Python遗传算法代码实例讲解

目录

实例：

代码讲解：

难度较大的代码：

全部代码：

---

 

实例：

求解函数的最大值y=xsin(10x)+xsin(2x),自变量取值：0--5，用Python画出的图像如下

（注：此代码好像有一些感觉不对的地方，首先:没有保留那些适应度低的个体

pop = select(pop, fitness)  '''这一行代码，压根就是把适应度低的个体给干没了。'''

    for parent in pop:
        child = crossover(parent, pop_copy)
        child = mutate(child)
        parent[:] = child  '''这个for循环，没有对交叉变异后的个体进行适应度筛选啊'''

 

）

代码讲解：

'''
1初始化种群：返回一个元素为 二进制的矩阵，每一行代表一个个体，每个个体由二进制数字表示x值
            2：代表二进制，POP_SIZE：矩阵行数，DNA_SIZE：矩阵列数。

'''
pop = np.random.randint(2, size=(POP_SIZE, DNA_SIZE))

'''
2，计算适应度并且原则优良种群，（有放回的抽取），循环很多代
   pop:代表二进制种群,translateDNA(pop):将其转化十进制，在计算适应度，在select选择优良种群

'''
F_values = F(translateDNA(pop))  #求函数值
 
fitness = get_fitness(F_values)  #得到使用度，这里例子函数值就是适应度

pop = select(pop, fitness)
#此时的pop是经过筛选的好的总群，也是一个二进制表现方式，里面有很多一样的个体，因为使用放回抓取
'''
3,经过一波筛选后，接下来该交叉变异了，为了得到更好的x值，因为初始化的x值使得个体分布不均匀

'''
    pop_copy = pop.copy() #复制一份优良种群，用于交叉变异
    for parent in pop:
        child = crossover(parent, pop_copy)  #交叉

        child = mutate(child)  #交叉后的种群在进行变异
        parent[:] = child  
        #将child赋值给parent

难度较大的代码：

crossover（）   mutate（）   parent[:] = child 

'''
crossover
交叉：parent：表示每一个二进制个体，pop：优良的种群，如100个个体
返回交叉后的一个个体，也是二进制表示方式
这个函数的功能就是
parent[cross_points] = pop[i_, cross_points]

'''

def crossover(parent, pop):     # mating process (genes crossover)
    if np.random.rand() < CROSS_RATE:
        i_ = np.random.randint(0, POP_SIZE, size=1) # select another individual from pop
        # 从0-POP_SIZE，随机选择一个数字，


        cross_points = np.random.randint(0, 2, size=DNA_SIZE).astype(np.bool)  
        #array([ True, False, False,  True,  True, False, False,  True,  True,
        #True])
        #随机生成一个10个元素的数组，元素为0和1，在转化成bool型

                                   # choose crossover points
        parent[cross_points] = pop[i_, cross_points]
        #这个语句有难度：
        '''
        将parent为True的元素，将被改变，False的元素不变.将被改变的元素改变成   pop矩阵第 i_                       行里面被选择为true的元素，
        注意，parent的是cross_points,  pop 也是cross_points，必须保持一致，才可以实现交叉生成一个新的个体，这个个体是父母基因的交叉结果
'''
                                   
                                     # mating and produce one child
    return parent     #将新个体返回出去

 

'''
变异：将交叉后得到的个体，（这个个体不一定就是好的个体，很可能是不好的适应度不高的个体）
进行变异，
核心代码：
child[point] = 1 if child[point] == 0 else 0

'''

def mutate(child):
    for point in range(DNA_SIZE):
        if np.random.rand() < MUTATION_RATE:
            child[point] = 1 if child[point] == 0 else 0
            '''
                point是把child这个个体基因遍历一遍，按照几率进行将0变成1，
注意:并不是将所有的0变成1，而是有几率的 if np.random.rand() < MUTATION_RATE:

'''
    return child

全部代码：

"""
Visualize Genetic Algorithm to find a maximum point in a function.
Visit my tutorial website for more: https://morvanzhou.github.io/tutorials/
"""
import numpy as np
import matplotlib.pyplot as plt

DNA_SIZE = 10            # DNA length
POP_SIZE = 100           # population size
CROSS_RATE = 0.8         # mating probability (DNA crossover)
MUTATION_RATE = 0.003    # mutation probability
N_GENERATIONS = 200
X_BOUND = [0, 5]         # x upper and lower bounds


def F(x): return np.sin(10*x)*x + np.cos(2*x)*x     # to find the maximum of this function


# find non-zero fitness for selection
def get_fitness(pred): return pred + 1e-3 - np.min(pred)


# convert binary DNA to decimal and normalize it to a range(0, 5)
def translateDNA(pop): return pop.dot(2 ** np.arange(DNA_SIZE)[::-1]) / float(2**DNA_SIZE-1) * X_BOUND[1]


def select(pop, fitness):    # nature selection wrt pop's fitness
    idx = np.random.choice(np.arange(POP_SIZE), size=POP_SIZE, replace=True,
                           p=fitness/fitness.sum())
    return pop[idx]


def crossover(parent, pop):     # mating process (genes crossover)
    if np.random.rand() < CROSS_RATE:
        i_ = np.random.randint(0, POP_SIZE, size=1)                             # select another individual from pop
        cross_points = np.random.randint(0, 2, size=DNA_SIZE).astype(np.bool)   # choose crossover points
        parent[cross_points] = pop[i_, cross_points]                            # mating and produce one child
    return parent


def mutate(child):
    for point in range(DNA_SIZE):
        if np.random.rand() < MUTATION_RATE:
            child[point] = 1 if child[point] == 0 else 0
    return child


pop = np.random.randint(2, size=(POP_SIZE, DNA_SIZE))   # initialize the pop DNA

plt.ion()       # something about plotting
x = np.linspace(*X_BOUND, 200)
plt.plot(x, F(x))

for _ in range(N_GENERATIONS):
    F_values = F(translateDNA(pop))    # compute function value by extracting DNA

    # something about plotting
    if 'sca' in globals(): sca.remove()
    sca = plt.scatter(translateDNA(pop), F_values, s=200, lw=0, c='red', alpha=0.5); plt.pause(0.05)

    # GA part (evolution)
    fitness = get_fitness(F_values)
    print("Most fitted DNA: ", pop[np.argmax(fitness), :])
    pop = select(pop, fitness)
    pop_copy = pop.copy()
    for parent in pop:
        child = crossover(parent, pop_copy)
        child = mutate(child)
        parent[:] = child       # parent is replaced by its child

plt.ioff(); plt.show()