遺傳算法之Python實(shí)現(xiàn)代碼

更新時(shí)間：2017年10月10日 10:27:59 作者：老梁家的風(fēng)子

本篇文章主要介紹了Python 遺傳算法，小編覺得挺不錯(cuò)的，現(xiàn)在分享給大家，也給大家做個(gè)參考。一起跟隨小編過來看看吧

寫在前面

之前的文章中已經(jīng)講過了遺傳算法的基本流程，并且用MATLAB實(shí)現(xiàn)過一遍了。這一篇文章主要面對(duì)的人群是看過了我之前的文章，因此我就不再贅述遺傳算法是什么以及基本的內(nèi)容了，假設(shè)大家已經(jīng)知道我是怎么寫遺傳算法的了。

Python的遺傳算法主函數(shù)

我的思想是，創(chuàng)建一個(gè)染色體的類，其中包括了兩個(gè)變量：染色體chrom與適應(yīng)度fitness。因此我們就可以通過直接建立對(duì)象來作為種群中的個(gè)體。

#染色體的類
class Chrom:
  chrom = []
  fitness = 0
  def showChrom(self):
    print(self.chrom)
  def showFitness(self):
    print(self.fitness)

所以我們開始設(shè)置基礎(chǔ)參數(shù)。其中種群的表達(dá)方式我用的是字典，也就是用一個(gè)字典來保存種群內(nèi)的所有個(gè)體，這個(gè)也是我想出來的創(chuàng)建多個(gè)對(duì)象的方法。

將字典的索引為個(gè)體的標(biāo)號(hào)，如：chrom1, chrom2等。字典索引的值就是一個(gè)對(duì)象。這個(gè)對(duì)象擁有兩個(gè)屬性，就是染色體與適應(yīng)度。

其實(shí)在這一方便來說，我覺得在思路上是優(yōu)于利用MATLAB的矩陣式編程的。因?yàn)檫@樣可以很直觀的將個(gè)體與個(gè)體的屬性這一種思想給表達(dá)出來，相比一堆矩陣來說，在邏輯上比較容易接受。

#基礎(chǔ)參數(shù)
N = 200 #種群內(nèi)個(gè)體數(shù)目
mut = 0.2 #突變概率
acr = 0.2 #交叉概率

pop = {} #存儲(chǔ)染色體的字典
for i in range(N):
  pop['chrom'+str(i)] = Chrom()
chromNodes = 2 #染色體節(jié)點(diǎn)數(shù)（變量個(gè)數(shù)）
iterNum = 10000 #迭代次數(shù)
chromRange = [[0, 10], [0, 10]] #染色體范圍
aveFitnessList = [] #平均適應(yīng)度
bestFitnessList = [] #最優(yōu)適應(yīng)度

之后就是初始染色體了，其中就牽扯到了各種用來初始化種群、計(jì)算適應(yīng)度、找最優(yōu)等函數(shù)，我在這里分出了兩個(gè)文件，分別為Genetic.py與Fitness.py。

Genetic.py里面有八個(gè)函數(shù)，主要包含了作用于種群或者染色體操作的函數(shù)，分別為：

findBest函數(shù)，用于尋找種群中的最優(yōu)染色體；
findworse函數(shù)，用于尋找種群中的最劣染色體；
initialize函數(shù)，用于初始化種群；
calAveFitness函數(shù)，用于計(jì)算種群的平均適應(yīng)度；
mutChrom函數(shù)，用于對(duì)染色體進(jìn)行變異；
inRange函數(shù)，用于判斷染色體節(jié)點(diǎn)值是否越界；
acrChrom函數(shù)，用于對(duì)染色體進(jìn)行交叉；
compareChrom函數(shù)，用于比較兩個(gè)染色體孰優(yōu)孰劣。

Fitness.py里面有兩個(gè)函數(shù)，主要包含了對(duì)適應(yīng)度操作的函數(shù)，分別為：

calFitness函數(shù)，用來迭代每一個(gè)個(gè)體，并計(jì)算適應(yīng)度（利用funcFitness函數(shù)計(jì)算）；
funcFitness函數(shù)，計(jì)算單個(gè)個(gè)體的適應(yīng)度。

因此可以列出初始化代碼為

#初始染色體
pop = Genetic.initialize(pop, chromNodes, chromRange)
pop = Fitness.calFitness(pop) #計(jì)算適應(yīng)度
bestChrom = Genetic.findBest(pop) #尋找最優(yōu)染色體
bestFitnessList.append(bestChrom[1]) #將當(dāng)前最優(yōu)適應(yīng)度壓入列表中
aveFitnessList.append(Genetic.calAveFitness(pop, N)) #計(jì)算并存儲(chǔ)平均適應(yīng)度

