遗传算法属于一种优化算法。
如果你有一个待优化函数，可以考虑次算法。假设你有一个变量x，通过某个函数可以求出对应的y，那么你通过预设的x可求出y_pred，y_pred差距与你需要的y当然越接近越好，这就需要引入适应度（fitness）的概念。假设
fitness = 1/(1+ads(y_pred - y)),那么误差越小，适应度越大，即该个体越易于存活。
设计该算法的思路如下：
（1）初始化种群，即在我需要的区间如[-100,100]内random一堆初始个体[x1,x2,x3...],这些个体是10进制形式的，为了后面的交叉与变异我们不妨将其转化为二进制形式。那么现在的问题是二进制取多少位合适呢？即编码（code）的长度是多少呢？
这就涉及一些信号方面的知识，比如两位的二进制表示的最大值是3（11），可以将区间化为4分，那么每一份区间range长度range/4，我们只需要让range/n小于我们定义的精度即可。n是二进制需要表示的最大，可以反解出二进制位数 。
（2）我们需要编写编码与解码函数。即code：将x1，x2...化为二进制，decode：在交叉变异后重新得到十进制数，用于计算fitness。
（3）交叉后变异函数编写都很简单，random一个point，指定两个x在point位置进行切片交换即是交叉。变异也是random一个point，让其值0变为1,1变为0。
（4）得到交叉变异后的个体，需要计算fitness进行种群淘汰，保留fitness最高的一部分种群。
（5）将最优的个体继续上面的操作，直到你定义的iteration结束为止。
不说了，上代码：
import numpy as np
import pandas as pd
import random
from scipy.optimize import fsolve
import matplotlib.pyplot as plt
import heapq
from sklearn.model_selection import train_test_split
from tkinter import _flatten
from sklearn.utils import shuffle
from sklearn import preprocessing
from sklearn.decomposition import PCA
from matplotlib import rcParams
# 求染色体长度
def getEncodeLength(decisionvariables, delta):
# 将每个变量的编码长度放入数组
lengths = []
for decisionvar in decisionvariables:
uper = decisionvar[1]
low = decisionvar[0]
# res()返回一个数组
res = fsolve(lambda x: ((uper - low) / delta - 2 ** x + 1), 30)
# ceil()向上取整
length = int(np.ceil(res[0]))
lengths.append(length)
# print("染色体长度:", lengths)
return lengths
# 随机生成初始化种群
def getinitialPopulation(length, populationSize):
chromsomes = np.zeros((populationSize, length), dtype=np.int)
for popusize in range(populationSize):
# np.random.randit()产生[0,2)之间的随机整数，第三个参数表示随机数的数量
chromsomes[popusize, :] = np.random.randint(0, 2, length)
return chromsomes
# 染色体解码得到表现形的解
def getDecode(population, encodelength, decisionvariables, delta):
# 得到population中有几个元素
populationsize = population.shape[0]
length = len(encodelength)
decodeVariables = np.zeros((populationsize, length), dtype=np.float)
# 将染色体拆分添加到解码数组decodeVariables中
for i, populationchild in enumerate(population):
# 设置起始点
start = 0
for j, lengthchild in enumerate(encodelength):
power = lengthchild - 1
decimal = 0
start_end = start + lengthchild
for k in range(start, start_end):
# 二进制转为十进制
decimal += populationchild[k] * (2 ** power)
power = power - 1
# 从下一个染色体开始
start = start_end
lower = decisionvariables[j][0]
uper = decisionvariables[j][1]
# 转换为表现形
decodevalue = lower + decimal * (uper - lower) / (2 ** lengthchild - 1)
# 将解添加到数组中
decodeVariables[i][j] = decodevalue
return decodeVariables
# 选择新的种群
def selectNewPopulation(decodepopu, cum_probability):
# 获取种群的规模和
m, n = decodepopu.shape
# 初始化新种群
newPopulation = np.zeros((m, n))
for i in range(m):
# 产生一个0到1之间的随机数
randomnum = np.random.random()
# 轮盘赌选择
for j in range(m):
if (randomnum cum_probability[j]):
newPopulation[i] = decodepopu[j]
break
return newPopulation
# 新种群交叉
def crossNewPopulation(newpopu, prob):
m, n = newpopu.shape
# uint8将数值转换为无符号整型
numbers = np.uint8(m * prob)
# 如果选择的交叉数量为奇数，则数量加1
if numbers % 2 != 0:
numbers = numbers + 1
# 初始化新的交叉种群
updatepopulation = np.zeros((m, n), dtype=np.uint8)
# 随机生成需要交叉的染色体的索引号
index = random.sample(range(m), numbers)
# 不需要交叉的染色体直接复制到新的种群中
for i in range(m):
if not index.__contains__(i):
updatepopulation[i] = newpopu[i]
# 交叉操作
j = 0
while j numbers:
# 随机生成一个交叉点，np.random.randint()返回的是一个列表
crosspoint = np.random.randint(0, n, 1)
crossPoint = crosspoint[0]
# a = index[j]
# b = index[j+1]
updatepopulation[index[j]][0:crossPoint] = newpopu[index[j]][0:crossPoint]
updatepopulation[index[j]][crossPoint:] = newpopu[index[j + 1]][crossPoint:]
updatepopulation[index[j + 1]][0:crossPoint] = newpopu[j + 1][0:crossPoint]
