Python实现遗传算法模型案例详解

一、遗传算法概述

1.1适用范围

遗传算法(Genetic Algorithm, GA)是一种启发式搜索算法,广泛应用于以下领域:

  • 优化问题:如函数优化、路径规划、资源分配等。
  • 机器学习:用于特征选择、超参数优化等。
  • 经济与金融:如投资组合优化、期权定价等。
  • 工程设计:如电路设计、结构优化等。
  • 1.2步骤

    遗传算法借鉴了自然界中生物进化的过程,主要包括以下几个步骤:

    1. 初始化:随机生成一组初始种群(解)。
    2. 适应度评估:根据适应度函数评估每个个体的适应度。
    3. 选择:根据适应度选择优秀的个体作为父代。
    4. 交叉:通过交叉操作生成新的个体(子代)。
    5. 变异:随机改变部分个体以增加种群多样性。
    6. 替换:用子代替换父代,进入下一代迭代。

    1.3优点

  • 适用性广:可以应用于各种复杂的优化问题。
  • 全局搜索能力强:不容易陷入局部最优。
  • 易于并行化:可以利用多处理器环境加速计算。
  • 1.4缺点

  • 计算复杂度高:尤其是在种群规模和迭代次数较大的情况下。
  • 参数选择敏感:如交叉率、变异率等参数需要精心调整。
  • 收敛速度慢:在某些问题上可能需要较多代数才能找到满意的解。
  • 二、Python代码示例

    2.1代码示例

    以下是一个简单的遗传算法示例,用于解决函数优化问题:

    import numpy as np
    import random
    
    # 目标函数(待优化)
    def objective_function(x):
        return -x**2 + 4*x + 10
    
    # 初始化种群
    def initialize_population(size, bounds):
        population = []
        for _ in range(size):
            individual = random.uniform(bounds[0], bounds[1])
            population.append(individual)
        return population
    
    # 适应度评估
    def evaluate_population(population):
        return [objective_function(individual) for individual in population]
    
    # 选择(轮盘赌选择)
    def select(population, fitness):
        total_fitness = sum(fitness)
        probabilities = [f/total_fitness for f in fitness]
        selected = np.random.choice(population, size=len(population), p=probabilities)
        return selected
    
    # 交叉(单点交叉)
    def crossover(parent1, parent2):
        point = random.randint(1, len(parent1)-1)
        child1 = parent1[:point] + parent2[point:]
        child2 = parent2[:point] + parent1[point:]
        return child1, child2
    
    # 变异
    def mutate(individual, mutation_rate, bounds):
        if random.random() < mutation_rate:
            individual = random.uniform(bounds[0], bounds[1])
        return individual
    
    # 遗传算法主函数
    def genetic_algorithm(objective_function, bounds, population_size, generations, mutation_rate):
        # 初始化种群
        population = initialize_population(population_size, bounds)
        
        for generation in range(generations):
            # 评估种群适应度
            fitness = evaluate_population(population)
            
            # 选择
            selected_population = select(population, fitness)
            
            # 生成新种群
            new_population = []
            for i in range(0, len(selected_population), 2):
                parent1 = selected_population[i]
                parent2 = selected_population[i+1]
                child1, child2 = crossover(parent1, parent2)
                new_population.append(mutate(child1, mutation_rate, bounds))
                new_population.append(mutate(child2, mutation_rate, bounds))
            
            population = new_population
        
        # 返回最佳个体
        best_individual = max(population, key=objective_function)
        return best_individual
    
    # 参数设置
    bounds = [0, 10]
    population_size = 20
    generations = 50
    mutation_rate = 0.1
    
    # 执行遗传算法
    best_solution = genetic_algorithm(objective_function, bounds, population_size, generations, mutation_rate)
    print(f"最佳解:{best_solution}, 目标函数值:{objective_function(best_solution)}")
    

    2.2代码解释

    1. objective_function: 目标函数,用于评估个体的适应度。
    2. initialize_population: 初始化种群,生成一定范围内的随机个体。
    3. evaluate_population: 评估种群中每个个体的适应度。
    4. select: 轮盘赌选择,基于适应度概率选择个体。
    5. crossover: 单点交叉操作,生成子代个体。
    6. mutate: 变异操作,随机改变个体。
    7. genetic_algorithm: 遗传算法的主函数,执行初始化、选择、交叉、变异等操作。

