一、遗传算法的实现思路

遗传算法（Genetic Algorithm，GA）是一种借鉴生物进化理论，仿照生物的多代遗传过程的随机搜索算法，它以目标问题的不同解作为不同的个体生成种群，然后对种群进行选择、交配、变异操作来寻求最优个体以实现对目标问题的求解。
其主要算法步骤如下：
1）编码生成种群个体，编码方式一般为实数编码或二进制编码；
2）计算种群个体适应度值；
3）选择操作，选出种群中适应度较高的个体，一般使用轮盘赌方法或比例选择法进行选择；
4）交叉操作，根据交叉概率对经过选择后的种群个体进行个体间基因片段的交换，交叉概率一般为固定值；
5）变异操作，根据变异概率对经过选择后的种群个体进行基因片段的改变，变异概率一般为固定值。
6）重复步骤3到步骤5，当达到最大迭代次数或满足停止条件后停止迭代，然后输出种群中的最优个体。

二、基于二进制编码方式的遗传算法的实现

待求解问题Rastrigin函数：
f(x)=20+x^2-10 cos⁡(2πx)+y^2-10cos⁡(2πy)
求最小值，取值范围：x∈[-5,5],y∈[-5,5]，精度精确到小数点后五位。

1、库的导入

NumPy（Numerical Python）是 Python 语言的一个扩展程序库,支持大量的维度数组与矩阵运算,此外也针对数组运算提供大量的数学函数库。
Matplotlib 是 Python 的绘图库,它能让使用者很轻松地将数据图形化,并且提供多样化的输出格式。
这两个库需要提前安装在当前python路径下，在cmd中执行安装指令即可安装在当前python路径，指令如下：

pip install numpy
pip install matplotlib

库的导入指令如下：

import numpy as np
import matplotlib.pyplot as plt

2、目标函数

将上述问题中的x，y视作种群中的一个个体X，待求解问题f(x)即为目标函数，同时作为适应度函数。

def fitness_func(X):pi = np.pix = X[:, 0]y = X[:, 1]return 20 + x ** 2 - 10 * np.cos(2 * pi * x) + y ** 2 - 10 * np.cos(2 * pi * y)

3、个体编码函数

将二进制编码的每个个体转换成十进制编码，由于for函数是从第0位开始，而二进制转换成十进制需要从个位数开始，因此需要另外的计算将其转换成原数值。

def decode(x, a, b):xt = 0for i in range(len(x)):xt = xt + x[i] * np.power(2, i)return a + xt * (b - a) / (np.power(2, len(x)) - 1)

4、个体解码函数

调用3中的解码统一函数decode（），将每个个体解码成由x，y组成的数组形式。

def decode_X(X: np.array):# X.shape[0]为50，即个体数量X2 = np.zeros((X.shape[0], 2))for i in range(X.shape[0]):#获得x的十进制数xi = decode(X[i, :20], -5, 5)#获得y的十进制数yi = decode(X[i, 20:], -5, 5)#将x、y组成的个体赋给数组X2X2[i, :] = np.array([xi, yi])return X2

5、选择函数

使用比例选择法，由于是求最小值，因此要取倒数来评价适应度值，适应度值越大，选择的概率越大。

def select(X, fitness):fitness = 1 / fitness  # fitness越小表示越优秀，被选中的概率越大，因此取倒数做1/fitness 处理fitness = fitness / fitness.sum()  # 获得每个个体的概率# 将X的每一行（也就是每个个体）选取出来，并排排在一起生成一个新的列表，然后将列表转换成一维数组idxidx = np.array(list(range(X.shape[0])))# 从idx中按照适应度值随机选出50个个体，生成一维数组X2_idx，每个个体被选中的概率与其适应度大小相关X2_idx = np.random.choice(idx, size=X.shape[0], p=fitness)# 将X2_idx里的每一列取出来作为数组X的每一行，之后将数组X赋给X2X2 = X[X2_idx, :]return X2

6、交叉函数

每两个个体为一组，针对每组个体的每个基因，随机生成0-1之间的随机数，与交叉概率比较，若小于交叉概率，则对该基因进行交换，完成交换后，新的一组个体取代原先的一组个体。

def crossover(X, c):for i in range(0, X.shape[0], 2):xa = X[i, :]xb = X[i + 1, :]# X.shape[1]为40，即二进制编码长度for j in range(X.shape[1]):# 产生0-1区间的均匀分布随机数，判断是否需要进行交叉替换if np.random.rand() < c:# 如果进行交叉，则将对应的第j个位置的数进行交叉xa[j], xb[j] = xb[j], xa[j]# 用新的个体取代原先的个体        X[i, :] = xaX[i + 1, :] = xbreturn X

7、变异函数

针对种群中的每个个体的每个基因，随机生成0-1之间的随机数，与变异概率比较，若小于变异概率，则对该基因进行变异，即0变成1，1变成0，完成变异后，新的个体取代原先的个体。

def mutation(X, m):for i in range(X.shape[0]):for j in range(X.shape[1]):if np.random.rand() < m:# 0变成1，1变成0X[i, j] = (X[i, j] + 1) % 2return X

