遺傳算法之Python實(shí)現(xiàn)

寫在前面

之前的文章中已經(jīng)講過了遺傳算法的基本流程，并且用MATLAB實(shí)現(xiàn)過一遍了。這一篇文章主要面對的人群是看過了我之前的文章，因此我就不再贅述遺傳算法是什么以及基本的內(nèi)容了，假設(shè)大家已經(jīng)知道我是怎么寫遺傳算法的了。

Python的遺傳算法主函數(shù)

我的思想是，創(chuàng)建一個(gè)染色體的類，其中包括了兩個(gè)變量：染色體chrom與適應(yīng)度fitness。因此我們就可以通過直接建立對象來作為種群中的個(gè)體。

#染色體的類
class Chrom:
    chrom = []
    fitness = 0
    def showChrom(self):
        print(self.chrom)
    def showFitness(self):
        print(self.fitness)

所以我們開始設(shè)置基礎(chǔ)參數(shù)。其中種群的表達(dá)方式我用的是字典，也就是用一個(gè)字典來保存種群內(nèi)的所有個(gè)體，這個(gè)也是我想出來的創(chuàng)建多個(gè)對象的方法。

將字典的索引為個(gè)體的標(biāo)號(hào)，如：chrom1, chrom2等。字典索引的值就是一個(gè)對象。這個(gè)對象擁有兩個(gè)屬性，就是染色體與適應(yīng)度。

其實(shí)在這一方便來說，我覺得在思路上是優(yōu)于利用MATLAB的矩陣式編程的。因?yàn)檫@樣可以很直觀的將個(gè)體與個(gè)體的屬性這一種思想給表達(dá)出來，相比一堆矩陣來說，在邏輯上比較容易接受。

#基礎(chǔ)參數(shù)
N = 200  #種群內(nèi)個(gè)體數(shù)目
mut = 0.2  #突變概率
acr = 0.2  #交叉概率

pop = {}  #存儲(chǔ)染色體的字典
for i in range(N):
    pop['chrom'+str(i)] = Chrom()
chromNodes = 2  #染色體節(jié)點(diǎn)數(shù)（變量個(gè)數(shù)）
iterNum = 10000  #迭代次數(shù)
chromRange = [[0, 10], [0, 10]]  #染色體范圍
aveFitnessList = []  #平均適應(yīng)度
bestFitnessList = []  #最優(yōu)適應(yīng)度

之后就是初始染色體了，其中就牽扯到了各種用來初始化種群、計(jì)算適應(yīng)度、找最優(yōu)等函數(shù)，我在這里分出了兩個(gè)文件，分別為Genetic.py與Fitness.py。

Genetic.py里面有八個(gè)函數(shù)，主要包含了作用于種群或者染色體操作的函數(shù)，分別為：

• findBest函數(shù)，用于尋找種群中的最優(yōu)染色體；
• findworse函數(shù)，用于尋找種群中的最劣染色體；
• initialize函數(shù)，用于初始化種群；
• calAveFitness函數(shù)，用于計(jì)算種群的平均適應(yīng)度；
• mutChrom函數(shù)，用于對染色體進(jìn)行變異；
• inRange函數(shù)，用于判斷染色體節(jié)點(diǎn)值是否越界；
• acrChrom函數(shù)，用于對染色體進(jìn)行交叉；
• compareChrom函數(shù)，用于比較兩個(gè)染色體孰優(yōu)孰劣。

Fitness.py里面有兩個(gè)函數(shù)，主要包含了對適應(yīng)度操作的函數(shù)，分別為：

• calFitness函數(shù)，用來迭代每一個(gè)個(gè)體，并計(jì)算適應(yīng)度（利用funcFitness函數(shù)計(jì)算）；
• funcFitness函數(shù)，計(jì)算單個(gè)個(gè)體的適應(yīng)度。

因此可以列出初始化代碼為

#初始染色體
pop = Genetic.initialize(pop, chromNodes, chromRange)
pop = Fitness.calFitness(pop)  #計(jì)算適應(yīng)度
bestChrom = Genetic.findBest(pop)  #尋找最優(yōu)染色體
bestFitnessList.append(bestChrom[1])  #將當(dāng)前最優(yōu)適應(yīng)度壓入列表中
aveFitnessList.append(Genetic.calAveFitness(pop, N))  #計(jì)算并存儲(chǔ)平均適應(yīng)度

