目录
下面我们使用遗传算法尝试求解一元函数的最值
y = s i n ( x 2 − 1 ) + 2 c o s ( 2 x ) ， x ∈ [ 0 , 10 ] y=sin(x^2-1)+2cos(2x)，x\in [0,10]y =s in (x 2 −1 )+2 cos (2 x )，x ∈[0 ,10 ]
遗传算法求解过程
算法参数
m_population = 50
epoch = 99
L = 40
mp = 0.5
mm = 0.01
mf = 0
mx = 0
bound = [0, 10]
f_list = []
x_list = []
构建初始化种群
生成二进制数组，形状为（种群个体数，个体基因个数），即(m_population, L)
population = np.random.randint(0, 2, (m_population, L))
运行结果
解码（二进制>十进制）
- 将生成的二进制数组先转换为十进制数字，便于计算个体适应度
二进制转十进制有多种方法，这里笔者提供一种：由于个体基因是以二进制数组的形式存在，我们先将二进制数组转换为二进制字符串，然后使用int()函数实现转换过程
for i in range(m_population):
transform_middle = int(''.join(map(lambda x: str(x), population[i])), 2)
- 然后进行标准化。由于二进制字符串的长度为40，转化得到的十进制数字将会非常大，我们的自变量约束区域为b o u n d = [ 0 , 10 ] bound=[0,10]b o u n d =[0 ,10 ]，我们将得到的十进制数字都转化到0 − 10 0-10 0 −10之间，
transform_[i] = bound[0] + (bound[1] - bound[0]) * transform_middle / pow(2, L)
- 求不同个体的的适应度
f = fun(transform_)
自然选择
这是事关重要的一步，我们知道适应度大的个体有更大的概率存活下来，如何使用代码实现这一过程？
我们使用频数来代替概率，在原来种群的基础之上，我们通过概率选择一些个体出来，数量等于原来的种群个体数量相等，这样选择出来的个体在组成一个新的种群，这样我们便完成了自然选择这一过程
bingo = np.random.choice(np.arange(m_population), m_population, True, f / sum(f))
select_populaton = population[bingo]
last_gen = select_populaton
new_gen = select_populaton.copy()
交叉
交叉相当于两个个体（染色体）交配。遗传算法中有多种方式实现交叉，笔者在这里采用一种叫做单点交叉的方式
match = np.random.choice(np.arange(m_population), m_population, False)
for i in range(m_population // 2):
if np.random.rand() < mp:
location = np.random.randint(0, L)
last_gen[match[i]][:location], new_gen[match[L - i - 1]][:location] = \
new_gen[match[L - i - 1]][:location], last_gen[match[i]][:location]
变异
for i in range(m_population):
for j in range(L):
if np.random.rand() < mm:
new_gen[i][j] = 1 if new_gen[i][j]==0 else 0
此时上一代繁衍基本结束，new_gen即为新一代种群
将population更新为新种群
population = new_gen
解码（新种群>十进制）
transform_1 = np.zeros(m_population)
for i in range(m_population):
transform_middle = int(''.join(map(lambda x: str(x), new_gen[i])), 2)
transform_1[i] = bound[0] + (bound[1] - bound[0]) * transform_middle / pow(2, L)
计算新种群的适应度
new_f = fun(transform_1) - 4
mx = transform_1[np.argmax(new_f)]
mf = new_f.max()
f_list.append(mf)
x_list.append(mx)
运行结果
完整代码及其可视化版本
可视化，即使用matplotlib库动态绘制遗传算法求解该问题的过程，主要添加的代码如下
- 绘制该函数图像
- 以散点图的形式绘制每一代个体的最优个体及其适应度
import numpy as np
import matplotlib.pyplot as plt
def fun(x):
return np.sin(x ** 2 - 1) + 2 * np.cos(2 * x) + 4
plt.ion()
inputs=np.arange(0,10,0.1)
output=[fun(i)-4 for i in inputs]
plt.plot(inputs,output)
m_population = 50
epoch = 99
L = 40
mp = 0.5
mm = 0.01
mf = 0
mx = 0
bound = [0, 10]
f_list = []
x_list = []
population = np.random.randint(0, 2, (m_population, L))
transform_ = np.zeros(m_population)
for i in range(m_population):
transform_middle = int(''.join(map(lambda x: str(x), population[i])), 2)
transform_[i] = bound[0] + (bound[1] - bound[0]) * transform_middle / pow(2, L)
f = fun(transform_)
for num in range(epoch):
bingo = np.random.choice(np.arange(m_population), m_population, True, f / sum(f))
select_populaton = population[bingo]
last_gen = select_populaton
new_gen = select_populaton.copy()
match = np.random.choice(np.arange(m_population), m_population, False)
for i in range(m_population // 2):
if np.random.rand() < mp:
location = np.random.randint(0, L)
last_gen[match[i]][:location], new_gen[match[L - i - 1]][:location] = \
new_gen[match[L - i - 1]][:location], last_gen[match[i]][:location]
for i in range(m_population):
for j in range(L):
if np.random.rand() < mm:
new_gen[i][j] = 1 - new_gen[i][j]
transform_1 = np.zeros(m_population)
for i in range(m_population):
transform_middle = int(''.join(map(lambda x: str(x), new_gen[i])), 2)
transform_1[i] = bound[0] + (bound[1] - bound[0]) * transform_middle / pow(2, L)
new_f = fun(transform_1) - 4
mx = transform_1[np.argmax(new_f)]
population = new_gen
mf = new_f.max()
f_list.append(mf)
x_list.append(mx)
plt.scatter(mx,mf)
plt.title(f'epoch:{num+1}')
plt.pause(0.1)
plt.ioff()
plt.show()
print(max(x_list), max(f_list))
>>> 9.93222096441059 2.9685353661257627
运行结果
其他
numpy中的随机数
- np.random.randint
numpy.random.randint(low, high=None, size=None, dtype=int)
返回( l o w , h i g h ] (low,high](l o w ,hi g h ]之间的随机整数或形状为size的随机整数数组
- np.random.choice
numpy.random.choice(a, size=None, replace=True, p=None)
从一维数组a中抽取随机样本
参数描述sizeint or tuple of ints, optional随机样本的数组形状replaceboolean, optional表示样本是否可以重复出现p1-D array-like, optional每个样本被抽取到的概率
Original: https://blog.csdn.net/m0_54510474/article/details/127727478
Author: 夺笋123
Title: python遗传算法（应用篇1）–求解一元函数极值
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/660477/
转载文章受原作者版权保护。转载请注明原作者出处！