \& K/ K* ~* D3 P- |: G' i
2 Q, O7 `* X$ w8 N0 b- E9 H @" Xb = [0, 0, 0, 1, 1, 0, 1, 1, 1, 1]$ B- I. e4 u( s8 \! d2 J
( Z( e- [6 b! H* q$ q E8 Z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:8 S4 q" H8 ?& E; g2 I
R2 Y* u& S: V0 @* O5 k" g
a = [1, 0, 0, 0, 0, 1, 1, 1, 0, 0]. r- v6 Q/ U0 `! \
* j" Q, I; N m3 u' x: Qb = [0, 0, 0, 1, 1, 0, 1, 1, 1, 1]1 Y& @) K9 n2 X% z
8 N4 }6 _, r9 V* C* n
交换后为:
# w! u; H1 V0 v+ h( Z# K
8 b- G4 a/ t& T' Qa = [1, 0, 0, 0, 1, 0, 1, 1, 1, 1]9 d# W8 {) _6 z. p9 y0 o
9 `, o* f# |9 ]3 a& v+ P
b = [0, 0, 0, 1, 0, 1, 1, 1, 0, 0]' j P2 b" e% K4 S+ x/ H# }
1 T' i! t4 j2 L$ C* R: \- ~1 `) G6、突变- O3 p; B* v% i- D
) ]; E1 U3 v' m/ G" R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% Z, p+ I G& O. M$ e3 Z/ O) Z
2 e6 q" g- s: a( p5 y, K
二、代码3 \# O1 r7 N I4 K
def b2d(b): #将二进制转化为十进制 x∈[0,10]
" c# F9 a6 A( w9 k t = 0. M' j* B$ Q$ E
for j in range(len(b)):! w* L# R0 a/ M" n, \/ D
t += b[j] * (math.pow(2, j))
- b8 F( E3 h+ b t = t * 10 / 10239 `& ^* n: @, y0 Y; [3 g+ p
return t
* D r0 v; e; Z4 `+ g" d! q: V8 R
/ T! l$ A3 [/ T# zpopsize = 50 #种群的大小
4 _% e- b6 E7 o3 q#用遗传算法求函数最大值:! L# o8 M5 v# \- k5 Y
#f(x)=10*sin(5x)+7*cos(4x) x∈[0,10]2 p1 U W5 d8 G! D8 M# r$ j/ {
2 S' {# b6 \2 E2 a% q
chromlength = 10 #基因片段的长度
. t' p. j, n9 Qpc = 0.6 #两个个体交叉的概率
2 H* }0 L9 f0 E) k3 ]! H. ^ m$ apm = 0.001; #基因突变的概率
( C5 f' r' k9 V. I0 f8 xresults = [[]]$ v/ @" f' ]7 M7 n9 w2 j5 A
bestindividual = []
' U+ {! s1 z- K7 ?2 K. D( M+ c. Abestfit = 0" g1 C$ }3 C: l( Q2 {
fitvalue = []9 f; j) ^2 x3 Q! O
tempop = [[]]
6 ^, V( p1 a7 wpop = [[0, 1, 0, 1, 0, 1, 0, 1, 0, 1] for i in range(popsize)]
^: _& p" i+ F9 Z& ufor i in range(100): #繁殖100代
9 [" G( d* v; m& U2 P6 n objvalue = calobjvalue(pop) #计算目标函数值
2 `% O3 B! |- T% A. L& t- d fitvalue = calfitvalue(objvalue); #计算个体的适应值( I" Y. Y% i% R& U: ^
[bestindividual, bestfit] = best(pop, fitvalue) #选出最好的个体和最好的函数值
! ^' ?: n) h6 t/ G results.append([bestfit,b2d(bestindividual)]) #每次繁殖,将最好的结果记录下来
+ F! Y; m' N" o* a. I selection(pop, fitvalue) #自然选择,淘汰掉一部分适应性低的个体" y: P* Z0 u) h& D5 k
crossover(pop, pc) #交叉繁殖
. v8 `/ o# Q' M% C5 `$ m5 t mutation(pop, pc) #基因突变
+ k7 U" M% A. M7 C0 a * D7 W) X$ _1 J1 U* Z& P/ h7 P, h! F
: @; Y2 P- P% h3 I& L( Q6 iresults.sort() 5 `! c, T. |9 y& [6 Q6 w, D
print(results[-1]) #打印函数最大值和对应的/ w2 i) n/ d0 D9 I. c8 _9 B& q1 r
def calfitvalue(objvalue):#转化为适应值,目标函数值越大越好,负值淘汰。# a, Y$ v. \) u% ^( x1 t2 e
fitvalue = []2 ]+ b- t" L" d/ S1 G* m
temp = 0.0
% n# W: e, Q! Q1 Z# t) u Cmin = 0;$ Z# T" M2 T* S+ L! T. O
for i in range(len(objvalue)):
7 ^4 Q2 T" q( W* r if(objvalue + Cmin > 0):
5 E8 ]$ h, s o1 u, u temp = Cmin + objvalue