迭代過程的思路和邏輯與MATLAB無異

#開始迭代
for t in range(iterNum):
  #染色體突變
  pop = Genetic.mutChrom(pop, mut, chromNodes, bestChrom, chromRange)
  #染色體交換
  pop = Genetic.acrChrom(pop, acr, chromNodes)
  #尋找最優(yōu)
  nowBestChrom = Genetic.findBest(pop)
  #比較前一個(gè)時(shí)間的最優(yōu)和現(xiàn)在的最優(yōu)
  bestChrom = Genetic.compareChrom(nowBestChrom, bestChrom)
  #尋找與替換最劣
  worseChrom = Genetic.findWorse(pop)
  pop[worseChrom[0]].chrom = pop[bestChrom[0]].chrom.copy()
  pop[worseChrom[0]].fitness = pop[bestChrom[0]].fitness
  #存儲(chǔ)最優(yōu)與平均
  bestFitnessList.append(bestChrom[1])
  aveFitnessList.append(Genetic.calAveFitness(pop, N))

最后再做一下迭代的的圖像

plt.figure(1)
plt.plot(x, aveFitnessList)
plt.plot(x, bestFitnessList)
plt.show()

最后再在最前面加上各種庫(kù)和文件就可以運(yùn)行了。

import Genetic
import Fitness
import matplotlib.pyplot as plt
import numpy as np

感悟

可以說最主要的感悟就是染色體這一個(gè)類。其實(shí)那個(gè)Genetic.py與Fitness.py這兩個(gè)文件也可以直接包裝成類，但是這樣一來我就嫌主文件太臃腫，在其他里面再包裝成類又多此一舉，畢竟這只是一個(gè)小程序，所以我就這樣寫了。

深刻感悟到了面向?qū)ο缶幊痰膬?yōu)點(diǎn)，在編程邏輯的處理上真是一種享受，只需要思考對(duì)象的屬性即可，省去了許多復(fù)雜的思考。

另一個(gè)感悟就是創(chuàng)建多個(gè)對(duì)象時(shí)，利用字典的方法來創(chuàng)建對(duì)象。當(dāng)初我也是困惑怎么建立一個(gè)類似于C++中的對(duì)象數(shù)組，上網(wǎng)查找了各種方法，結(jié)果都避而不談（當(dāng)然，也可能是我搜索能力太差沒找到），所以經(jīng)過嘗試中遇到到了這種方法。

等有空我再詳細(xì)說一下這個(gè)方法吧，這一次就先到這里。

剩余的函數(shù)補(bǔ)充

首先是Genetic.py里面的八個(gè)函數(shù)

import random

#尋找最優(yōu)染色體
def findBest(pop):
  best = ['1', 0.0000001]
  for i in pop:
    if best[1] < pop[i].fitness:
      best = [i, pop[i].fitness]
  return best

#尋找最劣染色體
def findWorse(pop):
  worse = ['1', 999999]
  for i in pop:
    if worse[1] > pop[i].fitness:
      worse = [i, pop[i].fitness]
  return worse

#賦初始值
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

#計(jì)算平均適應(yīng)度
def calAveFitness(pop, N):
  sumFitness = 0
  for i in pop:
    sumFitness = sumFitness + pop[i].fitness
  aveFitness = sumFitness / N
  return aveFitness

#進(jìn)行突變
def mutChrom(pop, mut, chromNodes, bestChrom, chromRange):
  for i in pop:
    #如果隨機(jī)數(shù)小于變異概率（即可以變異)
    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)
      #判斷變異后的范圍是否在要求范圍內(nèi)
      pop[i].chrom[mutNode] = inRange(pop[i].chrom[mutNode], chromRange[mutNode])
  return pop

#檢驗(yàn)便宜范圍是否在要求范圍內(nèi)
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]

#進(jìn)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)
        #兩個(gè)染色體節(jié)點(diǎn)進(jìn)行交換
        pop[i].chrom[acrNode], pop[j].chrom[acrNode] = pop[j].chrom[acrNode], pop[i].chrom[acrNode]
  return pop

#進(jìn)行比較
def compareChrom(nowbestChrom, bestChrom):
  if bestChrom[1] > nowbestChrom[1]:
    return bestChrom
  else:
    return nowbestChrom

然后是Fitness.py的兩個(gè)函數(shù)

import math

def calFitness(pop):
  
  for i in pop:
    #計(jì)算每個(gè)染色體的適應(yīng)度
    pop[i].fitness = funcFitness(pop[i].chrom)

  return pop

def funcFitness(chrom):
  #適應(yīng)度函數(shù)
  fitness = math.sin(chrom[0])+math.cos(chrom[1])+0.1*(chrom[0]+chrom[1])

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

您可能感興趣的文章: