python中遺傳算法的示例分析

這篇文章主要介紹了python中遺傳算法的示例分析，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。

具體內容如下

1、基本概念

遺傳算法（GA）是最早由美國Holland教授提出的一種基于自然界的“適者生存，優勝劣汰”基本法則的智能搜索算法。該法則很好地詮釋了生物進化的自然選擇過程。遺傳算法也是借鑒該基本法則，通過基于種群的思想，將問題的解通過編碼的方式轉化為種群中的個體，并讓這些個體不斷地通過選擇、交叉和變異算子模擬生物的進化過程，然后利用“優勝劣汰”法則選擇種群中適應性較強的個體構成子種群，然后讓子種群重復類似的進化過程，直到找到問題的最優解或者到達一定的進化（運算）時間。

Ga算法中的幾個重要名詞概念。

個體（染色體）：自然界中一個個體（染色體）代表一個生物，在GA算法中，個體（染色體）代表了具體問題的一個解。

基因：在GA算法中，基因代表了具體問題解的一個決策變量，問題解和染色體中基因的對應關系如下所示：

種群：多個個體即組成一個種群。GA算法中，一個問題的多組解即構成了問題的解的種群。

2、主要步驟

GA算法的基本步驟如下：

Step 1. 種群初始化。選擇一種編碼方案然后在解空間內通過隨機生成的方式初始化一定數量的個體構成GA的種群。

Step 2. 評估種群。利用啟發式算法對種群中的個體（矩形件的排入順序）生成排樣圖并依此計算個體的適應函數值（利用率），然后保存當前種群中的最優個體作為搜索到的最優解。

Step 3. 選擇操作。根據種群中個體的適應度的大小，通過輪盤賭或者期望值方法，將適應度高的個體從當前種群中選擇出來。

Step 4. 交叉操作。將上一步驟選擇的個體，用一定的概率閥值Pc控制是否利用單點交叉、多點交叉或者其他交叉方式生成新的交叉個體。

Step 5. 變異操作。用一定的概率閥值Pm控制是否對個體的部分基因執行單點變異或多點變異。

Step 6. 終止判斷。若滿足終止條件，則終止算法，否則返回Step 2。

流程圖如下所示：

3、主要操作介紹

3.1 種群初始化

種群的初始化和具體的問題有關。比如一個問題有n個決策變量{x1,x2,…,xn}。每個決策變量有取值范圍:下界{L1,L2,…,Ln}和上界{U1,U2,…,Un}，則種群中個體的初始化即隨機地在決策變量的取值范圍內生成各個決策變量的值：Xj={x1,x2,...,xn}，其中xi屬于范圍(Li，Ui)內。所有的個體即構成種群。當每個個體都初始化后，即種群完成初始化。

3.2 評價種群

種群的評價即計算種群中個體的適應度值。假設種群population有popsize個個體。依次計算每個個體的適應度值及評價種群。

3.3 選擇操作

GA算法中常見的選擇操作有輪盤賭方式：種群中適應度值更優的個體被選擇的概率越大。假設popsize=4，按照如下表達式計算各個個體的被選擇概率的大小，然后用圓餅圖表示如下。

P(Xj) = fit(Xj)/(fit(X1)+fit(X2)+fit(X3)+fit(X4)),j=1,2,3,4

當依據輪盤賭方式進行選擇時，則概率越大的越容易被選擇到。

3.4 交叉操作

交叉操作也有許多種：單點交叉，兩點交叉等。此處僅講解一下兩點交叉。首先利用選擇操作從種群中選擇兩個父輩個體parent1和parent2,然后隨機產生兩個位置pos1和pos2，將這兩個位置中間的基因位信息進行交換，便得到下圖所示的off1和off2兩個個體，但是這兩個個體中一般會存在基因位信息沖突的現象（整數編碼時），此時需要對off1和off2個體進行調整：off1中的沖突基因根據parent1中的基因調整為parent2中的相同位置處的基因。如off1中的“1”出現了兩次，則第二處的“1”需要調整為parent1中“1”對應的parent2中的“4”，依次類推處理off1中的相沖突的基因。需要注意的是，調整off2，則需要參考parent2。

