多变量遗传算法python代码_遗传算法之Python实现代码

写在前面

之前的文章中已经讲过了遗传算法的基本流程，并且用MATLAB实现过一遍了。这一篇文章主要面对的人群是看过了我之前的文章，因此我就不再赘述遗传算法是什么以及基本的内容了，假设大家已经知道我是怎么写遗传算法的了。

Python的遗传算法主函数

我的思想是，创建一个染色体的类，其中包括了两个变量：染色体chrom与适应度fitness。因此我们就可以通过直接建立对象来作为种群中的个体。

#染色体的类

class Chrom:

chrom = []

fitness = 0

def showChrom(self):

print(self.chrom)

def showFitness(self):

print(self.fitness)

所以我们开始设置基础参数。其中种群的表达方式我用的是字典，也就是用一个字典来保存种群内的所有个体，这个也是我想出来的创建多个对象的方法。

将字典的索引为个体的标号，如：chrom1, chrom2等。字典索引的值就是一个对象。这个对象拥有两个属性，就是染色体与适应度。

其实在这一方便来说，我觉得在思路上是优于利用MATLAB的矩阵式编程的。因为这样可以很直观的将个体与个体的属性这一种思想给表达出来，相比一堆矩阵来说，在逻辑上比较容易接受。

#基础参数

N = 200 #种群内个体数目

mut = 0.2 #突变概率

acr = 0.2 #交叉概率

pop = {} #存储染色体的字典

for i in range(N):

pop['chrom'+str(i)] = Chrom()

chromNodes = 2 #染色体节点数(变量个数)

iterNum = 10000 #迭代次数

chromRange = [[0, 10], [0, 10]] #染色体范围

aveFitnessList = [] #平均适应度

bestFitnessList = [] #最优适应度

之后就是初始染色体了，其中就牵扯到了各种用来初始化种群、计算适应度、找最优等函数，我在这里分出了两个文件，分别为Genetic.py与Fitness.py。

Genetic.py里面有八个函数，主要包含了作用于种群或者染色体操作的函数，分别为：

findBest函数，用于寻找种群中的最优染色体；

findworse函数，用于寻找种群中的最劣染色体；

initialize函数，用于初始化种群；

calAveFitness函数，用于计算种群的平均适应度；

mutChrom函数，用于对染色体进行变异；

inRange函数，用于判断染色体节点值是否越界；

acrChrom函数，用于对染色体进行交叉；

compareChrom函数，用于比较两个染色体孰优孰劣。

Fitness.py里面有两个函数，主要包含了对适应度操作的函数，分别为：

calFitness函数，用来迭代每一个个体，并计算适应度(利用funcFitness函数计算)；

funcFitness函数，计算单个个体的适应度。

因此可以列出初始化代码为

#初始染色体

pop = Genetic.initialize(pop, chromNodes, chromRange)

pop = Fitness.calFitness(pop) #计算适应度

bestChrom = Genetic.findBest(pop) #寻找最优染色体

bestFitnessList.append(bestChrom[1]) #将当前最优适应度压入列表中

aveFitnessList.append(Genetic.calAveFitness(pop, N)) #计算并存储平均适应度

迭代过程的思路和逻辑与MATLAB无异

#开始迭代

for t in range(iterNum):

#染色体突变

pop = Genetic.mutChrom(pop, mut, chromNodes, bestChrom, chromRange)

#染色体交换

pop = Genetic.acrChrom(pop, acr, chromNodes)

#寻找最优

nowBestChrom = Genetic.findBest(pop)

#比较前一个时间的最优和现在的最优

bestChrom = Genetic.compareChrom(nowBestChrom, bestChrom)

#寻找与替换最劣

worseChrom = Genetic.findWorse(pop)

pop[worseChrom[0]].chrom = pop[bestChrom[0]].chrom.copy()

pop[worseChrom[0]].fitness = pop[bestChrom[0]].fitness

#存储最优与平均

bestFitnessList.append(bestChrom[1])

aveFitnessList.append(Genetic.calAveFitness(pop, N))

