写在前面
之前的文章中已经讲过了遗传算法的基本流程，并且用MATLAB实现过一遍了。这一篇文章主要面对的人群是看过了我之前的文章，因此我就不再赘述遗传算法是什么以及基本的内容了，假设大家已经知道我是怎么写遗传算法的了。
Python的遗传算法主函数
我的思想是，创建一个染色体的类，其中包括了两个变量：染色体chrom与适应度fitness。因此我们就可以通过直接建立对象来作为种群中的个体。
#染色体的类
class Chrom:
chrom = []
fitness = 0
def showChrom(self):
print(self.chrom)
def showFitness(self):
print(self.fitness)
所以我们开始设置基础参数。其中种群的表达方式我用的是字典，也就是用一个字典来保存种群内的所有个体，这个也是我想出来的创建多个对象的方法。
将字典的索引为个体的标号，如：chrom1, chrom2等。字典索引的值就是一个对象。这个对象拥有两个属性，就是染色体与适应度。
其实在这一方便来说，我觉得在思路上是优于利用MATLAB的矩阵式编程的。因为这样可以很直观的将个体与个体的属性这一种思想给表达出来，相比一堆矩阵来说，在逻辑上比较容易接受。
#基础参数
N = 200 #种群内个体数目
mut = 0.2 #突变概率
acr = 0.2 #交叉概率
pop = {} #存储染色体的字典
for i in range(N):
pop['chrom'+str(i)] = Chrom()
chromNodes = 2 #染色体节点数（变量个数）
iterNum = 10000 #迭代次数
chromRange = [[0, 10], [0, 10]] #染色体范围
aveFitnessList = [] #平均适应度
bestFitnessList = [] #最优适应度
之后就是初始染色体了，其中就牵扯到了各种用来初始化种群、计算适应度、找最优等函数，我在这里分出了两个文件，分别为Genetic.py与Fitness.py。
Genetic.py里面有八个函数，主要包含了作用于种群或者染色体操作的函数，分别为：
- findBest函数，用于寻找种群中的最优染色体；
- findworse函数，用于寻找种群中的最劣染色体；
- initialize函数，用于初始化种群；
- calAveFitness函数，用于计算种群的平均适应度；
- mutChrom函数，用于对染色体进行变异；
- inRange函数，用于判断染色体节点值是否越界；
- acrChrom函数，用于对染色体进行交叉；
- compareChrom函数，用于比较两个染色体孰优孰劣。
Fitness.py里面有两个函数，主要包含了对适应度操作的函数，分别为：
- calFitness函数，用来迭代每一个个体，并计算适应度（利用funcFitness函数计算）；
- funcFitness函数，计算单个个体的适应度。
因此可以列出初始化代码为
#初始染色体 pop = Genetic.initialize(pop, chromNodes, chromRange) pop = Fitness.calFitness(pop) #计算适应度 bestChrom = Genetic.findBest(pop) #寻找最优染色体 bestFitnessList.append(bestChrom[1]) #将当前最优适应度压入列表中 aveFitnessList.append(Genetic.calAveFitness(pop, N)) #计算并存储平均适应度
迭代过程的思路和逻辑与MATLAB无异
#开始迭代 for t in range(iterNum): #染色体突变 pop = Genetic.mutChrom(pop, mut, chromNodes, bestChrom, chromRange) #染色体交换 pop = Genetic.acrChrom(pop, acr, chromNodes) #寻找最优 nowBestChrom = Genetic.findBest(pop) #比较前一个时间的最优和现在的最优 bestChrom = Genetic.compareChrom(nowBestChrom, bestChrom) #寻找与替换最劣 worseChrom = Genetic.findWorse(pop) pop[worseChrom[0]].chrom = pop[bestChrom[0]].chrom.copy() pop[worseChrom[0]].fitness = pop[bestChrom[0]].fitness #存储最优与平均 bestFitnessList.append(bestChrom[1]) aveFitnessList.append(Genetic.calAveFitness(pop, N))
最后再做一下迭代的的图像
plt.figure(1) plt.plot(x, aveFitnessList) plt.plot(x, bestFitnessList) plt.show()
最后再在最前面加上各种库和文件就可以运行了。
import Genetic import Fitness import matplotlib.pyplot as plt import numpy as np
