遗传算法求解过程

算法参数

# 种群数量
m_population = 50
# 迭代次数（种群进化代数）
epoch = 99
# 基因个数
L = 40
# 交叉概率
mp = 0.5
# 变异概率
mm = 0.01# 最大函数值
mf = 0
# 最大函数值对应的自变量
mx = 0
# 变量约束
bound = [0, 10]
# 存储每一代的最优个体
f_list = []
x_list = []

构建初始化种群

生成二进制数组，形状为（种群个体数，个体基因个数），即(m_population, L)

population = np.random.randint(0, 2, (m_population, L))

运行结果

解码（二进制>十进制）

将生成的二进制数组先转换为十进制数字，便于计算个体适应度
二进制转十进制有多种方法，这里笔者提供一种：由于个体基因是以二进制数组的形式存在，我们先将二进制数组转换为二进制字符串，然后使用int()函数实现转换过程

for i in range(m_population):transform_middle = int(''.join(map(lambda x: str(x), population[i])), 2)

然后进行标准化。由于二进制字符串的长度为40，转化得到的十进制数字将会非常大，我们的自变量约束区域为bound=[0,10]bound=[0,10]bound=[0,10]，我们将得到的十进制数字都转化到0−100-100−10之间，

    transform_[i] = bound[0] + (bound[1] - bound[0]) * transform_middle / pow(2, L)

求不同个体的的适应度

f = fun(transform_)

自然选择

这是事关重要的一步，我们知道适应度大的个体有更大的概率存活下来，如何使用代码实现这一过程？
我们使用频数来代替概率，在原来种群的基础之上，我们通过概率选择一些个体出来，数量等于原来的种群个体数量相等，这样选择出来的个体在组成一个新的种群，这样我们便完成了自然选择这一过程

bingo = np.random.choice(np.arange(m_population), m_population, True, f / sum(f))
select_populaton = population[bingo]# 生成目前种群的两个复制版本，实际上不生成也行，但是这样有利于模拟两个体的交配过程
last_gen = select_populaton
new_gen = select_populaton.copy()

交叉

交叉相当于两个个体（染色体）交配。遗传算法中有多种方式实现交叉，笔者在这里采用一种叫做单点交叉的方式

match = np.random.choice(np.arange(m_population), m_population, False)
for i in range(m_population // 2):# 种群中的个体两两结合if np.random.rand() < mp:# 以交叉概率location = np.random.randint(0, L)# 交叉点last_gen[match[i]][:location], new_gen[match[L - i - 1]][:location] = \new_gen[match[L - i - 1]][:location], last_gen[match[i]][:location]

变异

for i in range(m_population):for j in range(L):if np.random.rand() < mm:new_gen[i][j] = 1 if new_gen[i][j]==0 else 0

此时上一代繁衍基本结束，new_gen即为新一代种群

将population更新为新种群

population = new_gen

解码（新种群>十进制）

transform_1 = np.zeros(m_population)
for i in range(m_population):transform_middle = int(''.join(map(lambda x: str(x), new_gen[i])), 2)transform_1[i] = bound[0] + (bound[1] - bound[0]) * transform_middle / pow(2, L)

计算新种群的适应度

# 计算适应度
new_f = fun(transform_1) - 4
# 选择出最优的个体
mx = transform_1[np.argmax(new_f)]
# 最优适应度
mf = new_f.max()
# 将每一代最优个体及其适应度添加到数组中便于统计
f_list.append(mf)
x_list.append(mx)

