python有没有简单的遗传算法库

发布网友 发布时间：2022-04-20 04:18

我来回答

共3个回答

懂视网 时间：2022-04-18 19:39

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
class Chrom:
 chrom = []
 fitness = 0
 def showChrom(self):
 print(self.chrom)
 def showFitness(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
for i in range(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：

1. findBest函数，用于寻找种群中的最优染色体；

2. findworse函数，用于寻找种群中的最劣染色体；

3. initialize函数，用于初始化种群；

4. calAveFitness函数，用于计算种群的平均适应度；

5. mutChrom函数，用于对染色体进行变异；

6. inRange函数，用于判断染色体节点值是否越界；

7. acrChrom函数，用于对染色体进行交叉；

8. 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：

1. 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）；

2. 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
for t in range(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。

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

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

import random

#寻找最优染色体
def findBest(pop):
 best = ['1', 0.0000001]
 for i in pop:
 if best[1] < pop[i].fitness:
 best = [i, pop[i].fitness]
 return best

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

#赋初始值
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

#计算平均适应度
def calAveFitness(pop, N):
 sumFitness = 0
 for i in pop:
 sumFitness = sumFitness + pop[i].fitness
 aveFitness = sumFitness / N
 return aveFitness

#进行突变
def mutChrom(pop, mut, chromNodes, bestChrom, chromRange):
 for i in pop:
 #如果随机数小于变异概率（即可以变异)
 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])
 return pop

#检验便宜范围是否在要求范围内
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]

#进行交叉
def acrChrom(pop, acr, chromNodes):
 for i in pop:
 for j in pop:
 if acr > random.random():
 acrNode = random.randrange(0, chromNodes)
 #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]
 return pop

#进行比较
def compareChrom(nowbestChrom, bestChrom):
 if bestChrom[1] > nowbestChrom[1]:
 return bestChrom
 else:
 return nowbestChrom

然后是Fitness.py的两个函数

import math

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

 return pop

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

热心网友 时间：2022-04-18 16:47

首先遗传算法是一种优化算法，通过模拟基因的优胜劣汰，进行计算（具体的算法思路什么的就不赘述了）。大致过程分为初始化编码、个体评价、选择，交叉，变异。

以目标式子 y = 10 * sin(5x) + 7 * cos(4x)为例，计算其最大值

首先是初始化，包括具体要计算的式子、种群数量、染色体长度、交配概率、变异概率等。并且要对基因序列进行初始化

[python] view plain copy

pop_size = 500      # 种群数量  

max_value = 10      # 基因中允许出现的最大值  

chrom_length = 10       # 染色体长度  

pc = 0.6            # 交配概率  

pm = 0.01           # 变异概率  

results = [[]]      # 存储每一代的最优解，N个二元组  

fit_value = []      # 个体适应度  

fit_mean = []       # 平均适应度  

pop = geneEncoding(pop_size, chrom_length)  




其中genEncodeing是自定义的一个简单随机生成序列的函数，具体实现如下

[python] view plain copy

def geneEncoding(pop_size, chrom_length):  

pop = [[]]  

for i in range(pop_size):  

temp = []  

for j in range(chrom_length):  

temp.append(random.randint(0, 1))  

pop.append(temp)  

return pop[1:]  

编码完成之后就是要进行个体评价，个体评价主要是计算各个编码出来的list的值以及对应带入目标式子的值。其实编码出来的就是一堆2进制list。这些2进制list每个都代表了一个数。其值的计算方式为转换为10进制，然后除以2的序列长度次方减一，也就是全一list的十进制减一。根据这个规则就能计算出所有list的值和带入要计算式子中的值，代码如下

[python] view plain copy

# 0.0 coding:utf-8 0.0  

# 解码并计算值  

import math  

def decodechrom(pop, chrom_length):  

temp = []  

for i in range(len(pop)):  

t = 0  

for j in range(chrom_length):  

t += pop[i][j] * (math.pow(2, j))  

temp.append(t)  

return temp  

def calobjValue(pop, chrom_length, max_value):  

temp1 = []  

obj_value = []  

temp1 = decodechrom(pop, chrom_length)  

for i in range(len(temp1)):  

x = temp1[i] * max_value / (math.pow(2, chrom_length) - 1)  

obj_value.append(10 * math.sin(5 * x) + 7 * math.cos(4 * x))  

return obj_value  

有了具体的值和对应的基因序列，然后进行一次淘汰，目的是淘汰掉一些不可能的坏值。这里由于是计算最大值，于是就淘汰负值就好了

[python] view plain copy

# 0.0 coding:utf-8 0.0  

# 淘汰（去除负值）  

def calfitValue(obj_value):  

fit_value = []  

c_min = 0  

for i in range(len(obj_value)):  

if(obj_value[i] + c_min > 0):  

temp = c_min + obj_value[i]  

else:  

temp = 0.0  

fit_value.append(temp)  

return fit_value  




然后就是进行选择，这是整个遗传算法最核心的部分。选择实际上模拟生物遗传进化的优胜劣汰，让优秀的个体尽可能存活，让差的个体尽可能的淘汰。个体的好坏是取决于个体适应度。个体适应度越高，越容易被留下，个体适应度越低越容易被淘汰。具体的代码如下

