在前面几篇文章中，我们已经介绍了高性能Python遗传和进化算法框架——Geatpy的使用。

本篇就一个案例进行展开讲述：

回顾一下Geatpy的安装方法，在上面的第一个链接的文章里也有详细讲解。

pip install geatpy

我们都听过“无限猴子定理”，说的是有无限只猴子用无限的时间会产生特定的文章。在无限猴子定理中，我们“假定”猴子们是没有像人类那样“智能”的，而且“假定”猴子不会自我学习。因此，这些猴子需要“无限的时间”。

而在遗传算法中，由于采用的是启发式的进化搜索，因此不需要”无限的时间“就可以完成类似的工作。当然，需要产生的文章篇幅越长，那么就需要越久的时间才能完成。

下面以产生”Tom is a little boy.”的句子为例，讲述如何利用Geatpy实现句子的搜索。之前的文章中我们已经讲述过如何使用Geatpy的进化算法框架实现遗传算法编程。这里就直接用框架。

编写”main.py”执行脚本，写入以下代码：

# -*- coding: utf-8 -*-

""" *****main.py*****

use GA algorithm to search the sentence: Tom is a little boy.

"""

import numpy as np

import geatpy as ga

strs = 'Tom is a little boy.' # define the sentence

words = []

for c in strs:

words.append(ord(c)) # change the words to ascii code.

# Attention: you had better put the aim-function in another file.

def aim(Phen, LegV): # define the aim function

real = words

diff = np.sum((Phen - real)**2, 1)

return [np.array([diff]).T, LegV]

if __name__ == "__main__":

AIM_M = __import__('main') # get the handle of aim-function

# variables setting

ranges = np.vstack([32 * np.ones((1, len(words))), 122 * np.ones((1, len(words)))]) # ranges of variables

borders = np.vstack([np.ones((1, len(words))), 122 * np.ones((1, len(words)))]) # borders of variables

FieldDR = ga.crtfld(ranges, borders) # create FieldDR

# call the GEA algorithm template

[pop_trace, var_trace, times] = ga.sga_new_real_templet(AIM_M, 'aim', None, None, FieldDR, problem = 'I', maxormin = 1, MAXGEN = 2000, NIND = 50, SUBPOP = 1, GGAP = 0.9, selectStyle = 'etour', recombinStyle = 'xovdprs', recopt = 0.9, pm = None, distribute = True, drawing = 1)

# output results

for num in var_trace[np.argmin(pop_trace[:, 1]), :]:

print(chr(int(num)), end = '')

代码中调用了Geatpy内置的sga_new_real_templet算法模板，其中参数的含义可以使用help(ga.sga_new_real_templet)查看，也可以参见源码：

运行结果如下：

最优的目标函数值为：0.0

最优的控制变量值为：

84.0

…

46.0

最优的一代是第1624代

时间已过4.467496871948242秒

Tom is a little boy.

Geatpy的sga_new_real_templet算法模板实现了一个改进的遗传算法。采用精英保留策略，使算法的收敛性大大增强。由本例可见，使用Geatpy框架实现遗传算法非常简单。Geatpy的强大之处初现。

在上面的代码中，我们设置了selectStyle = ‘etour’，表示采用精英锦标赛选择算子’etour’来进行种群子代的选择，这让算法的收敛速度大大增强。

倘若需要匹配的句子很长，那么则需要更大的进化代数。我认为对于句子匹配问题，可以把它转化成一个高维多目标优化问题去解决，或者是用多种群独立进化的方式，这样效率或许会更高。

下一篇文章将讲述我使用Geatpy解决多目标优化问题以及跟Matlab遗传算法工具箱进行对比学习。

在后面的文章中我们将对更多的编程案例进行详解。欢迎继续跟进，感谢！