运行结果

完整代码及其可视化版本

可视化，即使用matplotlib库动态绘制遗传算法求解该问题的过程，主要添加的代码如下

绘制该函数图像
以散点图的形式绘制每一代个体的最优个体及其适应度

import numpy as np
import matplotlib.pyplot as plt# 定义适应度函数
def fun(x):return np.sin(x ** 2 - 1) + 2 * np.cos(2 * x) + 4plt.ion()
inputs=np.arange(0,10,0.1)
output=[fun(i)-4 for i in inputs]
plt.plot(inputs,output)
# 种群数量
m_population = 50
# 迭代次数
epoch = 99
# 基因个数
L = 40
# 交叉概率
mp = 0.5
# 变异概率
mm = 0.01# 最大函数值
mf = 0
# 最大函数值对应的自变量
mx = 0bound = [0, 10]f_list = []
x_list = []
# 生成二进制种群
population = np.random.randint(0, 2, (m_population, L))
transform_ = np.zeros(m_population)
# 二进制>十进制，并标准化
for i in range(m_population):transform_middle = int(''.join(map(lambda x: str(x), population[i])), 2)transform_[i] = bound[0] + (bound[1] - bound[0]) * transform_middle / pow(2, L)
# 计算当前种群适应度
f = fun(transform_)
for num in range(epoch):# 自然选择bingo = np.random.choice(np.arange(m_population), m_population, True, f / sum(f))select_populaton = population[bingo]# 生成目前种群的两个复制版本，实际上不生成也行，但是这样有利于模拟两个体的交配过程last_gen = select_populatonnew_gen = select_populaton.copy()# 交叉match = np.random.choice(np.arange(m_population), m_population, False)for i in range(m_population // 2):if np.random.rand() < mp:location = np.random.randint(0, L)last_gen[match[i]][:location], new_gen[match[L - i - 1]][:location] = \new_gen[match[L - i - 1]][:location], last_gen[match[i]][:location]# 变异for i in range(m_population):for j in range(L):if np.random.rand() < mm:new_gen[i][j] = 1 - new_gen[i][j]# 现在new_gen就是新生成的种群，我们需要将其转化为十进制# 我们先生成一个空数组，然后使用它储存转化后的种群十进制transform_1 = np.zeros(m_population)for i in range(m_population):transform_middle = int(''.join(map(lambda x: str(x), new_gen[i])), 2)transform_1[i] = bound[0] + (bound[1] - bound[0]) * transform_middle / pow(2, L)# 计算适应度new_f = fun(transform_1) - 4# 选择出最优的个体mx = transform_1[np.argmax(new_f)]# 将当前的种群视为最优的种群population = new_gen# 最优适应度mf = new_f.max()f_list.append(mf)x_list.append(mx)plt.scatter(mx,mf)plt.title(f'epoch:{num+1}')plt.pause(0.1)
plt.ioff()
plt.show()print(max(x_list), max(f_list))
>>> 9.93222096441059 2.9685353661257627

运行结果

其他

numpy中的随机数

np.random.randint

numpy.random.randint(low, high=None, size=None, dtype=int)

返回(low,high](low,high](low,high]之间的随机整数或形状为size的随机整数数组

np.random.choice

numpy.random.choice(a, size=None, replace=True, p=None)

从一维数组a中抽取随机样本

参数		描述
size	int or tuple of ints, optional	随机样本的数组形状
replace	boolean, optional	表示样本是否可以重复出现
p	1-D array-like, optional	每个样本被抽取到的概率

python遗传算法（应用篇1）--求解一元函数极值相关推荐

运用遗传算法求解函数极值（fortran）
运用遗传算法求解函数极值(fortran) 写在前面遗传算法的前世今生算法步骤简介遗传算法的主体结构开始求解: 结果显示: 最后再来说一些需要注意的地方写在前面这篇文章适合一些应急学习最优 ...
遗传算法求解一元函数最大值
基于遗传算法求解一元函数最大值python 一.问题介绍二.算法设计 2.1 类数据成员 2.2 初始化种群 2.3 转换种群编码 2.4 适应度计算 2.5 种群选择 2.6 种群交配 2.7 基 ...
Python遗传算法求一元函数最大值
Python遗传算法求一元函数最大值前言代码后记参考文献前言最近接触遗传算法,参考了众多例子,有些又不尽然对,所以自己边理解边修改,然后写出了下面这堆传说中的屎山... PS1:遗传算法原 ...
利用遗传算法求解函数极值
1.利用遗传算法求解函数极值例1 利用遗传算法求函数 f(x) = 11sin(6x) + 7cos(5x),x∈[- π,π]的最大值点. 解:在MATLAB中编制绘制函数曲线的代码,运行得到题中 ...
Python机器学习基础篇三《无监督学习与预处理》
前言前期回顾: Python机器学习基础篇二<为什么用Python进行机器学习> 上面这篇里面写了文本和序列相关. 我们要讨论的第二种机器学习算法是无监督学习算法.无监督学习包括没有已知 ...
Python深度学习篇
Python深度学习篇一<什么是深度学习> Excerpt 在过去的几年里,人工智能(AI)一直是媒体大肆炒作的热点话题.机器学习.深度学习和人工智能都出现在不计其数的文章中,而这些文章 ...
Python深度学习篇六《深度学习用于文本和序列》
前言前期回顾: Python深度学习篇五<深度学习用于计算机视觉> 上面这篇里面写了计算机视觉相关. 卷积神经网络是解决视觉分类问题的最佳工具. 卷积神经网络通过学习模块化模式和概念的层 ...
使用 Python 和 OpenCV 构建 SET 求解器
作者 | 小白来源 | 小白学视觉小伙伴们玩过 SET 吗?SET 是一种游戏,玩家在指定的时间竞相识别出十二张独特纸牌中的三张纸牌(或 SET)的模式.每张 SET 卡都有四个属性:形状.阴影/ ...
python猜数字游戏简单-python猜数字游戏快速求解解决方案
python猜数字游戏快速求解解决方案.使用方法: 1. 保存代码为guessall.py 2. 执行python guessall.py > result.txt 3. 打开result.tx ...

python遗传算法（应用篇1）--求解一元函数极值

目录

遗传算法求解过程

算法参数

构建初始化种群

解码（二进制>十进制）

自然选择

交叉

变异

解码（新种群>十进制）

计算新种群的适应度

完整代码及其可视化版本

其他

numpy中的随机数

python遗传算法（应用篇1）--求解一元函数极值相关推荐

最新文章

热门文章