遺傳演算法模仿了生物遺傳進化的過程，可以在給定範圍內搜尋最優解。遺傳演算法的設計一般包括引數編碼、初始群體的設定、適應度函式的設計、遺傳操作設計（選擇、交叉、變異）、控制引數設定等。
在這裡，我們基於python使用遺傳演算法嘗試搜尋函式
\(y = -x^2+2x+5\)
在區間\([0,63]\)內的最大值，簡便起見只取區間內的整數。
對於本問題，用6個二進位制位即可表示0~63的所有整數，其中每組編碼可視為一條染色體或個體，具體編碼如下：
\([0,0,0,0,0,0,0]\)
\([1,1,1,1,1,1,1]\)
在這裡假設種群一直維持有4條染色體，隨機初始化後如下：
\([0,0,1,0,1,0,0]\)
\([1,0,0,1,0,0,0]\)
\([0,0,1,0,0,0,1]\)
\([0,1,0,0,0,1,0]\)
適應度函式在這裡直接取函式的值，即函式值越大其適應度越高。
4.1選擇
在這個階段直接捨棄掉適應度低的兩條染色體，選擇適應度高的兩條染色體來產生新的染色體。
4.2交叉
\([0,0,0,0,0,0,0]\)
\([1,1,1,1,1,1,1]\)
交叉時首先隨機選擇交叉點，比如為第三個，則交叉後產生的的染色體為：
\([0,0,0,1,1,1,1]\)
\([1,1,1,0,0,0,0]\)
4.1變異
對上一步新產生的染色體，首先以一定的變異率來決定是否變異，然後同樣的隨機選擇變異點，將該位置基因反轉。最後再將產生的兩條新染色體新增進種群中，這樣就完成了一次遺傳迭代操作，反覆進行迭代就有可能搜尋到最優解。
import random
class chromosome(object):
def __init__(self, chrom=none):
# 隨機初始化乙個染色體
if chrom == none:
self.chrom =
for _ in range(6):
_num = random.randint(0, 1)
# 直接賦值乙個染色體
else:
self.chrom = chrom
# 適應度函式
def fit_score(self):
_str = ''
for i in self.chrom:
_str += str(i)
_num = int(_str, 2)
return 5 - _num * _num + _num * 2
# 交叉函式
def cross(self, chrom, cross_rate):
cross_idx = random.randint(0, 5)
child_chrom1 = self.chrom[:cross_idx] + chrom.chrom[cross_idx:]
child_chrom2 = chrom.chrom[:cross_idx] + self.chrom[cross_idx:]
return chromosome(child_chrom1), chromosome(child_chrom2)
# 變異函式
def vary(self, vary_rate):
_num = random.randint(1, 10)
if _num <= 10*vary_rate: # 模擬變異率
cross_idx = random.randint(0, 5)
if self.chrom[cross_idx] == 0:
self.chrom[cross_idx] = 1
else:
self.chrom[cross_idx] = 0
def one_iter(population, cross_rate=0.8, vary_rate=0.2):
# 選擇使用排序法 取適應度最高值
# 交叉使用隨機單點交叉 cross_rate=交叉率 (暫未開啟)
# 變異使用隨機反轉變異 vary_rate=變異率
population.sort(key=lambda x:x.fit_score(), reverse=true)
population.pop()
population.pop()
child_chrom1, child_chrom2 = population[0].cross(population[1], cross_rate)
child_chrom1.vary(vary_rate)
child_chrom2.vary(vary_rate)
def main():
population = [chromosome(), chromosome(), chromosome(), chromosome()]
for _ in range(50):
one_iter(population)
population.sort(key=lambda x: x.fit_score(), reverse=true)
print(population[0].chrom, population[0].fit_score())
if __name__ == '__main__':
main()
python遺傳演算法 Python 遺傳演算法實現
關於遺傳演算法 遺傳演算法是仿照自然界中生物進化而產生的一類優化演算法。個人感覺遺傳演算法簡單粗暴，適應性廣。關於遺傳演算法的介紹網上有很多了，這裡按照我自己的理解簡單概括一下。編碼解碼，將待優化的引數編碼為dna序列，最簡單直接的為二進位制編碼 即有兩種鹼基的dna鏈 生成隨機初代 選擇，適應度 ...
遺傳演算法 python 簡書 遺傳演算法
優化的演算法有很多種，從最基本的梯度下降法到現在的一些啟發式演算法，如遺傳演算法 ga 差分演化演算法 de 粒子群演算法 pso 和人工蜂群演算法 abc 舉乙個例子，遺傳演算法和梯度下降 梯度下降和遺傳演算法都是優化演算法，而梯度下降只是其中最基礎的那乙個，它依靠梯度與方向導數的關係計算出最優值...
遺傳演算法簡單例項
遺傳演算法的手工模擬計算示例 為更好地理解遺傳演算法的運算過程，下面用手工計算來簡單地模擬遺傳演算法的各 個主要執行步驟。例 求下述二元函式的最大值 1 個體編碼 遺傳演算法的運算物件是表示個體的符號串，所以必須把變數 x1,x2 編碼為一種符號串。本題中，用無符號二進位制整數來表示。因 x1,x2...