今天整理之前寫的代碼,發(fā)現(xiàn)在做數(shù)模期間寫的用python實現(xiàn)的遺傳算法,感覺還是挺有意思的,就拿出來分享一下。
10余年的安順網(wǎng)站建設經(jīng)驗,針對設計、前端、開發(fā)、售后、文案、推廣等六對一服務,響應快,48小時及時工作處理。全網(wǎng)營銷推廣的優(yōu)勢是能夠根據(jù)用戶設備顯示端的尺寸不同,自動調整安順建站的顯示方式,使網(wǎng)站能夠適用不同顯示終端,在瀏覽器中調整網(wǎng)站的寬度,無論在任何一種瀏覽器上瀏覽網(wǎng)站,都能展現(xiàn)優(yōu)雅布局與設計,從而大程度地提升瀏覽體驗。創(chuàng)新互聯(lián)建站從事“安順網(wǎng)站設計”,“安順網(wǎng)站推廣”以來,每個客戶項目都認真落實執(zhí)行。
首先遺傳算法是一種優(yōu)化算法,通過模擬基因的優(yōu)勝劣汰,進行計算(具體的算法思路什么的就不贅述了)。大致過程分為初始化編碼、個體評價、選擇,交叉,變異。
遺傳算法介紹
遺傳算法是通過模擬大自然中生物進化的歷程,來解決問題的。大自然中一個種群經(jīng)歷過若干代的自然選擇后,剩下的種群必定是適應環(huán)境的。把一個問題所有的解看做一個種群,經(jīng)歷過若干次的自然選擇以后,剩下的解中是有問題的最優(yōu)解的。當然,只能說有最優(yōu)解的概率很大。這里,我們用遺傳算法求一個函數(shù)的最大值。
f(x) = 10 * sin( 5x ) 7 * cos( 4x ), 0 = x = 10
1、將自變量x進行編碼
取基因片段的長度為10, 則10位二進制位可以表示的范圍是0到1023?;蚺c自變量轉變的公式是x = b2d(individual) * 10 / 1023。構造初始的種群pop。每個個體的基因初始值是[0, 1, 0, 1, 0, 1, 0, 1, 0, 1]
2、計算目標函數(shù)值
根據(jù)自變量與基因的轉化關系式,求出每個個體的基因對應的自變量,然后將自變量代入函數(shù)f(x),求出每個個體的目標函數(shù)值。
3、適應度函數(shù)
適應度函數(shù)是用來評估個體適應環(huán)境的能力,是進行自然選擇的依據(jù)。本題的適應度函數(shù)直接將目標函數(shù)值中的負值變成0. 因為我們求的是最大值,所以要使目標函數(shù)值是負數(shù)的個體不適應環(huán)境,使其繁殖后代的能力為0.適應度函數(shù)的作用將在自然選擇中體現(xiàn)。
4、自然選擇
自然選擇的思想不再贅述,操作使用輪盤賭算法。其具體步驟:
假設種群中共5個個體,適應度函數(shù)計算出來的個體適應性列表是fitvalue = [1 ,3, 0, 2, 4] ,totalvalue = 10 , 如果將fitvalue畫到圓盤上,值的大小表示在圓盤上的面積。在轉動輪盤的過程中,單個模塊的面積越大則被選中的概率越大。選擇的方法是將fitvalue轉化為[1 , 4 ,4 , 6 ,10], fitvalue / totalvalue = [0.1 , 0.4 , 0.4 , 0.6 , 1.0] . 然后產(chǎn)生5個0-1之間的隨機數(shù),將隨機數(shù)從小到大排序,假如是[0.05 , 0.2 , 0.7 , 0.8 ,0.9],則將0號個體、1號個體、4號個體、4號個體、4號個體拷貝到新種群中。自然選擇的結果使種群更符合條件了。
5、繁殖
假設個體a、b的基因是
a = [1, 0, 0, 0, 0, 1, 1, 1, 0, 0]
b = [0, 0, 0, 1, 1, 0, 1, 1, 1, 1]
這兩個個體發(fā)生基因交換的概率pc = 0.6.如果要發(fā)生基因交換,則產(chǎn)生一個隨機數(shù)point表示基因交換的位置,假設point = 4,則:
a = [1, 0, 0, 0, 0, 1, 1, 1, 0, 0]
b = [0, 0, 0, 1, 1, 0, 1, 1, 1, 1]
交換后為:
a = [1, 0, 0, 0, 1, 0, 1, 1, 1, 1]
b = [0, 0, 0, 1, 0, 1, 1, 1, 0, 0]
6、突變
遍歷每一個個體,基因的每一位發(fā)生突變(0變?yōu)?,1變?yōu)?)的概率為0.001.突變可以增加解空間
以目標式子 y = 10 * sin(5x) 7 * cos(4x)為例,計算其最大值
首先是初始化,包括具體要計算的式子、種群數(shù)量、染色體長度、交配概率、變異概率等。并且要對基因序列進行初始化
pop_size = 500 # 種群數(shù)量
max_value = 10 # 基因中允許出現(xiàn)的最大值
chrom_length = 10 # 染色體長度
pc = 0.6 # 交配概率
pm = 0.01 # 變異概率
results = [[]] # 存儲每一代的最優(yōu)解,N個二元組
fit_value = [] # 個體適應度
fit_mean = [] # 平均適應度