[python] view plain copy

# 0.0 coding:utf-8 0.0  

# 选择  

import random  

def sum(fit_value):  

total = 0  

for i in range(len(fit_value)):  

total += fit_value[i]  

return total  

def cumsum(fit_value):  

for i in range(len(fit_value)-2, -1, -1):  

t = 0  

j = 0  

while(j <= i):  

t += fit_value[j]  

j += 1  

fit_value[i] = t  

fit_value[len(fit_value)-1] = 1  

def selection(pop, fit_value):  

newfit_value = []  

# 适应度总和  

total_fit = sum(fit_value)  

for i in range(len(fit_value)):  

newfit_value.append(fit_value[i] / total_fit)  

# 计算累计概率  

cumsum(newfit_value)  

ms = []  

pop_len = len(pop)  

for i in range(pop_len):  

ms.append(random.random())  

ms.sort()  

fitin = 0  

newin = 0  

newpop = pop  

# 转轮盘选择法  

while newin < pop_len:  

if(ms[newin] < newfit_value[fitin]):  

newpop[newin] = pop[fitin]  

newin = newin + 1  

else:  

fitin = fitin + 1  

pop = newpop  

以上代码主要进行了3个操作，首先是计算个体适应度总和，然后在计算各自的累积适应度。这两步都好理解，主要是第三步，转轮盘选择法。这一步首先是生成基因总数个0-1的小数，然后分别和各个基因的累积个体适应度进行比较。如果累积个体适应度大于随机数则进行保留，否则就淘汰。这一块的核心思想在于：一个基因的个体适应度越高，他所占据的累计适应度空隙就越大，也就是说他越容易被保留下来。

选择完后就是进行交配和变异，这个两个步骤很好理解。就是对基因序列进行改变，只不过改变的方式不一样

交配：

[python] view plain copy

# 0.0 coding:utf-8 0.0  

# 交配  

import random  

def crossover(pop, pc):  

pop_len = len(pop)  

for i in range(pop_len - 1):  

if(random.random() < pc):  

cpoint = random.randint(0,len(pop[0]))  

temp1 = []  

temp2 = []  

temp1.extend(pop[i][0:cpoint])  

temp1.extend(pop[i+1][cpoint:len(pop[i])])  

temp2.extend(pop[i+1][0:cpoint])  

temp2.extend(pop[i][cpoint:len(pop[i])])  

pop[i] = temp1  

pop[i+1] = temp2  


变异：

[python] view plain copy

# 0.0 coding:utf-8 0.0  

# 基因突变  

import random  

def mutation(pop, pm):  

px = len(pop)  

py = len(pop[0])  

for i in range(px):  

if(random.random() < pm):  

mpoint = random.randint(0, py-1)  

if(pop[i][mpoint] == 1):  

pop[i][mpoint] = 0  

else:  

pop[i][mpoint] = 1  


整个遗传算法的实现完成了，总的调用入口代码如下

[python] view plain copy

# 0.0 coding:utf-8 0.0  

import matplotlib.pyplot as plt  

import math  

from calobjValue import calobjValue  

from calfitValue import calfitValue  

from selection import selection  

from crossover import crossover  

from mutation import mutation  

from best import best  

from geneEncoding import geneEncoding  

print 'y = 10 * math.sin(5 * x) + 7 * math.cos(4 * x)'  

# 计算2进制序列代表的数值  

def b2d(b, max_value, chrom_length):  

t = 0  

for j in range(len(b)):  

t += b[j] * (math.pow(2, j))  

t = t * max_value / (math.pow(2, chrom_length) - 1)  

return t  

pop_size = 500      # 种群数量  

max_value = 10      # 基因中允许出现的最大值  

chrom_length = 10       # 染色体长度  

pc = 0.6            # 交配概率  

pm = 0.01           # 变异概率  

results = [[]]      # 存储每一代的最优解，N个二元组  

fit_value = []      # 个体适应度  

fit_mean = []       # 平均适应度  

# pop = [[0, 1, 0, 1, 0, 1, 0, 1, 0, 1] for i in range(pop_size)]  

pop = geneEncoding(pop_size, chrom_length)  

for i in range(pop_size):  

obj_value = calobjValue(pop, chrom_length, max_value)        # 个体评价  

fit_value = calfitValue(obj_value)      # 淘汰  

best_indivial, best_fit = best(pop, fit_value)        # 第一个存储最优的解, 第二个存储最优基因  

results.append([best_fit, b2d(best_indivial, max_value, chrom_length)])  

selection(pop, fit_value)       # 新种群复制  

crossover(pop, pc)      # 交配  

mutation(pop, pm)       # 变异  

results = results[1:]  

results.sort()  

X = []  

Y = []  

for i in range(500):  

X.append(i)  

t = results[i][0]  

Y.append(t)  

plt.plot(X, Y)  

plt.show()  

最后调用了一下matplotlib包，把500代最优解的变化趋势表现出来。

完整代码可以在github 查看

欢迎访问我的个人博客

阅读全文

热心网友 时间：2022-04-18 18:05