遗传算法 java代码遗传算法的python代码

转载

技术极客传奇 2023-09-05 12:18:05

文章标签 遗传算法 java代码 python 机器学习算法遗传算法 文章分类 Java 后端开发

文章目录

一、遗传算法
二、deap

1.deap功能
2.deap例子

一个详细的关于deap使用的讲解例子
总结
参考链接

一、遗传算法

利用自然界物种遗传的理念，设计的一种最优解搜索算法。遗传算法以一种物种中的所有个体为对象，并利用随机化技术对一个被编码的参数空间进行高效搜索。其中，选择、交叉和变异构成了遗传算法的遗传操作；参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定五个要素组成了遗传算法的核心内容。

一个容易理解的遗传算法例子，作者以背包问题讲解遗传算法。简单例子搞懂遗传算法(genetic algorithm)

算法伪代码：

BEGIN:
        i = 0;           //进化种群代数
        Initialize P(i);    //初始化种群 
        Fitness P(i);     //计算适宜值
        While(not Terminate-Condition) //不满足终止条件时，循环
        {
            i ++;              //循环
            GA-Operation P(i);  //交叉、变异操作
            Fitness P(i);        //计算适宜值
       }
 END  //结束算法

算法步骤描述：
初始化：种群规模P，遗传代数N，交叉概率pc，变异概率pm，计数变量i=0；
(1) 生成初始种群。
(2) 计算初始种群中每个染色体的适宜值。
(3) i=i+1；如果i<=N，则生成赌轮，转步骤4；否则，转步骤9。
(4) 根据赌轮选择策略选择染色体生成基因池，即基因池中的染色体个数即为种群规模P。
(5) 根据交叉概率pc进行交叉操作，基因池中未进行交叉操作的直接复制到下一代。
(6) 根据变异概率pm，进行变异操作。
(7) 计算子代种群中每个染色体的适宜值。
(8) 子代种群取代父代种群，转步骤3。
(9) 计算种群中每个染色体对应路由数的网络延迟、出错率以及网络费用。按适宜值排序，适宜值最小的染色体即为求得的解。

二、deap

deap的Github链接

1.deap功能

各类遗传算法
遗传规划
进化策略
多目标优化
多种群之间的协作与竞争
并行计算
计算过程中设定检查点
设置基准模块，检验算法能力
支持粒子群算法、差分进化算法等

2.deap例子

代码如下（示例）：给出deap的使用实例和讲解

import random
from deap import creator, base, tools, algorithms

creator.create("FitnessMax", base.Fitness, weights=(1.0,))//优化目标
creator.create("Individual", list, fitness=creator.FitnessMax)//个体生成

toolbox = base.Toolbox()//工具箱：注册参数信息:交叉,变异,保留个体,评价函数

toolbox.register("attr_bool", random.randint, 0, 1)//个体编码方式
toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attr_bool, n=100)//个体编码
toolbox.register("population", tools.initRepeat, list, toolbox.individual)//创建初始种群

def evalOneMax(individual):
    return sum(individual),

toolbox.register("evaluate", evalOneMax)//评价设置
toolbox.register("mate", tools.cxTwoPoint)//个体交叉
toolbox.register("mutate", tools.mutFlipBit, indpb=0.05)//个体编译
toolbox.register("select", tools.selTournament, tournsize=3)//选择新一代的种群

population = toolbox.population(n=300)//初始的群体

NGEN=40//遗传搜索
for gen in range(NGEN):
    offspring = algorithms.varAnd(population, toolbox, cxpb=0.5, mutpb=0.1)
    fits = toolbox.map(toolbox.evaluate, offspring)
    for fit, ind in zip(fits, offspring):
        ind.fitness.values = fit
    population = toolbox.select(offspring, k=len(population))
top10 = tools.selBest(population, k=10)