pop = geneEncoding(pop_size, chrom_length)
其中genEncodeing是自定義的一個簡單隨機生成序列的函數(shù),具體實現(xiàn)如下
def geneEncoding(pop_size, chrom_length):
pop = [[]]
for i in range(pop_size):
temp = []
for j in range(chrom_length):
temp.append(random.randint(0, 1))
pop.append(temp)
return pop[1:]
編碼完成之后就是要進行個體評價,個體評價主要是計算各個編碼出來的list的值以及對應帶入目標式子的值。其實編碼出來的就是一堆2進制list。這些2進制list每個都代表了一個數(shù)。其值的計算方式為轉換為10進制,然后除以2的序列長度次方減一,也就是全一list的十進制減一。根據(jù)這個規(guī)則就能計算出所有l(wèi)ist的值和帶入要計算式子中的值,代碼如下
# 0.0 coding:utf-8 0.0
首先遺傳算法是一種優(yōu)化算法,通過模擬基因的優(yōu)勝劣汰,進行計算(具體的算法思路什么的就不贅述了)。大致過程分為初始化編碼、個體評價、選擇,交叉,變異。
以目標式子 y = 10 * sin(5x) + 7 * cos(4x)為例,計算其最大值
首先是初始化,包括具體要計算的式子、種群數(shù)量、染色體長度、交配概率、變異概率等。并且要對基因序列進行初始化
[python]?view plain?copy
pop_size?=?500??????#?種群數(shù)量
max_value?=?10??????#?基因中允許出現(xiàn)的最大值
chrom_length?=?10???????#?染色體長度
pc?=?0.6????????????#?交配概率
pm?=?0.01???????????#?變異概率
results?=?[[]]??????#?存儲每一代的最優(yōu)解,N個二元組
fit_value?=?[]??????#?個體適應度
fit_mean?=?[]???????#?平均適應度
pop?=?geneEncoding(pop_size,?chrom_length)
其中genEncodeing是自定義的一個簡單隨機生成序列的函數(shù),具體實現(xiàn)如下
[python]?view plain?copy
def?geneEncoding(pop_size,?chrom_length):
pop?=?[[]]
for?i?in?range(pop_size):
temp?=?[]
for?j?in?range(chrom_length):
temp.append(random.randint(0,?1))
pop.append(temp)
return?pop[1:]
編碼完成之后就是要進行個體評價,個體評價主要是計算各個編碼出來的list的值以及對應帶入目標式子的值。其實編碼出來的就是一堆2進制list。這些2進制list每個都代表了一個數(shù)。其值的計算方式為轉換為10進制,然后除以2的序列長度次方減一,也就是全一list的十進制減一。根據(jù)這個規(guī)則就能計算出所有l(wèi)ist的值和帶入要計算式子中的值,代碼如下
[python]?view plain?copy
#?0.0?coding:utf-8?0.0
#?解碼并計算值
import?math
def?decodechrom(pop,?chrom_length):
temp?=?[]
for?i?in?range(len(pop)):
t?=?0
for?j?in?range(chrom_length):
t?+=?pop[i][j]?*?(math.pow(2,?j))
temp.append(t)
return?temp
def?calobjValue(pop,?chrom_length,?max_value):
temp1?=?[]
obj_value?=?[]
temp1?=?decodechrom(pop,?chrom_length)
for?i?in?range(len(temp1)):
x?=?temp1[i]?*?max_value?/?(math.pow(2,?chrom_length)?-?1)
obj_value.append(10?*?math.sin(5?*?x)?+?7?*?math.cos(4?*?x))
return?obj_value
有了具體的值和對應的基因序列,然后進行一次淘汰,目的是淘汰掉一些不可能的壞值。這里由于是計算最大值,于是就淘汰負值就好了
[python]?view plain?copy
#?0.0?coding:utf-8?0.0
#?淘汰(去除負值)
def?calfitValue(obj_value):
fit_value?=?[]
c_min?=?0
for?i?in?range(len(obj_value)):
if(obj_value[i]?+?c_min??0):