8、算法主流程

将交叉概率设为0.3、变异概率设为0.05，种群数量为50，每个个体都是由x，y组成，且x，y都是二进制编码，由于x与y取值范围在[-5,5]之间，且精确到小数点后五位，因此x、y的编码长度均为20，即每个个体的编码长度为40。
二进制编码随机初始化种群个体后进入循环迭代过程，迭代次数为100次，每次迭代过程中依次进行选择、交叉、变异操作，之后将种群解码并计算适应度值，然后保存此次迭代中的最优适应度值（best_fitness）以及对应的最优个体（best_xy），然后将此时的种群作为下一次迭代时的初始种群。
每次迭代过程中输出当前迭代次数以及最优适应度值。
迭代结束后输出最优适应度值以及对应的个体取值。

c = 0.3  # 交叉概率
m = 0.05  # 变异概率
best_fitness = []  # 记录每次迭代最优适应度值
best_xy = [] # 记录每次迭代最优个体
iter_num = 100  # 最大迭代次数
X0 = np.random.randint(0, 2, (50, 40))  # 随机初始化种群，50个个体，每个个体编码长度为40，为50*40的0-1矩阵
for i in range(iter_num):X1 = decode_X(X0)  # 染色体解码fitness = fitness_func(X1)  # 计算个体适应度X2 = select(X0, fitness)  # 选择操作X3 = crossover(X2, c)  # 交叉操作X4 = mutation(X3, m)  # 变异操作# 将二进制转换成十进制，分别获得x,yX5 = decode_X(X4)# 计算适应度值fitness = fitness_func(X5)# 计算结果最小的即为最优适应度值，保存到best_fitness中best_fitness.append(fitness.min())# 将最优个体保存到best_xy中x, y = X5[fitness.argmin()]best_xy.append((x, y))# 将此次的种群作为新一次迭代过程中的初始种群X0 = X4# 输出当前迭代最优效果print("当前迭代次数:", i+1)print("最优适应度值是:", best_fitness[i])
#迭代结束后的最终效果
print("最优值是：%.5f" % best_fitness[-1])
print("最优解是：x=%.5f, y=%.5f" % best_xy[-1])

9、结果绘图
将best_fitness（每次迭代的最优适应度值）进行绘图并保存，可通过图片查看迭代过程中最优适应度值的变化情况。

plt.plot(best_fitness, color='r')
plt.savefig("GA.png")
plt.show()

图中横轴为迭代次数，纵轴为最优适应度值。

参考源码

遗传算法实数编码参考：
智能优化算法之遗传算法（GA）的实现（基于实数编码，Python附源码）

智能优化算法之遗传算法（GA）的实现（基于二进制编码，Python附源码）相关推荐

【优化算法】遗传算法GA求解混合流水车间调度问题（附C++代码）
[优化算法]遗传算法GA求解混合流水车间调度问题(附C++代码) 00 前言各位读者大家好,好久没有介绍算法的推文了,感觉愧对了读者们热爱学习的心灵.于是,今天我们带来了一个神奇的优化算法--遗传算 ...
详解智能优化算法：遗传算法和蚁群算法
摘要:智能优化算法又称现代启发式算法,是一种具有全局优化性能.通用性强且适合于并行处理的算法.本文主要为大家带来遗传算法和蚁群算法的详细解读. 本文分享自华为云社区<智能优化算法(1)--遗传算 ...
智能优化算法之灰狼优化算法（GWO）的实现（Python附源码）
文章目录一.灰狼优化算法的实现思路 1.社会等级结构分级 2.包围猎物 3.攻击猎物 4.搜索猎物二.算法步骤三.实例一.灰狼优化算法的实现思路灰狼优化算法(Grey Wolf Optimi ...
智能优化算法之鸟群算法（BSA）的实现（Python附源码）
文章目录一.鸟群算法的实现思路 1.飞行行为 2.生产者行为 3.乞讨者行为 4.觅食行为 5.保持警戒行为二.算法步骤三.实例一.鸟群算法的实现思路鸟群算法(Bird Swarm Alog ...
智能优化算法之萤火虫算法（FA）的实现（Python附源码）
一.萤火虫算法的实现思路萤火虫算法(Firefly Algorithm,FA)是由Yang于2010年提出的一种群智能优化算法,在自然界中,萤火虫之间通过自身发光来吸引异性前来交配以及吸引猎物进行捕 ...
智能优化算法之果蝇优化算法（FOA）的实现（Python附源码）
一.果蝇优化算法的实现思路果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)是潘文超于2011年提出的一种群智能优化算法,它模拟自然界中的果蝇进行觅食时的方式, ...
【特征选择】基于亨利气体溶解度优化算法求解二进制特征选择问题（HGSO）含Matlab源码
1 简介最近已经开发了几种元启发式优化算法来解决现实世界的问题.本文提出了一种新的元启发式算法,称为亨利气体溶解度优化 (HGSO),它模仿亨利定律支配的行为来解决具有挑战性的优化问题.亨利定律是一 ...
智能优化算法：遗传算法（GA）
目录目录 1.遗传算法原理介绍及其算子选择 2.算法步骤 3.案例分析 4. 代码实现 1.遗传算法原理介绍及其算子选择遗传算法(Genetic Algorithm,GA)起源于对生物系统所进行的 ...
【LEACH协议】基于matlab蝴蝶优化算法WSN安全分簇路由设计【含Matlab源码 2567期】
⛄一.蝴蝶优化算法(MBO)简介 1 介绍蝴蝶优化算法(butterfly optimization algorithm, BOA)是Arora 等人于2019年提出的一种元启发式智能算法.该算法受 ...

智能优化算法之遗传算法（GA）的实现（基于二进制编码，Python附源码）

文章目录