本篇文章主要介绍了python 遗传算法,小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随小编过来看看吧
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。
立即学习“Python免费学习笔记(深入)”;
#染色体的类class Chrom: chrom = [] fitness = 0 def showChrom(self): print(self.chrom) def showFitness(self): print(self.fitness)
登录后复制
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
登录后复制
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
登录后复制
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))
登录后复制
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()
登录后复制
最后再在最前面加上各种库和文件就可以运行了。
import Geneticimport Fitnessimport matplotlib.pyplot as pltimport numpy as np
登录后复制
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: 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 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
登录后复制
然后是Fitness.py的两个函数
import mathdef 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 popdef funcFitness(chrom): #适应度函数 fitness = math.sin(chrom[0])+math.cos(chrom[1])+0.1*(chrom[0]+chrom[1])
登录后复制
以上就是Python实现遗传算法的代码的详细内容,更多请关注【创想鸟】其它相关文章!
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至253000106@qq.com举报,一经查实,本站将立刻删除。
发布者:PHP中文网,转转请注明出处:https://www.chuangxiangniao.com/p/2265962.html