temp?=?c_min?+?obj_value[i]
else:
temp?=?0.0
fit_value.append(temp)
return?fit_value
然后就是進行選擇,這是整個遺傳算法最核心的部分。選擇實際上模擬生物遺傳進化的優(yōu)勝劣汰,讓優(yōu)秀的個體盡可能存活,讓差的個體盡可能的淘汰。個體的好壞是取決于個體適應度。個體適應度越高,越容易被留下,個體適應度越低越容易被淘汰。具體的代碼如下
[python]?view plain?copy
#?0.0?coding:utf-8?0.0
#?選擇
import?random
def?sum(fit_value):
total?=?0
for?i?in?range(len(fit_value)):
total?+=?fit_value[i]
return?total
def?cumsum(fit_value):
for?i?in?range(len(fit_value)-2,?-1,?-1):
t?=?0
j?=?0
while(j?=?i):
t?+=?fit_value[j]
j?+=?1
fit_value[i]?=?t
fit_value[len(fit_value)-1]?=?1
def?selection(pop,?fit_value):
newfit_value?=?[]
#?適應度總和
total_fit?=?sum(fit_value)
for?i?in?range(len(fit_value)):
newfit_value.append(fit_value[i]?/?total_fit)
#?計算累計概率
cumsum(newfit_value)
ms?=?[]
pop_len?=?len(pop)
for?i?in?range(pop_len):
ms.append(random.random())
ms.sort()
fitin?=?0
newin?=?0
newpop?=?pop
#?轉輪盤選擇法
while?newin??pop_len:
if(ms[newin]??newfit_value[fitin]):
newpop[newin]?=?pop[fitin]
newin?=?newin?+?1
else:
fitin?=?fitin?+?1
pop?=?newpop
以上代碼主要進行了3個操作,首先是計算個體適應度總和,然后在計算各自的累積適應度。這兩步都好理解,主要是第三步,轉輪盤選擇法。這一步首先是生成基因總數(shù)個0-1的小數(shù),然后分別和各個基因的累積個體適應度進行比較。如果累積個體適應度大于隨機數(shù)則進行保留,否則就淘汰。這一塊的核心思想在于:一個基因的個體適應度越高,他所占據(jù)的累計適應度空隙就越大,也就是說他越容易被保留下來。
選擇完后就是進行交配和變異,這個兩個步驟很好理解。就是對基因序列進行改變,只不過改變的方式不一樣
交配:
[python]?view plain?copy
#?0.0?coding:utf-8?0.0
#?交配
import?random
def?crossover(pop,?pc):
pop_len?=?len(pop)
for?i?in?range(pop_len?-?1):
if(random.random()??pc):
cpoint?=?random.randint(0,len(pop[0]))
temp1?=?[]
temp2?=?[]
temp1.extend(pop[i][0:cpoint])
temp1.extend(pop[i+1][cpoint:len(pop[i])])
temp2.extend(pop[i+1][0:cpoint])
temp2.extend(pop[i][cpoint:len(pop[i])])
pop[i]?=?temp1
pop[i+1]?=?temp2
變異:
[python]?view plain?copy
#?0.0?coding:utf-8?0.0
#?基因突變
import?random
def?mutation(pop,?pm):
px?=?len(pop)
py?=?len(pop[0])
for?i?in?range(px):
if(random.random()??pm):
mpoint?=?random.randint(0,?py-1)
if(pop[i][mpoint]?==?1):
pop[i][mpoint]?=?0
else:
pop[i][mpoint]?=?1
整個遺傳算法的實現(xiàn)完成了,總的調用入口代碼如下
[python]?view plain?copy
#?0.0?coding:utf-8?0.0
import?matplotlib.pyplot?as?plt
import?math
from?calobjValue?import?calobjValue
from?calfitValue?import?calfitValue
from?selection?import?selection
from?crossover?import?crossover
