智能优化算法——python手动实现交叉进化算法

艾醒(AiXing-w)

已于 2023-04-15 15:01:01 修改

阅读量2.9k

点赞数 5

分类专栏： python手动实现智能优化算法文章标签： python 算法机器学习

于 2022-03-09 10:19:01 首次发布

本文链接：https://blog.youkuaiyun.com/DuLNode/article/details/123367702

版权

本文介绍了一种参数较少、易于实现的进化算法——交叉进化算法，通过拟合函数实例展示了如何初始化、变异、交叉和选择操作。重点讲解了依赖包、超参数设置及算法核心步骤。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

之前我们手动实现了遗传算法。交叉进化算法也是进化算法的一种，他具有参数少，易实现的优点（经测试，由于算法特性，暂时不能像遗传算法一样拟合图片），我们将通过拟合函数来介绍交叉进化算法

依赖包

我们用random来生成随机数，matplotlib画图，同时设置rcParams来保证正常显示中文标签

from random import randint, random
import matplotlib.pyplot as plt
import numpy as np
import os

plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号

超参数

我们用max_group表示种群中个体数；savePath来确定图像保存位置；feature即特征数，即函数由几个参数构成；F0为初始变异算子，后续会根据labda进行调整，后续的正在的变异算子F由F0和labda得出
$\\ \lambda=e^{1- \frac{G_m}{G_m + 1 -G}} \\ F=F0 \times2 ^{\lambda} \\ 其中G_m为最大迭代次数，G为当前迭代次数 \\ 第一次迭代F的值接近2F0, 随后逐渐接近F0$

max_group = 50  # 种群中个体数
savePath = "./plt_image"
features = 2  # 个体特征数
F0 = 0.5  # 初始变异算子
CR = 0.1  # 交叉算子
epochs = 100
lower_range = -6
upper_range = 6
labda = np.e **