遗传算法之Python实现代码

2023-09-23 13:07:05 171

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
classChrom:
chrom=[]
fitness=0
defshowChrom(self):
print(self.chrom)
defshowFitness(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
foriinrange(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
fortinrange(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。

importGenetic
importFitness
importmatplotlib.pyplotasplt
importnumpyasnp

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

importrandom

#寻找最优染色体
deffindBest(pop):
best=['1',0.0000001]
foriinpop:
ifbest[1]pop[i].fitness:
worse=[i,pop[i].fitness]
returnworse

#赋初始值
definitialize(pop,chromNodes,chromRange):
foriinpop:
chromList=[]
forjinrange(chromNodes):
chromList.append(random.uniform(chromRange[j][0],chromRange[j][1]+1))
pop[i].chrom=chromList.copy()
returnpop

#计算平均适应度
defcalAveFitness(pop,N):
sumFitness=0
foriinpop:
sumFitness=sumFitness+pop[i].fitness
aveFitness=sumFitness/N
returnaveFitness

#进行突变
defmutChrom(pop,mut,chromNodes,bestChrom,chromRange):
foriinpop:
#如果随机数小于变异概率（即可以变异)
ifmut>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])
returnpop

#检验便宜范围是否在要求范围内
definRange(mutNode,chromRange):
ifchromRange[0]mutNode-chromRange[1]:
returnchromRange[1]
else:
returnchromRange[0]

#进行交叉
defacrChrom(pop,acr,chromNodes):
foriinpop:
forjinpop:
ifacr>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]
returnpop

#进行比较
defcompareChrom(nowbestChrom,bestChrom):
ifbestChrom[1]>nowbestChrom[1]:
returnbestChrom
else:
returnnowbestChrom

然后是Fitness.py的两个函数

importmath

defcalFitness(pop):

foriinpop:
#计算每个染色体的适应度
pop[i].fitness=funcFitness(pop[i].chrom)

returnpop

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

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持毛票票。

遗传算法之Python实现代码

热门推荐

随机推荐