Python:遗传算法实现

关于遗传算法

遗传算法是仿照自然界中生物进化而产生的一类优化算法。个人感觉遗传算法简单粗暴，适应性广。关于遗传算法的介绍网上有很多了，这里按照我自己的理解简单概括一下。

1. 编码解码，将待优化的参数编码为DNA序列，最简单直接的为二进制编码（即有两种碱基的DNA链）；
2. 生成随机初代
3. 选择，适应度（由待优化的模型得到）较好的个体有更大的概率被选择，应用比较多的方法有轮盘赌和锦标赛；
4. 按照一定概率进行随机的交叉变异
5. GOTO Step 2

经过多个世代的迭代之后，将会收敛到最优解。交叉和编译的作用是产生新个体，避免陷入局部最优解。

利用Python实现

前辈们常说一句话“避免重复造轮子”，其实最直接的还是搜一下别人写的包。这里之所以花时间自己搞一个主要是因为这个算法比较简单，逻辑性很明确，比较适合练手，因此才决定自己实现一下，算是敲开Python大门的第一个项目。

编码解码

这里选择使用二进制编码的方式来实现，根据用户输入的参数范围和精度计算出每个参数需要的位数，然后将参数空间均分映射为二进制编码。

Copy

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31

# Encode parameters into DNA def encode(self, parameters): dna = '' for i in range(self.nGenes): geneSequenceDigit = (parameters[i]-self.parametersRange[i,0])/(self.parametersRange[i,1]-self.parametersRange[i,0])*(2**self.geneLength[i]-1) geneSequenceDigit = int(round(geneSequenceDigit)) geneSequenceBin = self.int2bin(geneSequenceDigit, self.geneLength[i]) dna = dna + geneSequenceBin dna = list(dna) # Trun string to list return dna # Decode DNA to parameters def decode(self, dna): dna = ''.join(dna) # Trun list to string parameters = [] for i in range(self.nGenes): geneSequenceBin = dna[self.dnaIdx[i,0]:self.dnaIdx[i,1]+1] geneSequenceDigit = self.bin2int(geneSequenceBin) parameterI = geneSequenceDigit/(2**self.geneLength[i]-1)*(self.parametersRange[i,1]-self.parametersRange[i,0])+self.parametersRange[i,0] parameters.append(parameterI) return parameters # Returns the binary string of integer n, using count number of digits def int2bin(self, n, count=32): binStr = "".join([str((n >> y) & 1) for y in range(count-1, -1, -1)]) return binStr # Returns digit integer of binary string def bin2int(self, n): ret = int(n,2) return ret

这种方式实现的精度并不是确切的为用户输入的精度，而是要高于用户的输入精度。

选择

选择的策略使用了名为锦标赛的方式，同时添加了精英保留机制。锦标赛是指随机选择N个（通常N=2）候选个体，再从中选择最优的个体进入下一代，重复多次，直到子代规模达到要求。精英保留机制是是指保护已经产生的最优个体不被淘汰，不被交叉和变异破坏。

Copy

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

# Select individuals def select(self): nCandidates = 2 generation = [] for i in range(self.popGeneration): candidates = random.choices(self.generation, k=nCandidates) fitnessList = self.fitness(candidates=candidates) bestFitness = max(fitnessList) idx = fitnessList.index(bestFitness) generation.append(candidates[idx].copy()) self.generation = generation return # Elitist preservation def elitistPreservation(self): bestFitness = max(self.fitnessList) if bestFitness > self.bestFitness: idx = self.fitnessList.index(bestFitness) self.bestFitness = bestFitness self.bestIndividual = self.generation[idx].copy() else: worstIndividual = min(self.fitnessList) idx = self.fitnessList.index(worstIndividual) self.generation[idx] = self.bestIndividual.copy() self.fitnessList[idx] = self.bestFitness return

交叉和变异

交叉和编译比较简单，利用随机数的方式来控制发生的概率。这里值得一提的是，现实中可能会发生多点的变异或者交叉，只不过概率非常低，在遗传算法的实现中如果仅仅采用单点的交叉和变异也是可以的。

代码和例子

https://yingnan.me/files/GeneticAlgorithm.py

使用例程：

Copy

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

import GeneticAlgorithm as GA # 导入GeneticAlgorithm模块 import math # 根据具体的优化目标设计适应度函数，par为输入参数的列表，ret为适应度 def fitness(par): x = par[0] ret = x*math.sin(10*math.pi*x)+2 return ret maxGen = 500 # 迭代次数 popGeneration = 50 # 每个世代的个体数目 pCross = 0.1 # 发生交叉的概率 pMutation = 0.05 # 发生变异的概率 nGenes = 1 # 待优化的参数的个数 parametersRange = [[-1, 2, 0.01]] # 待优化参数的范围及要求的精度，多个参数写法：[[-1, 2, 0.01]，[-2, 3, 0.1]] # 创建GA对象 ga = GA.GeneticAlgorithm(maxGen, popGeneration, pCross, pMutation, nGenes, parametersRange, fitness) # 显示对象信息 ga.info() # 执行优化 ga.run() # 显示最优解 ga.result()

转载于:https://www.cnblogs.com/ynnie/p/10590942.html