1. 关于遗传算法

2. 遗传算法的步骤

3. 代码实现

3.1 工具函数

3.1.1 目标函数

3.1.2 解码

3.1.3 交叉

3.1.4 变异

3.2 主函数部分

3.3 代码

4. 其他

1. 关于遗传算法

遗传算法是根据生物进化论提出的计算最优解的一种算法，核心思想是物竞天择，适者生存

网上关于遗传算法的讲解很多，本章会利用python实现遗传算法实现计算函数最大值，将其中的细节进行讨论

本章利用的函数为：y = x^2 ，定义域为0-10

关于遗传算法利用的其实是基因的遗传重组，所以这里每一个基因都是二进制的序列，例如10101

那二进制映射回定义域就是解码过程， start + (end - start) * tmp / (pow(2,length)-1) ，start 是定义域的左值，end 是定义域的右值，tmp是二进制序列，length 是二进制序列的长度。通过这样的计算就可以将二进制映射回给定的定义域中

那么二进制序列的长度如何定义？

是根据计算精度而言的，例如这里要计算的精度为0.01。那么就需要0.01->0.02->...->10.00中间共有10*10^2 = 1000个数字，那么需要的二进制就是10，因为2^10 = 1024可以保存1000个数字。那么二进制的序列长度就是 10

2. 遗传算法的步骤

接下来看看遗传算法的步骤：

这里只是根据自己实现的代码进行步骤分析，有些细节或者和网上实现不同的地方会在最后补充

1. 初始化种群 ：因为产生的二进制序列一般来说不是一个，这样是为了下面更好的交叉操作。并且，多个二进制序列也有利于找到最优的解

2. 解码 ：解码的意思就是将产生的二进制序列映射到对应的定义域当中，因为二进制产生的值很大，例如上述例子，定义域在0-10，精度为0.01，那么二进制长度为10，如果不进行映射的话，随便的一个二进制都会超过定义域10

当解码完成后，初始化种群已经全部变成在定义域当中的随机n(产生二进制序列的个数)个点

3. 计算适应度 ：将定义域中的随机解码的点进行计算，例子中的y = x^2 被称为适应度函数

计算适应度其实就是计算这些值(x)对应的y，比如要求取最大值，那么看一下随机产生的x，哪一个y大，然后对较大的进行操作。这样反复操作的话，就可以找到最大值

4. 轮盘赌选取父系存活概率 ：当随机产生的n个点，计算完适应度函数后，会生成对应的n个函数值。函数值越大，我们说他越好（我们要计算最大值），那么他应该存活的概率就大。对应的方法是轮盘赌，例如产生的y值： 2 和 9，那么2/(2+9) 和 9/(2+9) 就是2和9存活的概率，这种就是轮盘赌。

注意：这只是概率，不是绝对的 9 > 2 ，就一定是 9 存活

5. 交叉 ：交叉就是根据父系的二进制，将随机的比特位进行交换的操作，这样遗传的思维就出现了。

6. 变异 ：变异是为了跳出极值，将子代的二进制编码，随机取反。0- >1,1->0

具体的实现方式在代码里面讲解

3. 代码实现

如图，本章遗传算法实现的是计算y = x^2 的最大值

关于遗传算法的定义在这：

其中，mutation_rate 是二进制序列变异的概率，这个不应该过大，要不然子代就完全和父代不一样，那么遗传算法也就失去了意义

parents_rate 是父代中保存的概率，例如这里总共有10个种群，0.3就会保存3个父代，这里保存的方式是通过轮盘赌实现

实现的效果为：

3.1 工具函数

为了代码的模块化，这里utils里面存放了四个函数

3.1.1 目标函数

也就是适应度函数

# 目标函数
def function(x):# y = np.sin(x) * np.exp(-x)y = x**2return y

3.1.2 解码

decode 是根据传递的二进制序列矩阵bit_matrix(n*m,n是种群个数，m是二进制的长度) 进行编码，产生n个在start-end定义域中的十进制自变量

# 将二进制编码为十进制，并映射到定义域中
def decode(bit_matrix,num_group,start,end,length):ret = np.zeros(num_group)temp = []       # 保存转换的十进制数for i in range(num_group):tmp = int(''.join(map(lambda x:str(x),bit_matrix[i])),2)    # 获得每一条染色体的十进制ret[i] = start + (end - start) * tmp / (pow(2,length)-1)        # 映射回原始的定义域temp.append(tmp)return temp,ret