+ X- B) D! @$ S- }7 k6 D else:
! u3 E1 ]; m( x/ y% @7 m' m temp = 0.0
/ g, F/ K8 Z/ N% i7 `: k6 \ I8 S fitvalue.append(temp)* A9 {: g- b, X9 I" ^$ f
return fitvalue
1 c5 J3 Z5 C* H4 w: b( limport math
' u3 |# l; v/ x) z& ?& a" _7 u# l! |4 H8 I# o W. E* S3 V* A
def decodechrom(pop): #将种群的二进制基因转化为十进制(0,1023)
4 N! I+ T3 O$ F( a temp = []; V+ E1 P- |4 ~' D& l+ K! o8 Z# b
for i in range(len(pop)):
, ^! t- Z2 G5 r1 ]) V, ~6 y t = 0;
$ m6 P% x& q/ |9 J& ?4 V for j in range(10):
2 V+ I8 b0 ^* R' Q t += pop[j] * (math.pow(2, j))% T' ?) Q8 ]& e# R7 g
temp.append(t)# h- G7 l- N1 C V, x* h/ S, P b
return temp' S. x m. G7 J. D, b7 D4 L
4 f* J" U, Y+ E5 U' _3 E/ D* r/ C
def calobjvalue(pop): #计算目标函数值
% A' x& v) g2 W e6 v4 v" W# ?3 h7 P temp1 = [];* S/ h* Z l9 u+ s6 X9 D7 x
objvalue = [];
. B* n$ [* q: E temp1 = decodechrom(pop)
2 {3 W% M- `( s, \ for i in range(len(temp1)):( U8 X2 F4 c$ i/ u* b# a
x = temp1 * 10 / 1023 #(0,1023)转化为 (0,10)
; n- `0 F8 ~) Y! o. ~ H. G) c- F objvalue.append(10 * math.sin(5 * x) + 7 * math.cos(4 * x))
8 m3 G6 P+ h' n return objvalue #目标函数值objvalue[m] 与个体基因 pop[m] 对应 9 d9 v( c( j( i( M9 W* _; O. m
def best(pop, fitvalue): #找出适应函数值中最大值,和对应的个体- L0 b. t' q/ n3 K
px = len(pop)1 V, h) M2 ~- h# p# @1 R
bestindividual = []) Q' H; \" `& ^/ |* |) a) [* J, S
bestfit = fitvalue[0]
- v+ _ {, T) v for i in range(1,px):' O! W: k3 K: u4 O4 f& `" M
if(fitvalue > bestfit):2 P' p3 p7 y W
bestfit = fitvalue: B) l: N( Z" W2 o
bestindividual = pop
. v2 N9 n4 B. F; b% {+ d return [bestindividual, bestfit]8 l C5 U: V7 X9 e6 n
import random& H# T' u i/ \5 @' T
8 F9 M; P& z7 x
def sum(fitvalue):( _0 @" O9 v6 O$ G+ Q. A2 \
total = 01 J& g1 Y) b8 S8 ]3 F" |
for i in range(len(fitvalue)):9 c. s9 B! M* u: H+ X# B# U
total += fitvalue' S8 Y* h: S* B2 |
return total& U0 T$ `3 B" Z" v [: I l2 F
' x* o+ T% |' j( l# b
def cumsum(fitvalue):
3 n F3 J! c1 I7 k# {/ a for i in range(len(fitvalue)):& n3 w5 _+ ]+ e) m, l
t = 0;
* V/ `% l' F b8 Z* s j = 0;
d8 r" L: a+ {1 J while(j <= i):* C# r! _ b# Y! u& L7 Y# J `
t += fitvalue[j]1 d" l* \; U( @
j = j + 1
/ P7 ^) U8 o9 ? fitvalue = t;
) [" e2 D# Y7 m6 J* D. l
+ q: B6 A/ d* |- d9 Adef selection(pop, fitvalue): #自然选择(轮盘赌算法)
8 P) H* _/ ?9 ~4 P) e8 q$ t newfitvalue = []! T4 C# i# r4 T' ~. d
totalfit = sum(fitvalue)1 [: \# f9 }6 g' E) Q3 M
for i in range(len(fitvalue)):
& D" I+ A$ z( _7 ]+ C x0 R newfitvalue.append(fitvalue / totalfit)+ D8 t+ J: M1 k) J
cumsum(newfitvalue)6 c" y# @+ c5 q* q$ ]( N
ms = [];
3 {2 ?9 g8 }) O! @; u7 M poplen = len(pop)
' |) v( p, y6 g for i in range(poplen):
% _8 h0 p ]$ o# f$ Z ms.append(random.random()) #random float list ms( `& z" z! w# n% N, j6 y, ?
