python实现的遗传算法实例(一)

首先给大家推荐一下我老师大神的人工智能教学网站。教学不仅零基础,通俗易懂,而且非常风趣幽默,还时不时有内涵黄段子!点这里可以跳转到网站





一、遗传算法介绍         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。
        f(x) = 10 * sin( 5x ) + 7 * cos( 4x ),    0 <=  x <= 10 1、将自变量x进行编码       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] 2、计算目标函数值       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。 3、适应度函数       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。 4、自然选择 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: 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。 5、繁殖 假设个体a、b的基因是 a = [1, 0, 0, 0, 0, 1, 1, 1, 0, 0]
b = [0, 0, 0, 1, 1, 0, 1, 1, 1, 1]
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: a = [1, 0, 0, 0, 0, 1, 1, 1, 0, 0]
b = [0, 0, 0, 1, 1, 0, 1, 1, 1, 1] 交换后为: a = [1, 0, 0, 0, 1, 0, 1, 1, 1, 1]
b = [0, 0, 0, 1, 0, 1, 1, 1, 0, 0] 6、突变 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 二、代码

def b2d(b): #将二进制转化为十进制 x∈[0,10]	t = 0	for j in range(len(b)):		t += b[j] * (math.pow(2, j))	t = t * 10 / 1023	return t popsize = 50 #种群的大小#用遗传算法求函数最大值:#f(x)=10*sin(5x)+7*cos(4x) x∈[0,10] chromlength = 10 #基因片段的长度pc = 0.6 #两个个体交叉的概率pm = 0.001; #基因突变的概率results = [[]]bestindividual = []bestfit = 0fitvalue = []tempop = [[]]pop = [[0, 1, 0, 1, 0, 1, 0, 1, 0, 1]  for i in range(popsize)]for i in range(100): #繁殖100代	objvalue = calobjvalue(pop) #计算目标函数值	fitvalue = calfitvalue(objvalue); #计算个体的适应值	[bestindividual, bestfit] = best(pop, fitvalue) #选出最好的个体和最好的函数值	results.append([bestfit,b2d(bestindividual)]) #每次繁殖,将最好的结果记录下来	selection(pop, fitvalue) #自然选择,淘汰掉一部分适应性低的个体	crossover(pop, pc) #交叉繁殖	mutation(pop, pc) #基因突变	 results.sort()	print(results[-1]) #打印函数最大值和对应的def calfitvalue(objvalue):#转化为适应值,目标函数值越大越好,负值淘汰。    fitvalue = []    temp = 0.0    Cmin = 0;    for i in range(len(objvalue)):        if(objvalue[i] + Cmin > 0):            temp = Cmin + objvalue[i]        else:            temp = 0.0        fitvalue.append(temp)    return fitvalueimport math def decodechrom(pop): #将种群的二进制基因转化为十进制(0,1023)    temp = [];    for i in range(len(pop)):        t = 0;        for j in range(10):            t += pop[i][j] * (math.pow(2, j))        temp.append(t)    return temp def calobjvalue(pop): #计算目标函数值    temp1 = [];    objvalue = [];    temp1 = decodechrom(pop)    for i in range(len(temp1)):        x = temp1[i] * 10 / 1023 #(0,1023)转化为 (0,10)        objvalue.append(10 * math.sin(5 * x) + 7 * math.cos(4 * x))    return objvalue #目标函数值objvalue[m] 与个体基因 pop[m] 对应 def best(pop, fitvalue): #找出适应函数值中最大值,和对应的个体	px = len(pop)	bestindividual = []	bestfit = fitvalue[0]	for i in range(1,px):		if(fitvalue[i] > bestfit):			bestfit = fitvalue[i]			bestindividual = pop[i]	return [bestindividual, bestfit]import random def sum(fitvalue):    total = 0    for i in range(len(fitvalue)):        total += fitvalue[i]    return total def cumsum(fitvalue):    for i in range(len(fitvalue)):        t = 0;        j = 0;        while(j <= i):            t += fitvalue[j]            j = j + 1        fitvalue[i] = t; def selection(pop, fitvalue): #自然选择(轮盘赌算法)	newfitvalue = []	totalfit = sum(fitvalue)	for i in range(len(fitvalue)):		newfitvalue.append(fitvalue[i] / totalfit)	cumsum(newfitvalue)	ms = [];	poplen = len(pop)	for i in range(poplen):		ms.append(random.random()) #random float list ms	ms.sort()	fitin = 0	newin = 0	newpop = pop	while newin < poplen:		if(ms[newin] < newfitvalue[fitin]):			newpop[newin] = pop[fitin]			newin = newin + 1		else:			fitin = fitin + 1	pop = newpopimport random def crossover(pop, pc): #个体间交叉,实现基因交换    poplen = len(pop)    for i in range(poplen - 1):        if(random.random() < pc):            cpoint = random.randint(0,len(pop[0]))            temp1 = []            temp2 = []            temp1.extend(pop[i][0 : cpoint])            temp1.extend(pop[i+1][cpoint : len(pop[i])])            temp2.extend(pop[i+1][0 : cpoint])            temp2.extend(pop[i][cpoint : len(pop[i])])            pop[i] = temp1            pop[i+1] = temp2import random def mutation(pop, pm): #基因突变    px = len(pop)    py = len(pop[0])        for i in range(px):        if(random.random() < pm):            mpoint = random.randint(0,py-1)            if(pop[i][mpoint] == 1):                pop[i][mpoint] = 0            else:                pop[i][mpoint] = 1

点这里可以跳转到人工智能网站