3.1.3 交叉

这里实现的方法有所不同

本章实现的遗传算法，种群数目是固定的 ，也就是说初始化是10个，那么父代保留了3个后，交叉产生的子代就只有7个，也就是代码中的count变量。

parents_groups 是父代的所有种群，而非保留之后的3个

实现交叉的方式为，将两组随机的二进制序列进行交叉。最后返回

# 交叉繁殖
def cross(count,parents_groups,length,cross_num=2):childen = []                        # 子代while len(childen) != count:       # 保证子代的数量和父代一样index = np.random.choice(np.arange(length),cross_num,replace=False)   # 随机交换cross_num个基因male = parents_groups[np.random.randint(0,len(parents_groups+1))]       # 从父代中随机挑选两个交叉繁殖female = parents_groups[np.random.randint(0,len(parents_groups+1))]childen_one = male.copy()childen_two = female.copy()childen_one[index] = female[index]          # 交换父母双方的基因产生两个子代childen.append(childen_one)if len(childen) == count:breakchilden_two[index] = male[index]childen.append(childen_two)return np.array(childen)

3.1.4 变异

变异是为了种群能够产生突变，这样随机产生的新的子代也许能够跳出极值

实现方式也很简单，num_mutation可以控制二进制变异的个数

# 变异
def mutation(children,mutation_rate,length,num_mutation=1):children_mutation = []for i in range(len(children)):tmp = children[i]if np.random.random() < mutation_rate:index = np.random.choice(np.arange(length),num_mutation,replace=False)for j in range(num_mutation):       # 变异if tmp[index[j]] == 1:tmp[index[j]] = 0else:tmp[index[j]]= 1children_mutation.append(tmp)return np.array(children_mutation)

3.2 主函数部分

有几点需要注意，计算适应度的时候，将它进行下面的操作，要不然轮盘赌选择的时候会报错。因为概率不能为负值

3.3 代码

主函数部分：

import numpy as np
import matplotlib.pyplot as plt
from utils import decode,function,cross,mutation# 设定超参数
start,end = 0,10
length = 10                     # 染色体长度 bit,精度
num_group = 10                  # 种群数量
iteration_time = 2000             # 迭代次数
mutation_rate = 0.1             # 变异率
parents_rate = 0.3              # 父代中的保存个数(概率)# 初始化二进制种群
init_group = np.random.randint(0,2,size=(num_group,length))parents_group = init_group      # 父代# 迭代
decode_parents_group = 0
for i in range(iteration_time):# 将二进制种群转为十进制，并映射到定义域中_, decode_parents_group = decode(bit_matrix=parents_group, num_group=num_group, start=start, end=end, length=length)# 计算种群适应度f = function(decode_parents_group)f = (f - np.min(f))+1e-8     # 防止 f 为负值或 0select = np.random.choice(np.arange(num_group),int(num_group*parents_rate),replace=True,p=f/sum(f))best_parents_group = parents_group[select]       # 父代中的保留count = len(parents_group) - len(best_parents_group)     # 计算差值# 交叉繁殖children = cross(count=count, parents_groups=parents_group, length=length)children = np.concatenate((best_parents_group, children))# 变异children = mutation(children=children,mutation_rate=mutation_rate,length=length)parents_group = childrenfun = function(decode_parents_group)
x = np.linspace(start,end,100)
plt.plot(x,function(x),color='r')
plt.scatter(decode_parents_group,function(decode_parents_group))
plt.title('max is :%.4f' % np.max(fun))
plt.show()

utils 部分：

import numpy as np# 目标函数
def function(x):# y = np.sin(x) * np.exp(-x)y = x**2return y# 将二进制编码为十进制，并映射到定义域中
def decode(bit_matrix,num_group,start,end,length):ret = np.zeros(num_group)temp = []       # 保存转换的十进制数for i in range(num_group):tmp = int(''.join(map(lambda x:str(x),bit_matrix[i])),2)    # 获得每一条染色体的十进制ret[i] = start + (end - start) * tmp / (pow(2,length)-1)        # 映射回原始的定义域temp.append(tmp)return temp,ret# 交叉繁殖
def cross(count,parents_groups,length,cross_num=2):childen = []                        # 子代while len(childen) != count:       # 保证子代的数量和父代一样index = np.random.choice(np.arange(length),cross_num,replace=False)   # 随机交换cross_num个基因male = parents_groups[np.random.randint(0,len(parents_groups+1))]       # 从父代中随机挑选两个交叉繁殖female = parents_groups[np.random.randint(0,len(parents_groups+1))]childen_one = male.copy()childen_two = female.copy()childen_one[index] = female[index]          # 交换父母双方的基因产生两个子代childen.append(childen_one)if len(childen) == count:breakchilden_two[index] = male[index]childen.append(childen_two)return np.array(childen)# 变异
def mutation(children,mutation_rate,length,num_mutation=1):children_mutation = []for i in range(len(children)):tmp = children[i]if np.random.random() < mutation_rate:index = np.random.choice(np.arange(length),num_mutation,replace=False)for j in range(num_mutation):       # 变异if tmp[index[j]] == 1:tmp[index[j]] = 0else:tmp[index[j]]= 1children_mutation.append(tmp)return np.array(children_mutation)

