用Java实现简单的遗传算法

2023年11月8日 246次阅读来源: 遗传算法

遗传算法是解决复杂问题的一种搜索策略，是一种智能计算。他模拟自然界中的种群进化。从这点看，它和神经网络这些算法的起源很像，都是使用计算机去模拟一些自然法则和运作规律。同样，和神经网络一样，遗传算法也是一种基于概率的算法。当然，在现代启发式算法中，很多算法都都是基于概率的，比如神经网络，粒子群算法，模拟退火等。这类方法的要解决的一个问题就是NP问题，要求得结果是满意解，而非最优解。理解这点，我觉得很重要。
本文中的GA实现的例子来自于http://www.theprojectspot.com/tutorial-post/creating-a-genetic-algorithm-for-beginners/3 一文。有兴趣的读者，也可以参考原文的实现。
遗传算法工作的时候，可以分为以下几个步骤：
1.初始化：首先需要初始化一个种群，大小可以根据需要随意，几个个体或者几千个个体都可以。种群的中个体的产生是随机的。
2.评估：每一个种群成员需要计算他们的适应度，就和自然界里的生物对自然环境的适应度一样。这里的适应度计算是一个关键，一个基本原则是，把对解决当前问题有意义的个体的适应度应该设置得比较高，否则应该给一个低的适应度。适应度计算函数很影响遗传算法性能。因为每一次进化，每一次迭代，每一个个体都要不停得被评估，如果这个方法很慢，搜索性能就会比较差。
3.选择：选择适应度比较高的个体进入下一个进化阶段。适应度低的可以抛弃。
4.交叉：将选中的个体进行基因交叉，产生下一代种群。这个过程就和自然界中生物体有性生殖一样，做DNA的交叉。
5.变异：和自然界一样，DNA是会变异的，变异操作可以帮助我们跳出局部最优。
6.重复：不停重复以上评估、选择、交叉、变异，直到找到一个满意的个体作为算法的最终解。
下面来看一个实现，首先看一下个体：

50

packagesimpleGa;
 public  class Individual  {
      static  int defaultGeneLength  =  64 ; 
      private  byte [ ] genes  =  new  byte [defaultGeneLength ] ; 
      private  int fitness  =  0 ;
      // 随机的个体 
      public  void generateIndividual ( )  { 
          for  ( int i  =  0 ; i  < size ( ) ; i ++ )  { 
              byte gene  =  ( byte )  Math. round ( Math. random ( ) ) ; 
             genes [i ]  = gene ; 
          } 
      }
      // Use this if you want to create individuals with different gene lengths 
      public  static  void setDefaultGeneLength ( int length )  { 
         defaultGeneLength  = length ; 
      } 
      
      public  byte getGene ( int index )  { 
          return genes [index ] ; 
      }
      public  void setGene ( int index,  byte value )  { 
         genes [index ]  = value ; 
         fitness  =  0 ; 
      }
      public  int size ( )  { 
          return genes. length ; 
      }
      public  int getFitness ( )  { 
          if  (fitness  ==  0 )  { 
             fitness  = FitnessCalc. getFitness ( this ) ; 
          } 
          return fitness ; 
      }
     @Override 
      public  String toString ( )  { 
          String geneString  =  “” ; 
          for  ( int i  =  0 ; i  < size ( ) ; i ++ )  { 
             geneString  += getGene (i ) ; 
          } 
          return geneString ; 
      } 
 }

每一个个体需要计算它的适应度：

44

packagesimpleGa;
 public  class FitnessCalc  {
      static  byte [ ] solution  =  new  byte [ 64 ] ;
      // 设置一个候选解 
      public  static  void setSolution ( byte [ ] newSolution )  { 
         solution  = newSolution ; 
      }
      // 设置一个候选解 就是参数类型不一样，这里做个转换 
      static  void setSolution ( String newSolution )  { 
         solution  =  new  byte [newSolution. length ( ) ] ; 
          // Loop through each character of our string and save it in our byte  
          // array 
          for  ( int i  =  0 ; i  < newSolution. length ( ) ; i ++ )  { 
              String character  = newSolution. substring (i, i  +  1 ) ; 
              if  (character. contains ( “0” )  || character. contains ( “1” ) )  { 
                 solution [i ]  =  Byte. parseByte (character ) ; 
              }  else  { 
                 solution [i ]  =  0 ; 
              } 
          } 
      }
      // 计算某一个个体的适应度 
      static  int getFitness (Individual individual )  { 
          int fitness  =  0 ; 
          // 个体和候选解比较，约接近候选集，适应度越高 
          for  ( int i  =  0 ; i  < individual. size ( )  && i  < solution. length ; i ++ )  { 
              if  (individual. getGene (i )  == solution [i ] )  { 
                 fitness ++; 
              } 
          } 
          return fitness ; 
      } 
      
