使用遗传算法或者粒子群优化算法计算函数f（x1-x2-x3）=x1*x1-x1x2+x3的最大值

最新推荐文章于 2024-09-24 09:21:10 发布

原创

最新推荐文章于 2024-09-24 09:21:10 发布 · 1.5k 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#python #机器学习

本文介绍了两种使用Python进行优化的方法，包括遗传算法和粒子群优化，来寻找函数f(x1-x2-x3)=x1^2-x1*x2+x3在约束条件x1-x2-x3∈[1,10]下的最大值及对应的x1-x2-x3取值。" 82224838,8003122,iOS高性能Key-Value持久化组件FastKV详解,"['ios开发', 'objective-c', 'key-value存储', '数据持久化', '性能优化']

利用python构造遗传算法计算函数f（x1-x2-x3）=x1^2-x1*x2+x3的最大值以及函数f最大值时x1-x2-x3的取值x1-x2-x3∈[1,10].

方法一：

注意：需安装python第三方库：matplotlib或者numpy

import numpy as np

DNA_SIZE = 12
POP_SIZE = 200
CROSSOVER_RATE = 0.8
MUTATION_RATE = 0.005
N_GENERTATIONS = 30
X1_BOUND = [0, 10]
X2_BOUND = [0, 10]
X3_BOUND = [0, 10]


def F(x1, x2, x3):
    return x1 ** 2 - x1 * x2 + x3;


def translateDNA(pop):
    x1_pop = pop[:, :DNA_SIZE]
    x2_pop = pop[:, DNA_SIZE:-DNA_SIZE]
    x3_pop = pop[:, -DNA_SIZE:]

    x1 = x1_pop.dot(2 ** np.arange(DNA_SIZE)[::-1]) / float(2 ** DNA_SIZE - 1) * (X1_BOUND[1] - X1_BOUND[0]) + X1_BOUND[
        0]
    x2 = x2_pop.dot(2 ** np.arange(DNA_SIZE)[::-1]) / float(2 ** DNA_SIZE - 1) * (X2_BOUND[1] - X2_BOUND[0]) + X2_BOUND[
        0]
    x3 = x3_pop.dot(2 ** np.arange(DNA_SIZE)[::-1]) / float(2 ** DNA_SIZE - 1) * (X3_BOUND[1] - X3_BOUND[0]) + X3_BOUND[
        0]
    return x1, x2, x3


def get_fitness(pop):