python人工智能遗传算法示例解析

一、实验目的

熟悉和掌握遗传算法的原理、流程和编码策略，并利用遗传求解函数优化问题，理解求解流程并测试主要参数对结果的影响。

二、实验原理

遗传算法的基本思想正是基于模仿生物界遗传学的遗传过程。它把问题的参数用基因代表，把问题的解用染色体代表（在计算机里用二进制码表示），从而得到一个由具有不同染色体的个体组成的群体。这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和个体组成的群体。后代随机化地继承了父代的最好特征，并也在生存环境的控制支配下继续这一过程，群体的染色体都将逐渐适应环境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题最优的解。

三、实验条件

Python3,Anaconda3,PyCharm

四、实验内容

import matplotlib.pyplot as plt
import random
import math
#计算函数
def f(args):
  return f2(args)
def f1(args):
  return (3 - (math.sin(2*args[0]))**2 - (math.sin(2*args[1]))**2)
def f2(args):
  x = 1
  for i in range(len(args)):
      z = 0
      for j in range(5):
          z += (j+1) * math.cos(((j+1)+1)*args[i]+(j+1))
      x *= z
  return x
#适应函数
def s(x):
  return s2(x)
def s1(x):
  return math.exp(-abs(x-1))
def s2(x):
  return math.exp(-abs(x+187))
# 计算2进制序列代表的数值
'''
解码并计算值
group 染色体
chrom_length 染色体长度
max_value, min_value 上下限
div 分界点
'''
def b2d(b, chrom_length, max_value, min_value, div):
  rwno = []
  #因为染色体里面有多个变量，所以需要div来分割
  for i in range(len(div)):
      if i == 0:
          star = 0
          end = div[i]
      else:
          star = div[i-1] + 1
          end = div[i]
      t = 0
      for j in range(star, end): # 分隔参数[1,2,3||4,5,6]
          t += b[j] * (math.pow(2, j - star))
      t = t * max_value / (math.pow(2, end - star + 1) - 1) - min_value
      rwno.append(t)
  return rwno # 这是一个list
'''
计算当前函数值
group 染色体
chrom_length 染色体长度
max_value，min_value 最大最小值
divid 分割
'''
def calobjValue(group, chrom_length, max_value, min_value, divid):
  obj_value = []
  for i in range(len(group)):      
      x = b2d(group[i], chrom_length, max_value, min_value, divid)#这里面可能是多个变量
      obj_value.append(f(x))
  return obj_value
# 获取适应值
def calfitValue(obj_value):
  fit_value = []
  for i in range(len(obj_value)):
      temp =  s(obj_value[i]) # 调用适应函数计算
      fit_value.append(temp)
  return fit_value
#累计适应值方便计算平均
def sum_fit(fit_value):
  total = 0
  for i in range(len(fit_value)):
      total += fit_value[i]
  return total
# 转轮盘选择法
def selection(group, fit_value):
  newfit_value = [] #[ [[染色体], [锚点]],... ]
  newgroup = [] #[ [父], [母], [父], [母],....]
  # 适应度总和
  total_fit = sum_fit(fit_value)
  # 设置各个的锚点
  t = 0
  for i in range(len(group)):
      t += fit_value[i]/total_fit
      newfit_value.append([group[i], t])
  # 转轮盘选择法
  for i in range(len(newfit_value)):
      parents = len(newfit_value) # 初始化指针
      r = random.random() #指针
      for j in range(len(newfit_value)):#看看指针指到睡了
          if newfit_value[j][1] > r:
              parents = j
              break
      newgroup.append(newfit_value[parents][0])
  return newgroup
# 交配
def crossover(group, fit_value, pc):
  parents_group = selection(group, fit_value) #[ [[父], [母]],....]
  group_len = len(parents_group)
  for i in range(0, group_len, 2):
      if(random.random() < pc): # 看看是否要交配
          cpoint = random.randint(0, len(parents_group[0])) # 随机交叉点
          temp1 = []
          temp2 = []