from?mutation?import?mutation
from?best?import?best
from?geneEncoding?import?geneEncoding
print?'y?=?10?*?math.sin(5?*?x)?+?7?*?math.cos(4?*?x)'
#?計算2進制序列代表的數(shù)值
def?b2d(b,?max_value,?chrom_length):
t?=?0
for?j?in?range(len(b)):
t?+=?b[j]?*?(math.pow(2,?j))
t?=?t?*?max_value?/?(math.pow(2,?chrom_length)?-?1)
return?t
pop_size?=?500??????#?種群數(shù)量
max_value?=?10??????#?基因中允許出現(xiàn)的最大值
chrom_length?=?10???????#?染色體長度
pc?=?0.6????????????#?交配概率
pm?=?0.01???????????#?變異概率
results?=?[[]]??????#?存儲每一代的最優(yōu)解,N個二元組
fit_value?=?[]??????#?個體適應度
fit_mean?=?[]???????#?平均適應度
#?pop?=?[[0,?1,?0,?1,?0,?1,?0,?1,?0,?1]?for?i?in?range(pop_size)]
pop?=?geneEncoding(pop_size,?chrom_length)
for?i?in?range(pop_size):
obj_value?=?calobjValue(pop,?chrom_length,?max_value)????????#?個體評價
fit_value?=?calfitValue(obj_value)??????#?淘汰
best_individual,?best_fit?=?best(pop,?fit_value)????????#?第一個存儲最優(yōu)的解,?第二個存儲最優(yōu)基因
results.append([best_fit,?b2d(best_individual,?max_value,?chrom_length)])
selection(pop,?fit_value)???????#?新種群復制
crossover(pop,?pc)??????#?交配
mutation(pop,?pm)???????#?變異
results?=?results[1:]
results.sort()
X?=?[]
Y?=?[]
for?i?in?range(500):
X.append(i)
t?=?results[i][0]
Y.append(t)
plt.plot(X,?Y)
plt.show()
最后調用了一下matplotlib包,把500代最優(yōu)解的變化趨勢表現(xiàn)出來。
完整代碼可以在github?查看
歡迎訪問我的個人博客
閱讀全文
一、遺傳算法介紹
遺傳算法是通過模擬大自然中生物進化的歷程,來解決問題的。大自然中一個種群經(jīng)歷過若干代的自然選擇后,剩下的種群必定是適應環(huán)境的。把一個問題所有的解看做一個種群,經(jīng)歷過若干次的自然選擇以后,剩下的解中是有問題的最優(yōu)解的。當然,只能說有最優(yōu)解的概率很大。這里,我們用遺傳算法求一個函數(shù)的最大值。
f(x) = 10 * sin( 5x ) + 7 * cos( 4x ), 0 = x = 10
1、將自變量x進行編碼
取基因片段的長度為10, 則10位二進制位可以表示的范圍是0到1023?;蚺c自變量轉變的公式是x = b2d(individual) * 10 / 1023。構造初始的種群pop。每個個體的基因初始值是[0, 1, 0, 1, 0, 1, 0, 1, 0, 1]
2、計算目標函數(shù)值
根據(jù)自變量與基因的轉化關系式,求出每個個體的基因對應的自變量,然后將自變量代入函數(shù)f(x),求出每個個體的目標函數(shù)值。
3、適應度函數(shù)
適應度函數(shù)是用來評估個體適應環(huán)境的能力,是進行自然選擇的依據(jù)。本題的適應度函數(shù)直接將目標函數(shù)值中的負值變成0. 因為我們求的是最大值,所以要使目標函數(shù)值是負數(shù)的個體不適應環(huán)境,使其繁殖后代的能力為0.適應度函數(shù)的作用將在自然選擇中體現(xiàn)。
4、自然選擇
自然選擇的思想不再贅述,操作使用輪盤賭算法。其具體步驟:
假設種群中共5個個體,適應度函數(shù)計算出來的個體適應性列表是fitvalue = [1 ,3, 0, 2, 4] ,totalvalue = 10 , 如果將fitvalue畫到圓盤上,值的大小表示在圓盤上的面積。在轉動輪盤的過程中,單個模塊的面積越大則被選中的概率越大。選擇的方法是將fitvalue轉化為[1 , 4 ,4 , 6 ,10], fitvalue / totalvalue = [0.1 , 0.4 , 0.4 , 0.6 , 1.0] . 然后產(chǎn)生5個0-1之間的隨機數(shù),將隨機數(shù)從小到大排序,假如是[0.05 , 0.2 , 0.7 , 0.8 ,0.9],則將0號個體、1號個體、4號個體、4號個體、4號個體拷貝到新種群中。自然選擇的結果使種群更符合條件了。
