python如何實現(xiàn)簡單遺傳算法-創(chuàng)新互聯(lián)

這篇文章主要介紹了python如何實現(xiàn)簡單遺傳算法，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

創(chuàng)新互聯(lián)自2013年起，是專業(yè)互聯(lián)網(wǎng)技術服務公司，擁有項目網(wǎng)站建設、成都網(wǎng)站建設網(wǎng)站策劃，項目實施與項目整合能力。我們以讓每一個夢想脫穎而出為使命，1280元淮北做網(wǎng)站,已為上家服務,為淮北各地企業(yè)和個人服務,聯(lián)系電話:18980820575

首先遺傳算法是一種優(yōu)化算法，通過模擬基因的優(yōu)勝劣汰，進行計算（具體的算法思路什么的就不贅述了）。大致過程分為初始化編碼、個體評價、選擇，交叉，變異。

以目標式子 y = 10 * sin(5x) + 7 * cos(4x)為例，計算其大值

首先是初始化，包括具體要計算的式子、種群數(shù)量、染色體長度、交配概率、變異概率等。并且要對基因序列進行初始化

pop_size = 500  # 種群數(shù)量 
max_value = 10  # 基因中允許出現(xiàn)的大值 
chrom_length = 10  # 染色體長度 
pc = 0.6   # 交配概率 
pm = 0.01   # 變異概率 
results = [[]]  # 存儲每一代的最優(yōu)解，N個二元組 
fit_value = []  # 個體適應度 
fit_mean = []  # 平均適應度 
 
pop = geneEncoding(pop_size, chrom_length)

其中genEncodeing是自定義的一個簡單隨機生成序列的函數(shù)，具體實現(xiàn)如下

def geneEncoding(pop_size, chrom_length): 
 pop = [[]] 
 for i in range(pop_size): 
  temp = [] 
  for j in range(chrom_length): 
   temp.append(random.randint(0, 1)) 
  pop.append(temp) 
 
 return pop[1:]

編碼完成之后就是要進行個體評價，個體評價主要是計算各個編碼出來的list的值以及對應帶入目標式子的值。其實編碼出來的就是一堆2進制list。這些2進制list每個都代表了一個數(shù)。其值的計算方式為轉換為10進制，然后除以2的序列長度次方減一，也就是全一list的十進制減一。根據(jù)這個規(guī)則就能計算出所有l(wèi)ist的值和帶入要計算式子中的值，代碼如下

# 0.0 coding:utf-8 0.0 
# 解碼并計算值 
 
import math 
 
 
def decodechrom(pop, chrom_length): 
 temp = [] 
 for i in range(len(pop)): 
  t = 0 
  for j in range(chrom_length): 
   t += pop[i][j] * (math.pow(2, j)) 
  temp.append(t) 
 return temp 
 
 
def calobjValue(pop, chrom_length, max_value): 
 temp1 = [] 
 obj_value = [] 
 temp1 = decodechrom(pop, chrom_length) 
 for i in range(len(temp1)): 
  x = temp1[i] * max_value / (math.pow(2, chrom_length) - 1) 
  obj_value.append(10 * math.sin(5 * x) + 7 * math.cos(4 * x)) 
 return obj_value

有了具體的值和對應的基因序列，然后進行一次淘汰，目的是淘汰掉一些不可能的壞值。這里由于是計算大值，于是就淘汰負值就好了

# 0.0 coding:utf-8 0.0 
 
# 淘汰（去除負值） 
 
 
def calfitValue(obj_value): 
 fit_value = [] 
 c_min = 0 
 for i in range(len(obj_value)): 
  if(obj_value[i] + c_min > 0): 
   temp = c_min + obj_value[i] 
  else: 
   temp = 0.0 
  fit_value.append(temp) 
 return fit_value

然后就是進行選擇，這是整個遺傳算法最核心的部分。選擇實際上模擬生物遺傳進化的優(yōu)勝劣汰，讓優(yōu)秀的個體盡可能存活，讓差的個體盡可能的淘汰。個體的好壞是取決于個體適應度。個體適應度越高，越容易被留下，個體適應度越低越容易被淘汰。具體的代碼如下