最后再做一下迭代的的图像

plt.figure(1)

plt.plot(x, aveFitnessList)

plt.plot(x, bestFitnessList)

plt.show()

最后再在最前面加上各种库和文件就可以运行了。

import Genetic

import Fitness

import matplotlib.pyplot as plt

import numpy as np

感悟

可以说最主要的感悟就是染色体这一个类。其实那个Genetic.py与Fitness.py这两个文件也可以直接包装成类，但是这样一来我就嫌主文件太臃肿，在其他里面再包装成类又多此一举，毕竟这只是一个小程序，所以我就这样写了。

深刻感悟到了面向对象编程的优点，在编程逻辑的处理上真是一种享受，只需要思考对象的属性即可，省去了许多复杂的思考。

另一个感悟就是创建多个对象时，利用字典的方法来创建对象。当初我也是困惑怎么建立一个类似于C++中的对象数组，上网查找了各种方法，结果都避而不谈(当然，也可能是我搜索能力太差没找到)，所以经过尝试中遇到到了这种方法。

等有空我再详细说一下这个方法吧，这一次就先到这里。

剩余的函数补充

首先是Genetic.py里面的八个函数

import random

#寻找最优染色体

def findBest(pop):

best = ['1', 0.0000001]

for i in pop:

if best[1] < pop[i].fitness:

best = [i, pop[i].fitness]

return best

#寻找最劣染色体

def findWorse(pop):

worse = ['1', 999999]

for i in pop:

if worse[1] > pop[i].fitness:

worse = [i, pop[i].fitness]

return worse

#赋初始值

def initialize(pop, chromNodes, chromRange):

for i in pop:

chromList = []

for j in range(chromNodes):

chromList.append(random.uniform(chromRange[j][0], chromRange[j][1]+1))

pop[i].chrom = chromList.copy()

return pop

#计算平均适应度

def calAveFitness(pop, N):

sumFitness = 0

for i in pop:

sumFitness = sumFitness + pop[i].fitness

aveFitness = sumFitness / N

return aveFitness

#进行突变

def mutChrom(pop, mut, chromNodes, bestChrom, chromRange):

for i in pop:

#如果随机数小于变异概率(即可以变异)

if mut > random.random():

mutNode = random.randrange(0,chromNodes)

mutRange = random.random() * (1-pop[i].fitness/bestChrom[1])**2

pop[i].chrom[mutNode] = pop[i].chrom[mutNode] * (1+mutRange)

#判断变异后的范围是否在要求范围内

pop[i].chrom[mutNode] = inRange(pop[i].chrom[mutNode], chromRange[mutNode])

return pop

#检验便宜范围是否在要求范围内

def inRange(mutNode, chromRange):

if chromRange[0] < mutNode < chromRange[1]:

return mutNode

elif mutNode-chromRange[0] > mutNode-chromRange[1]:

return chromRange[1]

else:

return chromRange[0]

#进行交叉

def acrChrom(pop, acr, chromNodes):

for i in pop:

for j in pop:

if acr > random.random():

acrNode = random.randrange(0, chromNodes)

#两个染色体节点进行交换

pop[i].chrom[acrNode], pop[j].chrom[acrNode] = pop[j].chrom[acrNode], pop[i].chrom[acrNode]

return pop

#进行比较

def compareChrom(nowbestChrom, bestChrom):

if bestChrom[1] > nowbestChrom[1]:

return bestChrom

else:

return nowbestChrom

然后是Fitness.py的两个函数

import math

def calFitness(pop):

for i in pop:

#计算每个染色体的适应度

pop[i].fitness = funcFitness(pop[i].chrom)

return pop

def funcFitness(chrom):

#适应度函数

fitness = math.sin(chrom[0])+math.cos(chrom[1])+0.1*(chrom[0]+chrom[1])

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。

本文标题: 遗传算法之Python实现代码

本文地址: http://www.cppcns.com/jiaoben/python/206242.html