5、繁殖
假設個體a、b的基因是
a = [1, 0, 0, 0, 0, 1, 1, 1, 0, 0]
b = [0, 0, 0, 1, 1, 0, 1, 1, 1, 1]
這兩個個體發(fā)生基因交換的概率pc = 0.6.如果要發(fā)生基因交換,則產(chǎn)生一個隨機數(shù)point表示基因交換的位置,假設point = 4,則:
a = [1, 0, 0, 0, 0, 1, 1, 1, 0, 0]
b = [0, 0, 0, 1, 1, 0, 1, 1, 1, 1]
交換后為:
a = [1, 0, 0, 0, 1, 0, 1, 1, 1, 1]
b = [0, 0, 0, 1, 0, 1, 1, 1, 0, 0]
6、突變
遍歷每一個個體,基因的每一位發(fā)生突變(0變?yōu)?,1變?yōu)?)的概率為0.001.突變可以增加解空間
二、代碼
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
32
def b2d(b): #將二進制轉化為十進制 x∈[0,10] t = 0 for j in range(len(b)): t += b[j] * (math.pow(2, j)) t = t * 10 / 1023 return tpopsize = 50 #種群的大小#用遺傳算法求函數(shù)最大值:#f(x)=10*sin(5x)+7*cos(4x) x∈[0,10]chromlength = 10 #基因片段的長度pc = 0.6 #兩個個體交叉的概率pm = 0.001; #基因突變的概率results = [[]]bestindividual = []bestfit = 0fitvalue = []tempop = [[]]pop = [[0, 1, 0, 1, 0, 1, 0, 1, 0, 1] for i in range(popsize)]for i in range(100): #繁殖100代 objvalue = calobjvalue(pop) #計算目標函數(shù)值 fitvalue = calfitvalue(objvalue); #計算個體的適應值 [bestindividual, bestfit] = best(pop, fitvalue) #選出最好的個體和最好的函數(shù)值 results.append([bestfit,b2d(bestindividual)]) #每次繁殖,將最好的結果記錄下來 selection(pop, fitvalue) #自然選擇,淘汰掉一部分適應性低的個體 crossover(pop, pc) #交叉繁殖 mutation(pop, pc) #基因突變 results.sort() print(results[-1]) #打印函數(shù)最大值和對應的
來自CODE的代碼片
GA.py
1
2
3
4
5
6
7
8
9
def best(pop, fitvalue): #找出適應函數(shù)值中最大值,和對應的個體 px = len(pop) bestindividual = [] bestfit = fitvalue[0] for i in range(1,px): if(fitvalue[i] bestfit): bestfit = fitvalue[i] bestindividual = pop[i] return [bestindividual, bestfit]
來自CODE的代碼片
best.py
1
2
3
4
5
6
7
8
9
10
11
def calfitvalue(objvalue):#轉化為適應值,目標函數(shù)值越大越好,負值淘汰。 fitvalue = [] temp = 0.0 Cmin = 0; for i in range(len(objvalue)): if(objvalue[i] + Cmin 0): temp = Cmin + objvalue[i] else: temp = 0.0 fitvalue.append(temp) return fitvalue
來自CODE的代碼片
calfitvalue.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