    三、可运行案例:用Python实现遗传算法

    3.1案例代码

    为了演示遗传算法的运行结果,我们以优化一个简单的二次函数为例,假设我们要找到函数 f(x)=-x^{2}+4x+10 的最大值。以下是详细的代码和运行结果的分析:

    import numpy as np
    import random
    import matplotlib.pyplot as plt
    
    # 目标函数(待优化)
    def objective_function(x):
        return -x**2 + 4*x + 10
    
    # 初始化种群
    def initialize_population(size, bounds):
        population = []
        for _ in range(size):
            individual = random.uniform(bounds[0], bounds[1])
            population.append(individual)
        return population
    
    # 适应度评估
    def evaluate_population(population):
        return [objective_function(individual) for individual in population]
    
    # 选择(轮盘赌选择)
    def select(population, fitness):
        min_fitness = min(fitness)
        if min_fitness < 0:
            fitness = [f - min_fitness for f in fitness]  # 平移使所有适应度非负
        total_fitness = sum(fitness)
        probabilities = [f/total_fitness for f in fitness]
        selected = np.random.choice(population, size=len(population), p=probabilities)
        return selected
    
    # 交叉(单点交叉)
    def crossover(parent1, parent2):
        child1 = (parent1 + parent2) / 2
        child2 = (parent1 + parent2) / 2
        return child1, child2
    
    # 变异
    def mutate(individual, mutation_rate, bounds):
        if random.random() < mutation_rate:
            individual = random.uniform(bounds[0], bounds[1])
        return individual
    
    # 遗传算法主函数
    def genetic_algorithm(objective_function, bounds, population_size, generations, mutation_rate):
        # 初始化种群
        population = initialize_population(population_size, bounds)
        best_fitness_over_time = []
        
        for generation in range(generations):
            # 评估种群适应度
            fitness = evaluate_population(population)
            best_fitness_over_time.append(max(fitness))
            
            # 选择
            selected_population = select(population, fitness)
            
            # 生成新种群
            new_population = []
            for i in range(0, len(selected_population), 2):
                parent1 = selected_population[i]
                parent2 = selected_population[i+1]
                child1, child2 = crossover(parent1, parent2)
                new_population.append(mutate(child1, mutation_rate, bounds))
                new_population.append(mutate(child2, mutation_rate, bounds))
            
            population = new_population
        
        # 返回最佳个体及其适应度随时间变化
        best_individual = max(population, key=objective_function)
        return best_individual, best_fitness_over_time
    
    # 参数设置
    bounds = [0, 10]
    population_size = 20
    generations = 50
    mutation_rate = 0.1
    
    # 执行遗传算法
    best_solution, fitness_over_time = genetic_algorithm(objective_function, bounds, population_size, generations, mutation_rate)
    
    # 输出最佳解
    best_solution_value = objective_function(best_solution)
    
    # 绘制适应度变化图
    plt.plot(fitness_over_time)
    plt.xlabel('Generation')
    plt.ylabel('Best Fitness')
    plt.title('Genetic Algorithm Optimization')
    plt.show()
    
    best_solution, best_solution_value
    

    3.2运行结果

    Result
    (2.312058920926045, 13.902619229870472)

    (1)运行结果

  • 最佳解:x≈2.31x \approx 2.31x≈2.31
  • 目标函数值:f(x)≈13.90f(x) \approx 13.90f(x)≈13.90
  • (2)适应度变化图

    适应度变化图如下所示:

    3.3结果分析

    1. 最佳解与目标函数值

    2. 遗传算法找到了函数f(x)=-x^{2}+4x+10 的最大值点x\approx 2.31
    3. 目标函数值在该点的值为f(x)\approx 13.90,这是该函数的最大值。
    4. 适应度变化图

    5. 图中显示了每一代的最佳适应度值,适应度值逐渐上升并趋于稳定。
    6. 适应度值的上升表示种群中个体质量的提升,算法逐步逼近最优解。

    通过上述步骤,遗传算法成功找到了优化问题的近似最优解,并且从适应度变化图可以看到算法的收敛过程。如果对最终结果不满意,可以尝试调整参数(如种群规模、变异率等)以获得更好的结果。

    作者:写代码的M教授

    物联沃分享整理
    物联沃-IOTWORD物联网 » Python实现遗传算法模型案例详解

    发表回复