莫烦python进化算法_「遗传算法」遗传算法（GA） - seo实验室

遗传算法

遗传算法(Genetic Algorithm)

一个讲得很清楚的博客：非常好理解的遗传算法的例子

简单理解：

用计算机模拟人类进化，适应环境(符合条件)的继续繁衍后代，不适应环境(不符合条件)的淘汰，从而逐步找到最优解。

整体思路：

随机挑选初始种群，根据适应度函数给初始种群中的个体“打分”，通过定义的规则进行选择，将选择出来的个体两两配对进行交叉，并在生成的对象中挑选变异点，将0变1，1变0，生成后代种群，如此循环找到最优个体即为最优解。

初始种群是啥：

利用二进制(一般)表示最终解

例如：需要求解z=x^2+y^2的最大值，x={1，5，3，8}，y={5，4，0，6}

用六位二进制数表示由x，y组成的解，例如：001100 表示x=1，y=4

001100 称为一条基因序列，表示的是该问题的一种解决方案

种群是包含多个基因序列(解决方案/个体)的集合

适应度函数是啥，有什么作用：

适应度函数可以理解成“游戏规则”，如果问题较为复杂，需要自定义适应度函数，说明如何区分优秀与不优秀的个体; 如果问题比较简单，例如上述求最大值的问题，则直接用此函数式作为适应度函数即可。作用：评定个体的优劣程度，从而决定其遗传机会的大小。

怎么选择：

定义“适者生存不适者淘汰”的规则，例如：定义适应度高的被选择的概率更大

怎么交叉：

利用循环，遍历种群中的每个个体，挑选另一个体进行交叉。例如，通过遍历为基因序列A挑选出B配对，则取A的前半部分，B的后半部分，组合成新的个体(基因序列)C

如何变异：

随机挑选基因序列上的某一位置，进行0-1互换

在此附上莫烦的python实现代码(解决在多峰曲线函数中寻找最大值的问题，如图所示)：

莫烦关于此部分的详细讲解视频/代码：遗传算法 莫烦源码

import numpy as np

import matplotlib.pyplot as plt

DNA_SIZE = 10 #序列长度

POP_SIZE = 100 #种群的个体数目

CROSS_RATE = 0.8 #选择多少个体进行交叉配对

MUTATION_RATE = 0.003 #变异的概率/强度

N_GENERATIONS = 100 #有多少代(主循环的迭代次数)

X_BOUND = [0,5] #输入数据的范围

#需要要找到哪个函数的最大值

def F(x): return np.sin(10*x)*x + np.cos(2*x)*x #返回y值(此例中为高度)

#用0-1按照定义的规模表示一代种群

pop = np.random.randint(1, size=(POP_SIZE, DNA_SIZE)) #默认从0开始，随机(提供选择的数值个数，重复次数(纵向，横向))

#print(pop)

#适应度函数(在本例中直接使用F函数就好，但是要处理返回值为负数的情况)

def get_fi