# 0.0 coding:utf-8 0.0 
# 選擇 
 
import random 
 
 
def sum(fit_value): 
 total = 0 
 for i in range(len(fit_value)): 
  total += fit_value[i] 
 return total 
 
 
def cumsum(fit_value): 
 for i in range(len(fit_value)-2, -1, -1): 
  t = 0 
  j = 0 
  while(j <= i): 
   t += fit_value[j] 
   j += 1 
  fit_value[i] = t 
  fit_value[len(fit_value)-1] = 1 
 
 
def selection(pop, fit_value): 
 newfit_value = [] 
 # 適應度總和 
 total_fit = sum(fit_value) 
 for i in range(len(fit_value)): 
  newfit_value.append(fit_value[i] / total_fit) 
 # 計算累計概率 
 cumsum(newfit_value) 
 ms = [] 
 pop_len = len(pop) 
 for i in range(pop_len): 
  ms.append(random.random()) 
 ms.sort() 
 fitin = 0 
 newin = 0 
 newpop = pop 
 # 轉輪盤選擇法 
 while newin < pop_len: 
  if(ms[newin] < newfit_value[fitin]): 
   newpop[newin] = pop[fitin] 
   newin = newin + 1 
  else: 
   fitin = fitin + 1 
 pop = newpop

以上代碼主要進行了3個操作，首先是計算個體適應度總和，然后在計算各自的累積適應度。這兩步都好理解，主要是第三步，轉輪盤選擇法。這一步首先是生成基因總數(shù)個0-1的小數(shù)，然后分別和各個基因的累積個體適應度進行比較。如果累積個體適應度大于隨機數(shù)則進行保留，否則就淘汰。這一塊的核心思想在于：一個基因的個體適應度越高，他所占據(jù)的累計適應度空隙就越大，也就是說他越容易被保留下來。
選擇完后就是進行交配和變異，這個兩個步驟很好理解。就是對基因序列進行改變，只不過改變的方式不一樣

交配：

# 0.0 coding:utf-8 0.0 
# 交配 
 
import random 
 
 
def crossover(pop, pc): 
 pop_len = len(pop) 
 for i in range(pop_len - 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] = temp2

變異：

# 0.0 coding:utf-8 0.0 
# 基因突變 
 
import random 
 
 
def mutation(pop, pm): 
 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

整個遺傳算法的實現(xiàn)完成了，總的調(diào)用入口代碼如下

# 0.0 coding:utf-8 0.0 
 
import matplotlib.pyplot as plt 
import math 
 
from calobjValue import calobjValue 
from calfitValue import calfitValue 
from selection import selection 
from crossover import crossover 
from mutation import mutation 
from best import best 
from geneEncoding import geneEncoding 
 
print 'y = 10 * math.sin(5 * x) + 7 * math.cos(4 * x)' 
 
 
# 計算2進制序列代表的數(shù)值 
def b2d(b, max_value, chrom_length): 
 t = 0 
 for j in range(len(b)): 
  t += b[j] * (math.pow(2, j)) 
 t = t * max_value / (math.pow(2, chrom_length) - 1) 
 return t 
 
pop_size = 500  # 種群數(shù)量 
max_value = 10  # 基因中允許出現(xiàn)的大值 
chrom_length = 10  # 染色體長度 
pc = 0.6   # 交配概率 
pm = 0.01   # 變異概率 
results = [[]]  # 存儲每一代的最優(yōu)解，N個二元組 
fit_value = []  # 個體適應度 
fit_mean = []  # 平均適應度 
 
# pop = [[0, 1, 0, 1, 0, 1, 0, 1, 0, 1] for i in range(pop_size)] 
pop = geneEncoding(pop_size, chrom_length) 
 
for i in range(pop_size): 
 obj_value = calobjValue(pop, chrom_length, max_value)  # 個體評價 
 fit_value = calfitValue(obj_value)  # 淘汰 
 best_individual, best_fit = best(pop, fit_value)  # 第一個存儲最優(yōu)的解, 第二個存儲最優(yōu)基因 
 results.append([best_fit, b2d(best_individual, max_value, chrom_length)]) 
 selection(pop, fit_value)  # 新種群復制 
 crossover(pop, pc)  # 交配 
 mutation(pop, pm)  # 變異 
 
results = results[1:] 
results.sort() 
 
X = [] 
Y = [] 
for i in range(500): 
 X.append(i) 
 t = results[i][0] 
 Y.append(t) 
 
plt.plot(X, Y) 
plt.show()

最后調(diào)用了一下matplotlib包，把500代最優(yōu)解的變化趨勢表現(xiàn)出來。

感謝你能夠認真閱讀完這篇文章，希望小編分享的“python如何實現(xiàn)簡單遺傳算法”這篇文章對大家有幫助，同時也希望大家多多支持創(chuàng)新互聯(lián)，關注創(chuàng)新互聯(lián)行業(yè)資訊頻道，更多相關知識等著你來學習!

網(wǎng)頁標題：python如何實現(xiàn)簡單遺傳算法-創(chuàng)新互聯(lián)
轉載注明：http://bm7419.com/article42/cdegec.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供品牌網(wǎng)站建設、Google、ChatGPT、營銷型網(wǎng)站建設、小程序開發(fā)、標簽優(yōu)化

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉載內(nèi)容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉載，或轉載時需注明來源： 創(chuàng)新互聯(lián)