3.5 變異操作

變異操作的話，根據不同的編碼方式有不同的變異操作。

如果是浮點數編碼，則變異可以就染色體中間的某一個基因位的信息進行變異（重新生成或者其他調整方案）。

如果是采用整數編碼方案，則一般有多種變異方法：位置變異和符號變異。

位置變異： 

符號變異： 

4、Python代碼

#-*- coding:utf-8 -*- 
 
import random 
import math 
from operator import itemgetter 
 
class Gene: 
 ''''' 
 This is a class to represent individual(Gene) in GA algorithom 
 each object of this class have two attribute: data, size 
 ''' 
 def __init__(self,**data): 
  self.__dict__.update(data)   
  self.size = len(data['data'])#length of gene 
         
   
class GA: 
 ''''' 
 This is a class of GA algorithm. 
 ''' 
 def __init__(self,parameter): 
  ''''' 
  Initialize the pop of GA algorithom and evaluate the pop by computing its' fitness value . 
  The data structure of pop is composed of several individuals which has the form like that: 
   
  {'Gene':a object of class Gene, 'fitness': 1.02(for example)} 
 
  Representation of Gene is a list: [b s0 u0 sita0 s1 u1 sita1 s2 u2 sita2] 
   
  ''' 
  #parameter = [CXPB, MUTPB, NGEN, popsize, low, up] 
  self.parameter = parameter 
 
  low = self.parameter[4] 
  up = self.parameter[5] 
   
  self.bound = [] 
  self.bound.append(low) 
  self.bound.append(up) 
   
  pop = [] 
  for i in range(self.parameter[3]): 
   geneinfo = [] 
   for pos in range(len(low)): 
    geneinfo.append(random.uniform(self.bound[0][pos], self.bound[1][pos]))#initialise popluation 
     
   fitness = evaluate(geneinfo)#evaluate each chromosome 
   pop.append({'Gene':Gene(data = geneinfo), 'fitness':fitness})#store the chromosome and its fitness 
    
  self.pop = pop 
  self.bestindividual = self.selectBest(self.pop)#store the best chromosome in the population 
   
 def selectBest(self, pop): 
  ''''' 
  select the best individual from pop 
  ''' 
  s_inds = sorted(pop, key = itemgetter("fitness"), reverse = False) 
  return s_inds[0] 
   
 def selection(self, individuals, k): 
  ''''' 
  select two individuals from pop 
  ''' 
  s_inds = sorted(individuals, key = itemgetter("fitness"), reverse=True)#sort the pop by the reference of 1/fitness 
  sum_fits = sum(1/ind['fitness'] for ind in individuals) #sum up the 1/fitness of the whole pop 
   
  chosen = [] 
  for i in xrange(k): 
   u = random.random() * sum_fits#randomly produce a num in the range of [0, sum_fits] 
   sum_ = 0 
   for ind in s_inds: 
    sum_ += 1/ind['fitness']#sum up the 1/fitness 
    if sum_ > u: 
     #when the sum of 1/fitness is bigger than u, choose the one, which means u is in the range of [sum(1,2,...,n-1),sum(1,2,...,n)] and is time to choose the one ,namely n-th individual in the pop 
     chosen.append(ind) 
     break 
   
  return chosen  
 
 
 def crossoperate(self, offspring): 
  ''''' 
  cross operation 
  ''' 
  dim = len(offspring[0]['Gene'].data) 
 
  geninfo1 = offspring[0]['Gene'].data#Gene's data of first offspring chosen from the selected pop 
  geninfo2 = offspring[1]['Gene'].data#Gene's data of second offspring chosen from the selected pop 
   
