$ n: \5 ~" f1 Y! G2 T& j

% t2 F0 N# p$ x. y! W$ j- o1 o, ppython实现的遗传算法实例(一)

) h# F+ A# N: p" a& c" ^4 g% [8 i6 ~% L# ]$ B& s2 U' [7 B: _

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。4 ]; z: O3 }3 A/ b0 a% X/ b  Y

f(x) = 10 * sin( 5x ) + 7 * cos( 4x ),    0 <=  x <= 101、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]

4 j. f; [8 ]: y

b = [0, 0, 0, 1, 1, 0, 1, 1, 1, 1]

# [0 H5 c+ L4 U, k8 u

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：

7 Z  X: K2 ~2 Y. v9 d

a = [1, 0, 0, 0, 0, 1, 1, 1, 0, 0]3 l3 Z" q. e/ m  o6 v" @: m! L

b = [0, 0, 0, 1,1, 0, 1, 1, 1, 1]

交换后为：( R  J3 G3 ~) O0 b% T. n; q: _; V/ ^

a = [1, 0, 0, 0, 1, 0, 1, 1, 1, 1]1 m! p( x5 D; b- w/ _; k

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 tpopsize = 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+ Cmin > 0):            temp = Cmin + objvalueelse:            temp = 0.0        fitvalue.append(temp)    return fitvalueimport mathdef 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[j] * (math.pow(2, j))        temp.append(t)    return tempdef calobjvalue(pop): #计算目标函数值    temp1 = [];    objvalue = [];    temp1 = decodechrom(pop)    for i in range(len(temp1)):        x = temp1* 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> bestfit):                        bestfit = fitvaluebestindividual = popreturn [bestindividual, bestfit]import randomdef sum(fitvalue):    total = 0    for i in range(len(fitvalue)):        total += fitvaluereturn totaldef cumsum(fitvalue):    for i in range(len(fitvalue)):        t = 0;        j = 0;        while(j <= i):            t += fitvalue[j]            j = j + 1        fitvalue= 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/ 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 randomdef 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[0 : cpoint])            temp1.extend(pop[i+1][cpoint : len(pop)])            temp2.extend(pop[i+1][0 : cpoint])            temp2.extend(pop[cpoint : len(pop)])            pop= temp1            pop[i+1] = temp2import randomdef 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[mpoint] == 1):                pop[mpoint] = 0            else:                pop[mpoint] = 1

! ]( J9 j7 k( a: v7 K, Q# o- a/ f( Y8 \/ t* s

' P# c+ |( I" g( Q