遗传算法之函数最值

利用 Python 实现遗传算法解决函数最值问题, 并画出取点图

代码

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
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
# -*- coding: cp936 -*-
import math
import random
import time,os
from matplotlib.pyplot import *
import numpy as np

class Evolution():
def __init__(self, lower_bound, upper_bound, chromosome_size, population, mutation_rate, retain_rate, formula):

self.lower_bound = lower_bound
self.upper_bound = upper_bound
self.chromosome_size = chromosome_size
self.num = population
self.mutation_rate = mutation_rate
self.retain_rate = retain_rate
self.formula = formula
self.best = 0

# 随机生成初始种群
self.population = self.Gene_population()

def Gene_population(self):
"""
获取初始种群(一个含有 self.num 个长度为 self.chromosome_size 的染色体的列表)
"""
return [self.Gene_chromosome() for i in xrange(self.num)]

def Evolve(self, random_select_rate=0.5):
"""
进化
对当前一代种群依次进行选择、交叉并生成新一代种群,然后对新一代种群进行变异
"""
parents = self.Selection(random_select_rate)
self.Crossover(parents)
self.Mutation()

def Gene_chromosome(self):
"""
随机生成长度为 self.chromosome_size 的染色体,每个基因的取值是 0 或 1
这里用一个 bit 表示一个基因
"""
chromosome = 0
for i in xrange(self.chromosome_size):
chromosome |= (1 << i) * random.randint(0, 1)
return chromosome


def Fitness(self, chromosome):
"""
计算适应度,将染色体解码为定义域之间的数字,代入函数计算
因为是求最大值,所以数值越大,适应度越高
"""
x = self.Decode(chromosome)
return eval(self.formula)

def Selection(self, random_select_rate):
"""
选择
先对适应度从大到小排序,选出存活的染色体
再进行随机选择,选出适应度虽然小,但是幸存下来的个体
"""
# 对适应度从大到小进行排序

graded = [x for y,x in sorted([(y, x) for y, x in [(self.Fitness(chromosome), chromosome) for chromosome in self.population]],reverse = True)]

# 选出适应性强的染色体
retain_chromosome_size = int(len(graded) * self.retain_rate)
parents = graded[:retain_chromosome_size]
# 选出适应性不强,但是幸存的染色体
for chromosome in graded[retain_chromosome_size:]:
if random.random() < random_select_rate:
parents.append(chromosome)
return parents

def Crossover(self, parents):
"""
染色体的交叉、繁殖,生成新一代的种群
新出生的孩子,最终会被加入存活下来的父母之中,形成新一代的种群。
"""

children = []
# 需要繁殖的孩子的量
target_num = len(self.population) - len(parents)
# 开始根据需要的量进行繁殖
while len(children) < target_num:
male = random.randint(0, len(parents)-1)
female = random.randint(0, len(parents)-1)
if male != female:
# 随机选取交叉点
cross_pos = random.randint(0, self.chromosome_size)
# 生成掩码,方便位操作
mask = 0
for i in xrange(cross_pos):
mask |= (1 << i)
male = parents[male]
female = parents[female]
# 孩子将获得父亲在交叉点前的基因和母亲在交叉点后(包括交叉点)的基因
child = ((male & mask) | (female & ~mask)) & ((1 << self.chromosome_size) - 1)
children.append(child)
# 经过繁殖后,孩子和父母的数量与原始种群数量相等,在这里可以更新种群。
self.population = parents + children

def Mutation(self):
"""
变异
对种群中的所有个体,随机改变某个个体中的某个基因
"""
for i in xrange(len(self.population)):
if random.randint(0, 100) < self.mutation_rate * 100:
j = random.randint(0, self.chromosome_size-1)
self.population[i] ^= 1 << j


def Decode(self, chromosome):
"""
解码染色体,将二进制转化为属于定义域的实数
"""
return self.lower_bound + chromosome * (self.upper_bound - self.lower_bound) / (2 ** self.chromosome_size - 1.0)

def Result(self):
"""
获得当前代的最优值,这里取的是函数取最大值时 x 的值。
"""
global x
graded = sorted([(yi, xi) for yi, xi in [(self.Fitness(chromosome), chromosome) for chromosome in self.population]],reverse = True)

chromosome = [xi for yi,xi in graded]
fitness = [yi for yi,xi in graded]

if self.best < fitness[0]:
self.best = fitness[0]
os.system('cls')
print '历史最优出现在第',x,'代, 个体为 '+ bin(chromosome[0])[2:] + ' 最优适应度 ' + str(self.Decode(chromosome[0])) + ' ,其值为 ' + str(fitness[0])
xi = [self.Decode(i) for i in chromosome]
self.PlotAndSave(xi, fitness)

return '最优个体为 '+ bin(chromosome[0])[2:] + ' 最优适应度 ' + str(self.Decode(chromosome[0])) + ' ,其值为 ' + str(fitness[0])

def PlotAndSave(self, chromosome, fitness):
x = np.arange(self.lower_bound, self.upper_bound, 0.0001)
y = eval(self.formula.replace('math','np'))
plot(x,y)

plot(chromosome, fitness, 'o')
savefig('Best.jpg')
close('all')


time.clock()

#------------------------------------------------------------------参数设置------------------------------------------------------------------

lower_bound = 0 #函数定义域的下限
upper_bound = 9 #函数定义域的上限
chromosome_size = 17 #染色体长度
population = 200 #种群数量
mutation_rate = 0.1 #变异概率
generations = 2000 #进化代数
retain_rat = 0.2 #种群筛选时保留 20% 的精英
formula = 'x + 10 * math.sin(5 * x) + 7 * math.cos(4 * x)' #表达式

#------------------------------------------------------------------参数设置------------------------------------------------------------------


gene = Evolution(lower_bound, upper_bound, chromosome_size, population, mutation_rate, retain_rat, formula)
for x in xrange(generations):
gene.Evolve()
print '\r进化到第',x,'代',gene.Result(),

print '花费时间',int(time.clock()),'S'
os.system('pause')

直接双击运行, 图片均保存在运行目录

运行结果

结果

来呀快活呀


遗传算法之函数最值
https://www.tr0y.wang/2017/05/28/GA_Function/
作者
Tr0y
发布于
2017年5月28日
更新于
2024年6月3日
许可协议