遗传算法Python 教程（1）

遗传算法简介

遗传算法是一种通过种群演化得到最优解的搜索算法。遗传算法受启发与生物演化过程中的一些现象，这些现象包括自然选择，交配，突变，遗传等。本教程将通过Python来展示遗传算法的本质和如何使用遗传算法去解决问题。

遗传算法的一般概念

遗传算法是通过一代一代种群 population 演化来寻找对问题最优解的个体 individual。其中种群中包含了 N 个个体，而每一个个体是问题的可能解。每一次迭代，fitness 函数会计算每一个个体对目标问题解的合适成都然后选择最适合的k个个体为下一代演化的后代。演化过程中会有一定概率的个体相互交配，互换染色体，和突变行为，这一过程可以防止种群在演化过程中的适应度被困在局部最优解。遗传算法的过程可以被一下步骤描述。

一个随机生成的种群 population；
通过fitness 函数选择种群的后代；
后代 offerspring 在一定概率下交配；
后代 offerspring 在一定概率下变异；
将后代赋值给种群 population，重复步骤（2）至（4）直到迭代次数超过设定值；

第一个遗传算法的实现

首先我们实现一个简单的遗传算法。我们期望通过遗传算法演化出一个长度为10 且所有元素都为 1 的 list [1111111111]。在这个简单例子中将只会用到变异，因为这里我们主要希望展现遗传算法的迭代过程，所以关于交配的方法和更高级的fitness函数的构建将在后续的教程中介绍。

import numpy as np
import copy# -- 定义参数 --
populationSize = 50
numGenerations = 100
# ***
genomeLength = 10
population = []# -- 遗传算法需要用到的方法 --# 变异
def mutate(Wgenome, mutationRate=0.1):for i in range(len(Wgenome)):if np.random.random() < mutationRate:Wgenome[i] = np.random.randint(2)# 选择
def topNSelectFull(topn=10, maximize=True):global population, populationSizepopulation.sort(key=lambda x: x.fitness, reverse=maximize)selected = copy.deepcopy(population[:topn])counter = 0for i in range(populationSize):population[i] = copy.deepcopy(selected[counter])counter += 1if counter == topn:counter = 0

接着我们定义一个个体

class individual:def __init__(self):self.fitness = 0 #个体的适应度self.genome = [] #个体是一个listdef setGenome(self, newGenome):self.genome = newGenomedef getGenome(self):return self.genome

因为我们期望从随机生成的个体中演化出一个全为1的list, 所以我们的fitness 函数就会是这个list的求和 sum(p.getGenome())。然后我们选择演化过程中最大化个体的适应度，所以让 topNSelectFull 去选择适应度最高的5个个体。最后演化完成后我们把最后一代的所有个体打出来。

if __name__ == "__main__":for i in range(populationSize):indiv = individual()# ***#indiv.setGenome( np.random.choice(2,genomeLength) )indiv.setGenome( np.zeros(genomeLength, dtype=int) )population.append( indiv )for generation in range(numGenerations):for p in population:#计算每个个体的适应度p.fitness = sum(p.getGenome())if generation % 1 == 0:print( "Gen", generation, "Fitness: ", np.max( [p.fitness for p in population] ) )topNSelectFull(topn=5, maximize=True)# 选择适应度最高的五个个体for i in range(populationSize):# 使 10 % 的个体变异newGenome = mutate(population[i].getGenome(), mutationRate=0.1)# ***
for p in population:print ( p.getGenome() )

一个简单的遗传算法就完成了。