4. 其他

这里用很多地方和网上实现的不一致，还有一些地方自己也不是特别明白

例如，保留父代的时候，可以重复保留吗？

本章的方法是可以（改为False就可以不重复），这里个人认为，如果选择保留父代不重复的话，那么基本上保留的父代就是按照概率值从大到小进行保留，那么初始化不太好的时候，很容易掉入极值的坑里

    select = np.random.choice(np.arange(num_group),int(num_group*parents_rate),replace=True,p=f/sum(f))

其他的例如，如果变异率或者变异的个数过多的话，那么父代留给子代的信息就完全被破坏了，那么遗传的意义也就没有了

这里计算 y = np.sin(x) * np.exp(-x) 的结果为：

遗传算法求取函数最值问题相关推荐

遗传算法之求取函数极值
遗传算法之求取函数极值 1.前言在智能控制(刘金琨)这本里面讲了遗传算法求取函数极值的方法,这里给出一些个人理解时的注释,顺带求解了第10章的课后习题第二题. 遗传算法流程图如下: 2.原书案例 ...
python多元函数求极小值_使用遗传算法求二元函数的最小值
二元函数为y=x1^2+x2^2,x∈[-5,5] NIND=121; %初始种群的个数(Number of individuals) NVAR=2; %一个染色体(个体)有多少基因 PRECI=20 ...
python多元函数求解_使用遗传算法求二元函数的最小值
二元函数为y=x1^2+x2^2,x∈[-5,5] NIND=121; %初始种群的个数(Number of individuals) NVAR=2; %一个染色体(个体)有多少基因 PRECI=20 ...
遗传算法求二元函数极值怎么编码_使用遗传算法求二元函数的最小值
二元函数为y=x1^2+x2^2,x∈[-5,5] NIND=121; %初始种群的个数(Number of individuals) NVAR=2; %一个染色体(个体)有多少基因 PRECI=20 ...
遗传算法求三元函数极值(python)-采用实数编码
遗传算法求三元函数极值(python)-采用实数编码想看二进制编码编码的博客地址在这遗传算法求三元函数极值(python)-采用二进制编码本文的遗传算法采用实数编码求三元函数极值所求函数为 ` ...
遗传算法求三元函数极值(python)-采用二进制编码
想看实数编码编码的博客地址遗传算法求三元函数极值(python)-采用实数编码 * 遗传算法求三元函数极值(python)-采用二进制编码本文的遗传算法采用二进制编码求三元函数极值所求函数为要 ...
7：C语言之求分段函数的值
#include <stdio.h>//定义main函数 int main() {//请在此添加'求分段函数的值'的代码/*****************Begin*********** ...
MATLAB利用遗传算法求取最优解
MATLAB内置GA函数,用以求解全局最优化问题,适用于求解目标函数最优解问题. 一.GA函数原型: 二.函数介绍常用的两种分别是: 1.X = ga(fitnessfcn,nvars) 2.X = ...
遗传算法实现寻找函数最值
遗传算法的原理参考维基百科:https://zh.wikipedia.org/wiki/%E9%81%97%E4%BC%A0%E7%AE%97%E6%B3%95 遗传算法流程图: 遗传算法的思想和流程 ...

遗传算法求取函数最值问题

1. 关于遗传算法

2. 遗传算法的步骤

3. 代码实现

3.1 工具函数

3.1.1 目标函数

3.1.2 解码

3.1.3 交叉

3.1.4 变异

3.2 主函数部分

3.3 代码

4. 其他

遗传算法求取函数最值问题相关推荐

最新文章

热门文章