迭代過程的思路和邏輯與MATLAB無異

#開始迭代
for t in range(iterNum):
    #染色體突變
    pop = Genetic.mutChrom(pop, mut, chromNodes, bestChrom, chromRange)
    #染色體交換
    pop = Genetic.acrChrom(pop, acr, chromNodes)
    #尋找最優(yōu)
    nowBestChrom = Genetic.findBest(pop)
    #比較前一個(gè)時(shí)間的最優(yōu)和現(xiàn)在的最優(yōu)
    bestChrom = Genetic.compareChrom(nowBestChrom, bestChrom)
    #尋找與替換最劣
    worseChrom = Genetic.findWorse(pop)
    pop[worseChrom[0]].chrom = pop[bestChrom[0]].chrom.copy()
    pop[worseChrom[0]].fitness = pop[bestChrom[0]].fitness
    #存儲(chǔ)最優(yōu)與平均
    bestFitnessList.append(bestChrom[1])
    aveFitnessList.append(Genetic.calAveFitness(pop, N))

最后再做一下迭代的的圖像

plt.figure(1)
plt.plot(x, aveFitnessList)
plt.plot(x, bestFitnessList)
plt.show()

最后再在最前面加上各種庫和文件就可以運(yùn)行了。

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

感悟

可以說最主要的感悟就是染色體這一個(gè)類。其實(shí)那個(gè)Genetic.py與Fitness.py這兩個(gè)文件也可以直接包裝成類，但是這樣一來我就嫌主文件太臃腫，在其他里面再包裝成類又多此一舉，畢竟這只是一個(gè)小程序，所以我就這樣寫了。

深刻感悟到了面向?qū)ο缶幊痰膬?yōu)點(diǎn)，在編程邏輯的處理上真是一種享受，只需要思考對象的屬性即可，省去了許多復(fù)雜的思考。

另一個(gè)感悟就是創(chuàng)建多個(gè)對象時(shí)，利用字典的方法來創(chuàng)建對象。當(dāng)初我也是困惑怎么建立一個(gè)類似于C++中的對象數(shù)組，上網(wǎng)查找了各種方法，結(jié)果都避而不談（當(dāng)然，也可能是我搜索能力太差沒找到），所以經(jīng)過嘗試中遇到到了這種方法。

等有空我再詳細(xì)說一下這個(gè)方法吧，這一次就先到這里。

剩余的函數(shù)補(bǔ)充

首先是Genetic.py里面的八個(gè)函數(shù)

import random

#尋找最優(yōu)染色體
def findBest(pop):
    best = ['1', 0.0000001]
    for i in pop:
        if best[1] < pop[i].fitness:
            best = [i, pop[i].fitness]
    return best

#尋找最劣染色體
def findWorse(pop):
    worse = ['1', 999999]
    for i in pop:
        if worse[1] > pop[i].fitness:
            worse = [i, pop[i].fitness]
    return worse

#賦初始值
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

#計(jì)算平均適應(yīng)度
def calAveFitness(pop, N):
    sumFitness = 0
    for i in pop:
        sumFitness = sumFitness + pop[i].fitness
    aveFitness = sumFitness / N
    return aveFitness

#進(jìn)行突變
def mutChrom(pop, mut, chromNodes, bestChrom, chromRange):
    for i in pop:
        #如果隨機(jī)數(shù)小于變異概率（即可以變異)
        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)
            #判斷變異后的范圍是否在要求范圍內(nèi)
            pop[i].chrom[mutNode] = inRange(pop[i].chrom[mutNode], chromRange[mutNode])
    return pop

#檢驗(yàn)便宜范圍是否在要求范圍內(nèi)
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]

#進(jìn)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)
                #兩個(gè)染色體節(jié)點(diǎn)進(jìn)行交換
                pop[i].chrom[acrNode], pop[j].chrom[acrNode] = pop[j].chrom[acrNode], pop[i].chrom[acrNode]
    return pop

#進(jìn)行比較
def compareChrom(nowbestChrom, bestChrom):
    if bestChrom[1] > nowbestChrom[1]:
        return bestChrom
    else:
        return nowbestChrom

然后是Fitness.py的兩個(gè)函數(shù)

import math

def calFitness(pop):
    
    for i in pop:
        #計(jì)算每個(gè)染色體的適應(yīng)度
        pop[i].fitness = funcFitness(pop[i].chrom)

    return pop

def funcFitness(chrom):
    #適應(yīng)度函數(shù)
    fitness = math.sin(chrom[0])+math.cos(chrom[1])+0.1*(chrom[0]+chrom[1])

    return fitness

以上。

喜歡的話麻煩點(diǎn)個(gè)喜歡哦~