python实现简单遗传算法


Posted in Python onMarch 19, 2018

今天整理之前写的代码,发现在做数模期间写的用python实现的遗传算法,感觉还是挺有意思的,就拿出来分享一下。

首先遗传算法是一种优化算法,通过模拟基因的优胜劣汰,进行计算(具体的算法思路什么的就不赘述了)。大致过程分为初始化编码、个体评价、选择,交叉,变异。

以目标式子 y = 10 * sin(5x) + 7 * cos(4x)为例,计算其最大值

首先是初始化,包括具体要计算的式子、种群数量、染色体长度、交配概率、变异概率等。并且要对基因序列进行初始化

pop_size = 500  # 种群数量 
max_value = 10  # 基因中允许出现的最大值 
chrom_length = 10  # 染色体长度 
pc = 0.6   # 交配概率 
pm = 0.01   # 变异概率 
results = [[]]  # 存储每一代的最优解,N个二元组 
fit_value = []  # 个体适应度 
fit_mean = []  # 平均适应度 
 
pop = geneEncoding(pop_size, chrom_length)

其中genEncodeing是自定义的一个简单随机生成序列的函数,具体实现如下

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:]

编码完成之后就是要进行个体评价,个体评价主要是计算各个编码出来的list的值以及对应带入目标式子的值。其实编码出来的就是一堆2进制list。这些2进制list每个都代表了一个数。其值的计算方式为转换为10进制,然后除以2的序列长度次方减一,也就是全一list的十进制减一。根据这个规则就能计算出所有list的值和带入要计算式子中的值,代码如下

# 0.0 coding:utf-8 0.0 
# 解码并计算值 
 
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

有了具体的值和对应的基因序列,然后进行一次淘汰,目的是淘汰掉一些不可能的坏值。这里由于是计算最大值,于是就淘汰负值就好了

# 0.0 coding:utf-8 0.0 
 
# 淘汰(去除负值) 
 
 
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

然后就是进行选择,这是整个遗传算法最核心的部分。选择实际上模拟生物遗传进化的优胜劣汰,让优秀的个体尽可能存活,让差的个体尽可能的淘汰。个体的好坏是取决于个体适应度。个体适应度越高,越容易被留下,个体适应度越低越容易被淘汰。具体的代码如下

# 0.0 coding:utf-8 0.0 
# 选择 
 
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 = [] 
 # 适应度总和 
 total_fit = sum(fit_value) 
 for i in range(len(fit_value)): 
  newfit_value.append(fit_value[i] / total_fit) 
 # 计算累计概率 
 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 
 # 转轮盘选择法 
 while newin < pop_len: 
  if(ms[newin] < newfit_value[fitin]): 
   newpop[newin] = pop[fitin] 
   newin = newin + 1 
  else: 
   fitin = fitin + 1 
 pop = newpop

以上代码主要进行了3个操作,首先是计算个体适应度总和,然后在计算各自的累积适应度。这两步都好理解,主要是第三步,转轮盘选择法。这一步首先是生成基因总数个0-1的小数,然后分别和各个基因的累积个体适应度进行比较。如果累积个体适应度大于随机数则进行保留,否则就淘汰。这一块的核心思想在于:一个基因的个体适应度越高,他所占据的累计适应度空隙就越大,也就是说他越容易被保留下来。
选择完后就是进行交配和变异,这个两个步骤很好理解。就是对基因序列进行改变,只不过改变的方式不一样

交配:

# 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

变异:

# 0.0 coding:utf-8 0.0 
# 基因突变 
 
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

整个遗传算法的实现完成了,总的调用入口代码如下

# 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)' 
 
 
# 计算2进制序列代表的数值 
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  # 种群数量 
max_value = 10  # 基因中允许出现的最大值 
chrom_length = 10  # 染色体长度 
pc = 0.6   # 交配概率 
pm = 0.01   # 变异概率 
results = [[]]  # 存储每一代的最优解,N个二元组 
fit_value = []  # 个体适应度 
fit_mean = []  # 平均适应度 
 
# 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)  # 个体评价 
 fit_value = calfitValue(obj_value)  # 淘汰 
 best_individual, best_fit = best(pop, fit_value)  # 第一个存储最优的解, 第二个存储最优基因 
 results.append([best_fit, b2d(best_individual, max_value, chrom_length)]) 
 selection(pop, fit_value)  # 新种群复制 
 crossover(pop, pc)  # 交配 
 mutation(pop, pm)  # 变异 
 
