遗传算法的Python实现（通俗易懂）

概述遗传算法的Python实现一.手工实现1.导入依赖库2.定义全局变量3.定义遗传算法核心函数4.开始拟合5.思考二.使用第三方库三.总结一.手工实现1.导入依赖库importnumpyasnp2.定义全局变量pop_size=10#种群数量PC=0.6#交叉概率PM=0.01#变异概率X_max=5

遗传算法的Python实现一.手工实现1.导入依赖库2.定义全局变量3.定义遗传算法核心函数4.开始拟合5.思考二.使用第三方库三.总结

一.手工实现1.导入依赖库

import numpy as np

2.定义@R_404_6195@

pop_size = 10  # 种群数量PC=0.6 # 交叉概率PM=0.01 #变异概率X_max=5    #最大值X_min=0     #最小值DNA_SIZE=10  #DNA长度与保留位数有关,2**10 当前保留3位小数点N_GENERATIONS=1000

3.定义遗传算法核心函数

a.目标函数

"""求解的目标表达式为：y = 10 * math.sin(5 * x) + 7 * math.cos(4 * x)x=[0,5]"""def aim(x):return 10*np.sin(5*x)+7*np.cos(4*x)

b.解码函数

def decode(pop):   return   pop.dot(2 ** np.arange(DNA_SIZE)[::-1]) *(X_max-X_min)/ float(2**DNA_SIZE-1) +X_min

我们的种群采取二进制的编码方式，通过这个函数将二进制解码为【X_min，X_max】之间的数。
公式可参考：

c.适应度计算函数

def fitnessget(pred):    return pred + 1e-3 - np.min(pred)

一般来说，如果拟合在x的定义域内值域为非负的函可以直接将aim函数作为适应度函数，但是这里我们要拟合的函数包含负数情况，故我们要对其处理变为非负。

d.自然选择函数（轮盘赌）

def select(pop, fitness):               # print(abs(fitness))    # print(fitness.sum())    IDx = np.random.choice(np.arange(pop_size), size=pop_size, replace=True,p=fitness/fitness.sum())    # print(IDx)    return pop[IDx]

轮盘赌算法是比较常用的算法，直白点就是撞大运，适应度高的个体有更大的几率被选择

假设我们初始4个个体，通过这个函数，我们从4个初始个体中按照权重选择了4个个体

虽然我们的个体总量没有发生变化，但适应度高的个体被更多的保留了下来，迭代下去，我们就会得到所谓的纯种个体组成的种群。可是我们并不想要纯种个体，我们想到适应度最高的个体，而纯种个体并不是最优个体，所以我们需要让他们交配。

e.交叉函数

def change(parent, pop):    if np.random.rand() < PC:    #交叉        i_ = np.random.randint(0, pop_size, size=1)        # print(parent)        cross_points = np.random.randint(0, 2, size=DNA_SIZE).astype(np.bool)        # print(np.where(cross_points==True))        # print(cross_points)        parent[cross_points] = pop[i_, cross_points]        # print(parent)    return parent 

我们之所以选择二进制的形式编码，就是因为二进制编码可以很好地模拟染色体的交叉。
即又0——>1，1——>0。但是在一个较小的种群中交配，就是我们所说的近亲间的结婚，子代会有可能继承父代的缺点，所以需要变异。

f.变异函数

def variation(child,pm):                  #变异    for point in range(DNA_SIZE):        if np.random.rand() < pm:            child[point] = 1 if child[point] == 0 else 0    # print(child)    return child

至此，遗传算法的全部过程已经结束，不难看出，遗传算法最精髓最重要的地方，便是随机性，虽然每一步 *** 作都充满了随机性，可最终我们仍然会得到最优个体，这是遗传算法的魅力，也是大自然设计的魅力。

4.开始拟合

pop = np.random.randint(2, size=(pop_size, DNA_SIZE))# print(pop)for i in range(N_GENERATIONS):    #解码    # print(pop)    X_value= decode(pop)        #获取目标函数值    F_values = aim(X_value)        #获取适应值    fitness = fitnessget(F_values)    # print(fitness)    if(i==0):        max=np.max(F_values)        max_DNA = pop[np.argmax(F_values), :]            if(max<np.max(F_values)):        max=np.max(F_values)        max_DNA=pop[np.argmax(F_values), :]            if (i % 10 == 0):        print("Most fitted value and X: \n",              np.max(F_values), decode(pop[np.argmax(F_values), :]))    #选择    pop = select(pop,fitness)    # print(pop)    pop_copy = pop.copy()    # print(pop_copy)    for parent in pop:        # print(parent)        child = change(parent,pop_copy)        child = variation(child,PM)        # print(child)        parent[:] = childprint("目标函数最大值为：",max)print("其DNA值为：",max_DNA)print("其X值为：",decode(max_DNA))

理解了算法的本质后，再看代码自然不会有太大的难度，这里不过多解释了

5.思考

在前面的实现中，我侧重了染色体的交叉，得到了一个不错的结果，如果我们修改@R_404_6195@

pop_size = 50  # 种群数量PC=0.01 # 交叉概率PM=0.99 #变异概率X_max=5    #最大值X_min=0     #最小值DNA_SIZE=10  #DNA长度与保留位数有关,2**10 当前保留3位小数点N_GENERATIONS=1000

即完全依靠变异来进化，也是可以获得很好的结果的呢，这充分说明了遗传算法的核心便是随机！

二.使用第三方库

pip install scikit-opt

这是个功能很强大效果很好的进化算法的第三方库官方文档，大家自行参考官方源码
这里给出最简单的实现

import numpy as npdef schaffer(p):    '''    This function has plenty of local minimum, with strong shocks    global minimum at (0,0) with value 0    '''    x= p[0]        return 5*np.sin(np.log(x))   from sko.GA import GAga = GA(func=schaffer, n_dim=1, size_pop=100, max_iter=800, lb=0, ub=10, precision=1e-7)best_x, best_y = ga.run()print('best_x:', best_x, '\n', 'best_y:', best_y)import pandas as pdimport matplotlib.pyplot as pltx = np.arange(0,10,0.01)y = 5*np.sin(np.log(x))plt.plot(x,y)plt.show()

短短20行代码便能实现~

三.总结

进化计算的算法熟练后可以运用到设置深度学习网络的参数，进化计算还有很大的发展空间。

总结

以上是内存溢出为你收集整理的遗传算法的Python实现（通俗易懂）全部内容，希望文章能够帮你解决遗传算法的Python实现（通俗易懂）所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。