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(duì)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(duì)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(duì)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(duì)象。這個(gè)對(duì)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：
Fitness.py里面有兩個(gè)函數(shù)，主要包含了對(duì)適應(yīng)度操作的函數(shù)，分別為：
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 Geneticimport Fitnessimport matplotlib.pyplot as pltimport 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(duì)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(duì)象時(shí)，利用字典的方法來創(chuàng)建對(duì)象。當(dāng)初我也是困惑怎么建立一個(gè)類似于C++中的對(duì)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 mathdef 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 popdef funcFitness(chrom): #適應(yīng)度函數(shù) fitness = math.sin(chrom[0])+math.cos(chrom[1])+0.1*(chrom[0]+chrom[1])
以上就是本文的全部內(nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持VEVB武林網(wǎng)。
新聞熱點(diǎn)
疑難解答
圖片精選