  pos1 = random.randrange(1,dim)#select a position in the range from 0 to dim-1, 
  pos2 = random.randrange(1,dim) 
 
  newoff = Gene(data = [])#offspring produced by cross operation 
  temp = [] 
  for i in range(dim): 
   if (i >= min(pos1,pos2) and i <= max(pos1,pos2)): 
    temp.append(geninfo2[i]) 
    #the gene data of offspring produced by cross operation is from the second offspring in the range [min(pos1,pos2),max(pos1,pos2)] 
   else: 
    temp.append(geninfo1[i]) 
    #the gene data of offspring produced by cross operation is from the frist offspring in the range [min(pos1,pos2),max(pos1,pos2)] 
  newoff.data = temp 
   
  return newoff 
 
 
 def mutation(self, crossoff, bound): 
  ''''' 
  mutation operation 
  ''' 
   
  dim = len(crossoff.data) 
 
  pos = random.randrange(1,dim)#chose a position in crossoff to perform mutation. 
 
  crossoff.data[pos] = random.uniform(bound[0][pos],bound[1][pos]) 
  return crossoff 
  
 def GA_main(self): 
  ''''' 
  main frame work of GA 
  ''' 
   
  popsize = self.parameter[3] 
   
  print("Start of evolution") 
   
  # Begin the evolution 
  for g in range(NGEN): 
    
   print("-- Generation %i --" % g)  
      
   #Apply selection based on their converted fitness 
   selectpop = self.selection(self.pop, popsize)  
 
   nextoff = []  
   while len(nextoff) != popsize:  
    # Apply crossover and mutation on the offspring    
         
    # Select two individuals 
    offspring = [random.choice(selectpop) for i in xrange(2)] 
     
    if random.random() < CXPB: # cross two individuals with probability CXPB 
     crossoff = self.crossoperate(offspring) 
     fit_crossoff = evaluate(self.xydata, crossoff.data)# Evaluate the individuals    
      
     if random.random() < MUTPB: # mutate an individual with probability MUTPB 
      muteoff = self.mutation(crossoff,self.bound) 
      fit_muteoff = evaluate(self.xydata, muteoff.data)# Evaluate the individuals 
      nextoff.append({'Gene':muteoff,'fitness':fit_muteoff}) 
       
   # The population is entirely replaced by the offspring 
   self.pop = nextoff 
    
   # Gather all the fitnesses in one list and print the stats 
   fits = [ind['fitness'] for ind in self.pop] 
     
   length = len(self.pop) 
   mean = sum(fits) / length 
   sum2 = sum(x*x for x in fits) 
   std = abs(sum2 / length - mean**2)**0.5 
   best_ind = self.selectBest(self.pop) 
 
   if best_ind['fitness'] < self.bestindividual['fitness']: 
    self.bestindividual = best_ind 
 
   print("Best individual found is %s, %s" % (self.bestindividual['Gene'].data,self.bestindividual['fitness'])) 
   print(" Min fitness of current pop: %s" % min(fits)) 
   print(" Max fitness of current pop: %s" % max(fits)) 
   print(" Avg fitness of current pop: %s" % mean) 
   print(" Std of currrent pop: %s" % std) 
   
  print("-- End of (successful) evolution --")  
 
if __name__ == "__main__": 
 
 CXPB, MUTPB, NGEN, popsize = 0.8, 0.3, 50, 100#control parameters 
  
 up = [64, 64, 64, 64, 64, 64, 64, 64, 64, 64]#upper range for variables 
 low = [-64, -64, -64, -64, -64, -64, -64, -64, -64, -64]#lower range for variables 
 parameter = [CXPB, MUTPB, NGEN, popsize, low, up] 
  
 run = GA(parameter) 
 run.GA_main()

感謝你能夠認真閱讀完這篇文章，希望小編分享的“python中遺傳算法的示例分析”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關注億速云行業資訊頻道，更多相關知識等著你來學習!