      // 适应度的最大值 
      static  int getMaxFitness ( )  { 
          int maxFitness  = solution. length ; 
          return maxFitness ; 
      } 
 }

基于个体而产生的种群:

44

packagesimpleGa;
 public  class Population  {
     Individual [ ] individuals ; 
      // 建立一个总群 
      public Population ( int populationSize,  boolean initialise )  { 
         individuals  =  new Individual [populationSize ] ; 
          // 初始化种群 
          if  (initialise )  { 
              // 建立每一个个体 
              for  ( int i  =  0 ; i  < size ( ) ; i ++ )  { 
                 Individual newIndividual  =  new Individual ( ) ; 
                 newIndividual. generateIndividual ( ) ; 
                 saveIndividual (i, newIndividual ) ; 
              } 
          } 
      }
      public Individual getIndividual ( int index )  { 
          return individuals [index ] ; 
      }
      public Individual getFittest ( )  { 
         Individual fittest  = individuals [ 0 ] ; 
          // 取得适应度最高的个体作为种群的适应度 
          for  ( int i  =  0 ; i  < size ( ) ; i ++ )  { 
              if  (fittest. getFitness ( )  <= getIndividual (i ). getFitness ( ) )  { 
                 fittest  = getIndividual (i ) ; 
              } 
          } 
          return fittest ; 
      }
      // Get population size 
      public  int size ( )  { 
          return individuals. length ; 
      }
      // Save individual 
      public  void saveIndividual ( int index, Individual indiv )  { 
         individuals [index ]  = indiv ; 
      } 
 }

基于以上的个体和种群，就可以进行遗传算法的主要工作，交叉，变异等等。来看一下核心的算法实现：

79

packagesimpleGa;
 public  class Algorithm  {
      private  static  final  double uniformRate  =  0.5 ; 
      private  static  final  double mutationRate  =  0.015 ; 
      private  static  final  int tournamentSize  =  5 ; 
      private  static  final  boolean elitism  =  true ; 
      
      // 进化一个种群 
      public  static Population evolvePopulation (Population pop )  { 
         Population newPopulation  =  new Population (pop. size ( ),  false ) ;
          // 保留最优秀的个体 
          if  (elitism )  { 
             newPopulation. saveIndividual ( 0, pop. getFittest ( ) ) ; 
          } 
          // 交叉种群 
          int elitismOffset ; 
          if  (elitism )  { 
             elitismOffset  =  1 ; 
          }  else  { 
             elitismOffset  =  0 ; 
          } 
          // 交叉产生新的个体 
          for  ( int i  = elitismOffset ; i  < pop. size ( ) ; i ++ )  { 
          //确保不要把最差的个体选进来 
             Individual indiv1  = tournamentSelection (pop ) ; 
             Individual indiv2  = tournamentSelection (pop ) ; 
             Individual newIndiv  = crossover (indiv1, indiv2 ) ; 
             newPopulation. saveIndividual (i, newIndiv ) ; 
          }
          // 变异 
          for  ( int i  = elitismOffset ; i  < newPopulation. size ( ) ; i ++ )  { 
             mutate (newPopulation. getIndividual (i ) ) ; 
          }
          return newPopulation ; 
      }
      // 交叉 
      private  static Individual crossover (Individual indiv1, Individual indiv2 )  { 
         Individual newSol  =  new Individual ( ) ; 
          // Loop through genes 
          for  ( int i  =  0 ; i  < indiv1. size ( ) ; i ++ )  { 
              // 以一定概率交叉 
              if  ( Math. random ( )  <= uniformRate )  { 
                 newSol. setGene (i, indiv1. getGene (i ) ) ; 
              }  else  { 
                 newSol. setGene (i, indiv2. getGene (i ) ) ; 
              } 
          } 
          return newSol ; 
      }
      // 变异 
      private  static  void mutate (Individual indiv )  { 
          // Loop through genes 
          for  ( int i  =  0 ; i  < indiv. size ( ) ; i ++ )  { 
              if  ( Math. random ( )  <= mutationRate )  { 
                  // 以一定概率变异 
                  byte gene  =  ( byte )  Math. round ( Math. random ( ) ) ; 
                 indiv. setGene (i, gene ) ; 
              } 
          } 
      }
      // 选择用于交叉的个体，确保最差的个体不会进来 
      private  static Individual tournamentSelection (Population pop )  { 
         Population tournament  =  new Population (tournamentSize,  false ) ; 
          for  ( int i  =  0 ; i  < tournamentSize ; i ++ )  { 
              int randomId  =  ( int )  ( Math. random ( )  * pop. size ( ) ) ; 
             tournament. saveIndividual (i, pop. getIndividual (randomId ) ) ; 
          } 
         Individual fittest  = tournament. getFittest ( ) ; 
          return fittest ; 
      } 
 }

以上就是全部的实现，最后，测试这些代码

    原文作者：遗传算法
    原文地址: https://blog.csdn.net/wanglha/article/details/44920653
    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。