遗传算法之Python实现

2023年5月28日 136次阅读 来源: 遗传算法

遗传算法之Python实现

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。

#染色体的类
class Chrom:
    chrom = []
    fitness = 0
    def showChrom(self):
        print(self.chrom)
    def showFitness(self):
        print(self.fitness)

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

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

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))

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()

最后再在最前面加上各种库和文件就可以运行了。

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

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:
            best = [i, pop[i].fitness]
    return best

#寻找最劣染色体
def findWorse(pop):
    worse = ['1', 999999]
    for i in pop:
        if worse[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 mutNode
    elif mutNode-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

然后是Fitness.py的两个函数

import math

def 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 pop

def funcFitness(chrom):
    #适应度函数
    fitness = math.sin(chrom[0])+math.cos(chrom[1])+0.1*(chrom[0]+chrom[1])

    return fitness

以上。

    原文作者：遗传算法
    原文地址: https://blog.csdn.net/hanpu_liang/article/details/78178320
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