进化算法与种群模拟实验指南

最新推荐文章于 2025-10-24 09:26:49 发布

原创

最新推荐文章于 2025-10-24 09:26:49 发布 · 711 阅读

27 ·

CC 4.0 BY-SA版权

文章标签：

#进化算法 # 种群模拟 # 遗传算子

1、修改出生率和死亡率，观察这对最终种群数量有什么影响。

运行代码：

cells = birth(initial_offspring)
history = []
for i in range(generations):
    cells = run_generation(cells)
    history.append(len(cells))
    clear_output()
    plt.plot(history)
    plt.show()
    time.sleep(1)

可通过 Colab 表单滑块修改驱动模拟的参数，改变出生率和死亡率，然后再次运行最后一个笔记本单元格以查看更新后的模拟结果。

2、看看你是否能找到导致种群数量增长下降的繁殖率和死亡率。

可通过修改代码中繁殖和死亡相关参数，不断尝试不同的繁殖率和死亡率组合，运行模拟程序，观察种群数量变化，直到找到能使种群数量增长下降的繁殖率和死亡率。具体可修改代码中驱动模拟的参数，如在相关代码里修改繁殖和死亡速率参数，然后重新运行模拟代码块查看结果。

3、修改死亡率和出生率参数，观察这对结果有什么影响。

可修改死亡率和出生率参数，通过运行代码（如在 EDL_2_2_Simulating_Life.ipynb 中运行相关代码），观察人口数量的实时变化图，来查看其对最终种群数量的影响。
也可使用 Colab 表单滑块修改驱动模拟的参数，然后再次运行最后一个笔记本单元格以查看更新后的模拟结果。

4、在一个进化算法中，修改交叉率和变异率，重新运行进化过程，观察改变每个参数对解决方案进化速度的影响。

可按照要求修改交叉率和变异率，重新运行进化过程，通过观察来确定改变交叉率和变异率对解决方案进化速度的影响。
一般来说，较高的交叉率可能增加基因交换的可能性，加快进化速度，但可能导致过早收敛。
较高的变异率会使种群产生更多变化，有利于解决复杂问题，但可能阻碍个体达到最优性能。
较低的变异率会使种群变化较少，更具专业性。

5、更改用于进化的选择函数的类型或参数。

实验步骤

打开 Colab 中的 EDL_3_4_TSP_Operators.ipynb 并运行所有单元格。

该笔记本提供了多种选择算子供选择和测试，包括：

锦标赛选择（Tournament）
随机选择（Random）
最佳选择（Best）
最差选择（Worst）
NSGA2 等

选择其中一个选择算子，然后从菜单中选择 “Runtime > Run After” 来应用更改并重新运行笔记本中其余的单元格。

6、查看改变算子和超参数（种群、交叉率和变异率）对谱系有什么影响。

要查看改变算子和超参数对谱系的影响，可按如下操作：

增加目的地数量到10。
将种群和代数减少到5（因生成谱系图对于大种群成本高且难读，仅对种群数少于10的情况绘制）。
更改选择或交叉算子，尝试每个算子以找出最适合问题的算子。
更改算子和超参数后，通过菜单中的“运行 > 全部运行”重新运行整个笔记本。
使用谱系图确认交叉操作是否产生了有生存能力、适应度高的后代：
好的谱系图应显示从低适应度到高适应度后代的演变。
更多的箭头和连接表示进化过程的进展。
连接少或无连接则表明交叉操作不佳。
还可理解不同交叉算子（部分匹配、均匀部分匹配、有序、单点/两点交叉）的特点，以及它们对进化的影响。
此外，可改变之前示例中的算子和超参数并重新运行，以观察对谱系的影响。

7、在使用进化算法进行图像复制的实验中，我们可以进行怎样的操作来观察进化算法复制原始图像的效果？

可以切换到不同的图像，甚至添加自己的图像，以此观察进化算法复制原始图像的效果。

8、更改遗传算子和/或交叉、选择或变异参数，然后重新运行，应该如何操作？

可按以下步骤操作：

打开 EDL_3_4_TSP_Operators.ipynb 笔记本。
利用 Colab 表单修改各种选项和超参数：
- 更改选择算子（有 锦标赛 、随机、最佳、最差、 NSGA2 等选项）。
- 调整种群大小、代数、交叉率、变异率等参数。
更改后从菜单中选择 Runtime > Run After ，应用更改并重新运行笔记本中剩余的单元格。
也可从图 3.6 的 Colab 表单中更改选择或交叉算子，尝试每个算子，看哪个最适合问题。
查看更改算子和超参数对谱系的影响。
重新访问 EDL_3_2_QueensGambit.ipynb 笔记本并更改选择或交叉算子，查看对进化的影响。