遗传算法之Python实现代码_Python

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])