标签：DNA 实现 cross pop PYTHON fitness np 遗传算法 SIZE
1.整体流程（有不懂的地方可以在评论区留言）
初始化种群，计算适应性，选择，交叉，变异，更新并评估，判断是否达到最大迭代次数，输出最佳目标函数
2.求9*sin(5*x)+8*cos(4*x)最优值（matlab）
clear all;
popsize=20; %群体大小
chromlength=10; %字符串长度（个体长度）
pc=0.7; %交叉概率
pm=0.005; %变异概率
pop=initpop(popsize,chromlength); %随机产生初始群体
for i=1:20 %20为迭代次数
value=calobjvalue(pop); %计算目标函数
fitvalue=calfitvalue(value); %计算群体中每个个体的适应度
newpop=selection(pop,fitvalue); %复制
newpop=crossover(pop,pc); %交叉
newpop=mutation(pop,pc); %变异
[bestindividual,bestfit]=best(pop,fitvalue);%求出群体中适应值最大的个体及其适应值
y(i)=max(bestfit);
n(i)=i;
pop3=bestindividual;
x(i)=decodechrom(pop3,1,chromlength)*10/1023;
pop=newpop;
end
fplot('9*sin(5*x)+8*cos(4*x)');
hold on;
plot(x,y,'r+');
hold off;
3.求y=sin(10*x)*x + cos(2*x)*x 在【0, 5】区间最大值（Python）
import numpy as np
DNA_SIZE = 10 # DNA length
POP_SIZE = 100 # population size
CROSS_RATE = 0.8 # mating probability (DNA crossover)
MUTATION_RATE = 0.003 # mutation probability
N_GENERATIONS = 200
X_BOUND = [0, 5] # x upper and lower bounds
def F(x):
return np.sin(10*x)*x + np.cos(2*x)*x # to find the maximum of this function
def get_fitness(pred):
return pred - np.min(pred) + 1e-3 # 防止出现非正值，因为 select 时概率非负。
def translateDNA(pop):
# np.arange(DNA_SIZE)[::-1] --> array([9, 8, 7, 6, 5, 4, 3, 2, 1, 0])
# 2 ** np.arange(DNA_SIZE)[::-1] --> array([512, 256, 128, 64, 32, 16, 8, 4, 2, 1], dtype=int32)
# pop.dot(2 ** np.arange(DNA_SIZE)[::-1]) --> 将二进制转换为十进制
# (2 ** DNA_SIZE - 1) --> 1023
# pop.dot(2 ** np.arange(DNA_SIZE)[::-1]) / (2 ** DNA_SIZE - 1) --> 计算染色体值占最大值(1023)的比例
# pop.dot(2 ** np.arange(DNA_SIZE)[::-1]) / (2 ** DNA_SIZE - 1) * X_BOUND[1] --> 将范围从[0, 1023]缩放到[0， 5]
return pop.dot(2 ** np.arange(DNA_SIZE)[::-1]) / (2 ** DNA_SIZE - 1) * X_BOUND[1]
def select(pop, fitness):
# 在 np.arange(POP_SIZE) 中依概率 p 选出 size 个染色体代号
# replace=True 表示选出的染色体可以有重复的
idx = np.random.choice(np.arange(POP_SIZE), size=POP_SIZE, replace=True, p=fitness / fitness.sum())
return pop[idx]
def crossover(parent, pop):
if np.random.rand() < CROSS_RATE:
i_ = np.random.randint(0, POP_SIZE, size=1) # 选定 pop 中需要交叉的染色体，如 i_ = 1，表示第二条染色体
# 选择需要改变的基因，如 cross_points = [False True True False False True False True True False]
# 表示第2，3，6，8，9个位置上的基因会改变
cross_points = np.random.randint(0, 2, size=DNA_SIZE).astype(np.bool)
# pop[i_, cross_points] 会得到 pop 种群中 i_ 这条染色体上的 cross_points 中 True 位置上的基因
# parent[cross_points] = pop[i_, cross_points] 将刚刚得到的基因放到 parent 这条染色体的 cross_points 中 True 的位置上
parent[cross_points] = pop[i_, cross_points]
return parent
def mutate(child):
for point in range(DNA_SIZE):
if np.random.rand() < MUTATION_RATE:
child[point] = 1 if child[point] == 0 else 0
return child
pop = np.random.randint(2, size=(POP_SIZE, DNA_SIZE)) # initialize the pop DNA
print(pop.shape)
for _ in range(N_GENERATIONS):
F_values = F(translateDNA(pop)) # compute function value by extracting DNA
# GA part (evolution)
fitness = get_fitness(F_values)
print("Most fitted DNA: ", pop[np.argmax(fitness), :], "适应度为：", round(fitness[np.argmax(fitness)], 3))
pop = select(pop, fitness)
pop_copy = pop.copy()
for parent in pop:
child = crossover(parent, pop_copy)
child = mutate(child)
parent = child # 用经过交叉变异的下一代（新的染色体）来代替上一代（pop 种群中选出的）
print('最大值为：', F(translateDNA(pop[np.argmax(fitness), :])))
标签：DNA,实现,cross,pop,PYTHON,fitness,np,遗传算法,SIZE 来源： https://blog.csdn.net/qq_40840797/article/details/118685117
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。