感悟
可以说最主要的感悟就是染色体这一个类。其实那个Genetic.py与Fitness.py这两个文件也可以直接包装成类，但是这样一来我就嫌主文件太臃肿，在其他里面再包装成类又多此一举，毕竟这只是一个小程序，所以我就这样写了。
深刻感悟到了面向对象编程的优点，在编程逻辑的处理上真是一种享受，只需要思考对象的属性即可，省去了许多复杂的思考。
另一个感悟就是创建多个对象时，利用字典的方法来创建对象。当初我也是困惑怎么建立一个类似于C++中的对象数组，上网查找了各种方法，结果都避而不谈（当然，也可能是我搜索能力太差没找到），所以经过尝试中遇到到了这种方法。
等有空我再详细说一下这个方法吧，这一次就先到这里。
剩余的函数补充
首先是Genetic.py里面的八个函数
import random
#寻找最优染色体
def findBest(pop):
best = ['1', 0.0000001]
for i in pop:
if best[1] < pop[i].fitness:
best = [i, pop[i].fitness]
return best
#寻找最劣染色体
def findWorse(pop):
worse = ['1', 999999]
for i in pop:
if worse[1] > pop[i].fitness:
worse = [i, pop[i].fitness]
return worse
#赋初始值
def initialize(pop, chromNodes, chromRange):
for i in pop:
chromList = []
for j in range(chromNodes):
chromList.append(random.uniform(chromRange[j][0], chromRange[j][1]+1))
pop[i].chrom = chromList.copy()
return pop
#计算平均适应度
def calAveFitness(pop, N):
sumFitness = 0
for i in pop:
sumFitness = sumFitness + pop[i].fitness
aveFitness = sumFitness / N
return aveFitness
#进行突变
def mutChrom(pop, mut, chromNodes, bestChrom, chromRange):
for i in pop:
#如果随机数小于变异概率（即可以变异)
if mut > random.random():
mutNode = random.randrange(0,chromNodes)
mutRange = random.random() * (1-pop[i].fitness/bestChrom[1])**2
pop[i].chrom[mutNode] = pop[i].chrom[mutNode] * (1+mutRange)
#判断变异后的范围是否在要求范围内
pop[i].chrom[mutNode] = inRange(pop[i].chrom[mutNode], chromRange[mutNode])
return pop
#检验便宜范围是否在要求范围内
def inRange(mutNode, chromRange):
if chromRange[0] < mutNode < chromRange[1]:
return mutNode
elif mutNode-chromRange[0] > mutNode-chromRange[1]:
return chromRange[1]
else:
return chromRange[0]
#进行交叉
def acrChrom(pop, acr, chromNodes):
for i in pop:
for j in pop:
if acr > random.random():
acrNode = random.randrange(0, chromNodes)
#两个染色体节点进行交换
pop[i].chrom[acrNode], pop[j].chrom[acrNode] = pop[j].chrom[acrNode], pop[i].chrom[acrNode]
return pop
#进行比较
def compareChrom(nowbestChrom, bestChrom):
if bestChrom[1] > nowbestChrom[1]:
return bestChrom
else:
return nowbestChrom
然后是Fitness.py的两个函数
import math
def calFitness(pop):
for i in pop:
#计算每个染色体的适应度
pop[i].fitness = funcFitness(pop[i].chrom)
return pop
def funcFitness(chrom):
#适应度函数
fitness = math.sin(chrom[0])+math.cos(chrom[1])+0.1*(chrom[0]+chrom[1])
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。