ms.sort(): B# q/ N: N& S; P
fitin = 0
) ~' l' T" S" O; R X& R newin = 00 g+ M: H" h9 P, U9 z! d( Y
newpop = pop
4 _ P- u7 V; U) P* e+ D! [ while newin < poplen:1 j5 x4 b4 h6 f
if(ms[newin] < newfitvalue[fitin]):! ^& l- U$ h- c2 d+ M, L
newpop[newin] = pop[fitin] H6 B" E4 x& I6 F: ]- R) s
newin = newin + 1
( [* d! t( B9 R) z. e* C! p; ?& S else:& w; b4 D$ R. w, L, \) x* F
fitin = fitin + 1
" W( F% P' D# o- w+ @# p6 V pop = newpop% @& o: m* J' t* b- g4 ~! J% O
import random) E8 D& H4 S; K) a% S3 v' f& C/ a, L
+ x% e8 l7 i7 ^# B9 v& ^def crossover(pop, pc): #个体间交叉,实现基因交换
6 Z: I( j% a, Y& w! ] poplen = len(pop)
& n" t# M# t& p; ] for i in range(poplen - 1):
2 J5 |! v! N% K. z; S. ~/ }! p3 V if(random.random() < pc):: D2 A+ a+ f3 B/ j! [2 w
cpoint = random.randint(0,len(pop[0]))
+ t5 A$ M8 I1 _7 I7 A temp1 = [], Z6 G7 b9 z8 K' k U* S& H
temp2 = []
- u n9 a' [( J d9 X# Z/ ? temp1.extend(pop[0 : cpoint])
( o6 d4 Z4 s/ ~* ~" g: x temp1.extend(pop[i+1][cpoint : len(pop)])8 {4 O A b$ g* n$ P) ^+ G6 [( L
temp2.extend(pop[i+1][0 : cpoint])& G5 ]2 U& Y& V N
temp2.extend(pop[cpoint : len(pop)])
4 k. C' n6 W/ P: `* s$ l pop = temp1& }9 f6 H, Y0 _
pop[i+1] = temp2
, }/ H' B2 Q ?import random9 \ G- N' L$ m$ J2 G+ _" H
$ q5 N% q, ^6 M# n8 e! V# w7 Gdef mutation(pop, pm): #基因突变
7 E% f( e& I: | px = len(pop)+ ~' t# `" u% @
py = len(pop[0])
! h* j3 A0 I k) S2 A8 z# I- w
& A* |" W' ]2 u2 T8 U6 O for i in range(px):
; d& q8 Y. ~# I, ^ if(random.random() < pm):
; w2 A2 f, \/ N0 K. s7 u, B! S mpoint = random.randint(0,py-1), g. T: j( H+ q5 f
if(pop[mpoint] == 1):
6 K1 G. d5 ]+ p* l# b pop[mpoint] = 0
, m! D# b+ u/ K# k/ @ V8 Z else:
: y* N% o* y5 c6 M$ o0 f pop[mpoint] = 1
0 i* W y F2 X: N, G6 M7 D- y
- t9 G) S' }. p+ n2 X& n2 b! [' g+ h
————————————————9 e7 M% `. C7 G3 M% I9 Z! x
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。
7 f7 X9 t5 ]+ k; [, Q* _原文链接:https://blog.csdn.net/u010902721/article/details/23531359
" s+ S& ~, {) X3 Q9 f) Q" L/ W& K8 u# ^7 \
2 V6 v4 p# f7 O# s) x
|
zan
|