          temp1.extend(parents_group[i][0:cpoint])
          temp1.extend(parents_group[i+1][cpoint:len(parents_group[i])])
          temp2.extend(parents_group[i+1][0:cpoint])
          temp2.extend(parents_group[i][cpoint:len(parents_group[i])])
          group[i] = temp1
          group[i+1] = temp2
# 基因突变
def mutation(group, pm):
  px = len(group)
  py = len(group[0])
  for i in range(px): # 遍历
      if(random.random() < pm):
          mpoint = random.randint(0, py-1) # 取要变异哪个
          if(group[i][mpoint] == 1):
              group[i][mpoint] = 0
          else:
              group[i][mpoint] = 1
'''
找出最优解和最优解的基因编码
group 种群染色去
fit_value 种群适应
'''
def best(group, fit_value):
  px = len(group)
  best_in = group[0]
  best_fit = fit_value[0]
  for i in range(1, px):
      if(fit_value[i] > best_fit):
          best_fit = fit_value[i]
          best_in = group[i]
  #print(best_in)
  return [best_in, best_fit]
'''
创建初代种群
group_size 种群大小
chrom_length 染色体长度
'''
def getFisrtGroup(group_size, chrom_length):
  #print('初代种群：')
  group = []
  for i in range(group_size):
      temp = []
      for j in range(chrom_length):
          temp.append(random.randint(0, 1))
      group.append(temp)
  #print(group)
  return group
generation = 50  # 繁衍代数（数量越小，出结果脍，迭代次数越少）
group_size = 400     # 染色体数量，偶数
max_value = 20       # 范围
min_value = 10       # 偏移修正
chrom_length = 800   # 染色体长度
divid = [399, chrom_length-1]    # 输入值分界点， 最后一位必须是染色体长度
pc = 0.7            # 交配概率
pm = 0.1            # 变异概率
results = []        # 存储每一代的最优解
fit_value = []      # 个体适应度
points = [] #多个最优解
#生成初代
group = getFisrtGroup(group_size, chrom_length)
for i in range(generation):
  if i > 100:
      pm = 0.01
  if i > 1000:
      pm = 0.001
  obj_value = calobjValue(group, chrom_length, max_value, min_value, divid)   # 个体评价
  fit_value = calfitValue(obj_value)  # 获取群体适应值
  best_individual, best_fit = best(group, fit_value)  # 返回最优基因, 最优适应值
  xx = b2d(best_individual, chrom_length, max_value, min_value, divid)
  if( abs(f(xx)+186.730909) < 0.000001):#找到最优解
      flag = False
      for p in points:
          if( (abs(xx[0]-p[0]) < 0.1) and (abs(xx[1]-p[1]) < 0.1) ):#剔除重复解
              flag = True
              break
      if flag == False:
          print(xx)
          points.append(xx)
  results.append([i, best_fit, b2d(best_individual, chrom_length, max_value, min_value, divid), best_individual])  #加进坐标里
  crossover(group, fit_value, pc) # 交配
  mutation(group, pm) # 变异
#results.sort(key=lambda x:x[1])
rank = sorted(results, key=lambda x:x[1])
#print('\n', rank[-1])
#print(results)
x = b2d(rank[-1][3], chrom_length, max_value, min_value, divid)
#最终结果
print("f(x) = " , f(x) , "x = " , x , " 染色体 = ", rank[-1][3], "  适应值 = ", rank[-1][1], "代数：", rank[-1][0])
#输出适应图
X = []
Y = []
for i in range(generation):
  X.append(i)
  Y.append(results[i][1])
plt.plot(X, Y)
plt.show()

五、实验结果

以上就是python人工智能遗传算法示例解析的详细内容，更多关于python人工智能遗传算法的资料请关注编程宝库其它相关文章！

上一章节我们学习了基础的定义 PPT 的方法以及每一页中的样式，这节课我们将真正的在 PPT 中添加内容，学习一下 pptx 的段落的使用。 PPT 段落的使用开启本节课的学习，卷！获取段 ...