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()

最后调用了一下matplotlib包,把500代最优解的变化趋势表现出来。

python实现简单遗传算法

完整代码可以在github 查看

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三水点靠木。

Python 相关文章推荐
Python装饰器入门学习教程(九步学习)
Jan 28 Python
利用python实现xml与数据库读取转换的方法
Jun 17 Python
Django开发的简易留言板案例详解
Dec 04 Python
PyCharm 设置SciView工具窗口的方法
Jan 15 Python
python Web flask 视图内容和模板实现代码
Aug 23 Python
Python一行代码解决矩阵旋转的问题
Nov 30 Python
Python Django2 model 查询介绍(条件、范围、模糊查询)
Mar 16 Python
Python参数传递对象的引用原理解析
May 22 Python
PyQt5的相对布局管理的实现
Aug 07 Python
python tqdm库的使用
Nov 30 Python
pandas 操作 Excel操作总结
Mar 31 Python
Python创建SQL数据库流程逐步讲解
Sep 23 Python
python psutil库安装教程
Mar 19 #Python
Python递归实现汉诺塔算法示例
Mar 19 #Python
Python实现替换文件中指定内容的方法
Mar 19 #Python
python书籍信息爬虫实例
Mar 19 #Python
python中字符串比较使用is、==和cmp()总结
Mar 18 #Python
Python使用zip合并相邻列表项的方法示例
Mar 17 #Python
Python zip()函数用法实例分析
Mar 17 #Python
You might like
非常好的php目录导航文件代码
2006/10/09 PHP
第二章 PHP入门基础之php代码写法
2011/12/30 PHP
YII实现分页的方法
2014/07/09 PHP
PHP 以POST方式提交XML、获取XML,解析XML详解及实例
2016/10/26 PHP
PHP chr()函数讲解
2019/02/11 PHP
基于JQuery框架的AJAX实例代码
2009/11/03 Javascript
jQuery Clone Bug解决代码
2010/12/22 Javascript
基于jQuery的让非HTML5浏览器支持placeholder属性的代码
2011/05/24 Javascript
解决html按钮切换绑定不同函数后点击时执行多次函数问题
2014/05/14 Javascript
javascript实现时间格式输出FormatDate函数
2015/01/13 Javascript
如何实现移动端浏览器不显示 pc 端的广告
2015/10/15 Javascript
学习Javascript面向对象编程之封装
2016/02/23 Javascript
最简单纯JavaScript实现Tab标签页切换的方式(推荐)
2016/07/25 Javascript
JS实现重新加载当前页面
2016/11/29 Javascript
实例解析jQuery工具函数
2016/12/01 Javascript
详解angularJS自定义指令间的相互交互
2017/07/05 Javascript
Angular.js前台传list数组由后台spring MVC接收数组示例代码
2017/07/31 Javascript
深入浅析Vue.js中 computed和methods不同机制
2018/03/22 Javascript
使用Vue构建可重用的分页组件
2018/03/26 Javascript
微信小程序云开发实现数据添加、查询和分页
2019/05/17 Javascript
vue中datepicker的使用教程实例代码详解
2019/07/08 Javascript
js将日期格式转换为YYYY-MM-DD HH:MM:SS
2020/09/18 Javascript
Python 类与元类的深度挖掘 I【经验】
2016/05/06 Python
pyqt实现.ui文件批量转换为对应.py文件脚本
2019/06/19 Python
Python使用lambda抛出异常实现方法解析
2020/08/20 Python
HTML5中Localstorage的使用教程
2015/07/09 HTML / CSS
纯HTML5+CSS3制作生日蛋糕(代码易懂)
2016/11/16 HTML / CSS
得到Class的三个过程是什么
2012/08/10 面试题
简单而又朴实的个人求职信分享
2013/12/12 职场文书
生物医学工程专业学生求职信范文分享
2013/12/14 职场文书
主持人婚宴答谢词
2014/01/28 职场文书
会计电算化学生个人的自我评价
2014/02/08 职场文书
硕士生工作推荐信
2014/03/07 职场文书
群众路线党课主持词
2014/04/01 职场文书
舞蹈专业求职信
2014/06/13 职场文书
七年级语文教学反思
2016/03/03 职场文书