import mathdef decodechrom(pop): #將種群的二進制基因轉化為十進制(0,1023) temp = []; for i in range(len(pop)): t = 0; for j in range(10): t += pop[i][j] * (math.pow(2, j)) temp.append(t) return tempdef calobjvalue(pop): #計算目標函數(shù)值 temp1 = []; objvalue = []; temp1 = decodechrom(pop) for i in range(len(temp1)): x = temp1[i] * 10 / 1023 #(0,1023)轉化為 (0,10) objvalue.append(10 * math.sin(5 * x) + 7 * math.cos(4 * x)) return objvalue #目標函數(shù)值objvalue[m] 與個體基因 pop[m] 對應
來自CODE的代碼片
calobjvalue.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
import randomdef crossover(pop, pc): #個體間交叉,實現(xiàn)基因交換 poplen = len(pop) for i in range(poplen - 1): if(random.random() pc): cpoint = random.randint(0,len(pop[0])) temp1 = [] temp2 = [] temp1.extend(pop[i][0 : cpoint]) temp1.extend(pop[i+1][cpoint : len(pop[i])]) temp2.extend(pop[i+1][0 : cpoint]) temp2.extend(pop[i][cpoint : len(pop[i])]) pop[i] = temp1 pop[i+1] = temp2
來自CODE的代碼片
crossover.py
1
2
3
4
5
6
7
8
9
10
11
12
13
import randomdef mutation(pop, pm): #基因突變 px = len(pop) py = len(pop[0]) for i in range(px): if(random.random() pm): mpoint = random.randint(0,py-1) if(pop[i][mpoint] == 1): pop[i][mpoint] = 0 else: pop[i][mpoint] = 1
來自CODE的代碼片
mutation.py
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
32
33
34
35
36
37
38
import randomdef sum(fitvalue): total = 0 for i in range(len(fitvalue)): total += fitvalue[i] return totaldef cumsum(fitvalue): for i in range(len(fitvalue)): t = 0; j = 0; while(j = i): t += fitvalue[j] j = j + 1 fitvalue[i] = t;def selection(pop, fitvalue): #自然選擇(輪盤賭算法) newfitvalue = [] totalfit = sum(fitvalue) for i in range(len(fitvalue)): newfitvalue.append(fitvalue[i] / totalfit) cumsum(newfitvalue) ms = []; poplen = len(pop) for i in range(poplen): ms.append(random.random()) #random float list ms ms.sort() fitin = 0 newin = 0 newpop = pop while newin poplen: if(ms[newin] newfitvalue[fitin]): newpop[newin] = pop[fitin] newin = newin + 1 else: fitin = fitin + 1 pop = newpop
當前題目:包含python中適應度函數(shù)的詞條
文章鏈接:http://muchs.cn/article8/pheiop.html
成都網(wǎng)站建設公司_創(chuàng)新互聯(lián),為您提供營銷型網(wǎng)站建設、網(wǎng)站內(nèi)鏈、移動網(wǎng)站建設、關鍵詞優(yōu)化、網(wǎng)站設計、商城網(wǎng)站
聲明:本網(wǎng)站發(fā)布的內(nèi)容(圖片、視頻和文字)以用戶投稿、用戶轉載內(nèi)容為主,如果涉及侵權請盡快告知,我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場,如需處理請聯(lián)系客服。電話:028-86922220;郵箱:631063699@qq.com。內(nèi)容未經(jīng)允許不得轉載,或轉載時需注明來源: 創(chuàng)新互聯(lián)