updatepopulation[index[j + 1]][crossPoint:] = newpopu[index[j]][crossPoint:]
j = j + 2
return updatepopulation
# 变异操作
def mutation(crosspopulation, mutaprob):
# 初始化变异种群
mutationpopu = np.copy(crosspopulation)
m, n = crosspopulation.shape
# 计算需要变异的基因数量
mutationnums = np.uint8(m * n * mutaprob)
# 随机生成变异基因的位置
mutationindex = random.sample(range(m * n), mutationnums)
# 变异操作
for geneindex in mutationindex:
# np.floor()向下取整返回的是float型
row = np.uint8(np.floor(geneindex / n))
colume = geneindex % n
if mutationpopu[row][colume] == 0:
mutationpopu[row][colume] = 1
else:
mutationpopu[row][colume] = 0
return mutationpopu
# 找到重新生成的种群中适应度值最大的染色体生成新种群
def findMaxPopulation(population, maxevaluation, maxSize):
#将数组转换为列表
#maxevalue = maxevaluation.flatten()
maxevaluelist = maxevaluation
# 找到前100个适应度最大的染色体的索引
maxIndex = map(maxevaluelist.index, heapq.nlargest(maxSize, maxevaluelist))
index = list(maxIndex)
colume = population.shape[1]
# 根据索引生成新的种群
maxPopulation = np.zeros((maxSize, colume))
i = 0
for ind in index:
maxPopulation[i] = population[ind]
i = i + 1
return maxPopulation
# 得到每个个体的适应度值及累计概率
def getFitnessValue(decode,x_train,y_train):
# 得到种群的规模和决策变量的个数
popusize, decisionvar = decode.shape
fitnessValue = []
for j in range(len(decode)):
W1 = decode[j][0:20].reshape(4,5)
V1 = decode[j][20:25].T
W2 = decode[j][25:45].reshape(5,4)
V2 = decode[j][45:].T
error_all = []
for i in range(len(x_train)):
#get values of hidde layer
X2 = sigmoid(x_train[i].T.dot(W1)+V1)
#get values of prediction y
Y_hat = sigmoid(X2.T.dot(W2)+V2)
#get error when input dimension is i
error = sum(abs(Y_hat - y_train[i]))
error_all.append(error)
#get fitness when W and V is j
fitnessValue.append(1/(1+sum(error_all)))
# 得到每个个体被选择的概率
probability = fitnessValue / np.sum(fitnessValue)
# 得到每个染色体被选中的累积概率，用于轮盘赌算子使用
cum_probability = np.cumsum(probability)
return fitnessValue, cum_probability
def getFitnessValue_accuracy(decode,x_train,y_train):
# 得到种群的规模和决策变量的个数
popusize, decisionvar = decode.shape
fitnessValue = []
for j in range(len(decode)):
W1 = decode[j][0:20].reshape(4,5)
V1 = decode[j][20:25].T
W2 = decode[j][25:45].reshape(5,4)
V2 = decode[j][45:].T
accuracy = []
for i in range(len(x_train)):
#get values of hidde layer
X2 = sigmoid(x_train[i].T.dot(W1)+V1)
#get values of prediction y
Y_hat = sigmoid(X2.T.dot(W2)+V2)
#get error when input dimension is i
accuracy.append(sum(abs(np.round(Y_hat) - y_train[i])))
fitnessValue.append(sum([m == 0 for m in accuracy])/len(accuracy))
# 得到每个个体被选择的概率
probability = fitnessValue / np.sum(fitnessValue)
# 得到每个染色体被选中的累积概率，用于轮盘赌算子使用
cum_probability = np.cumsum(probability)
return fitnessValue, cum_probability
def getXY():
# 要打开的文件名
data_set = pd.read_csv('all-bp.csv', header=None)
# 取出“特征”和“标签”，并做了转置，将列转置为行
X_minMax1 = data_set.iloc[:, 0:12].values
# 前12列是特征
min_max_scaler = preprocessing.MinMaxScaler()
X_minMax = min_max_scaler.fit_transform(X_minMax1) # 0-1 range
transfer = PCA(n_components=0.9)
data1 = transfer.fit_transform(X_minMax)
#print('PCA processed shape:',data1.shape)
X = data1
Y = data_set.iloc[ : , 12:16].values # 后3列是标签
# 分训练和测试集
x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.3)
return x_train, x_test, y_train, y_test
def sigmoid(z):
return 1 / (1 + np.exp(-z))
上面的计算适应度函数需要自己更具实际情况调整。
optimalvalue = []
optimalvariables = []
# 两个决策变量的上下界，多维数组之间必须加逗号
decisionVariables = [[-100,100]]*49
# 精度
delta = 0.001
# 获取染色体长度
EncodeLength = getEncodeLength(decisionVariables, delta)
# 种群数量
initialPopuSize = 100
# 初始生成100个种群,20,5,20,4分别对用W1，V1，W2，V2
population = getinitialPopulation(sum(EncodeLength), initialPopuSize)
print("polpupation.shape:",population.shape)
# 最大进化代数
maxgeneration = 4000
# 交叉概率
prob = 0.8
# 变异概率
mutationprob = 0.5
# 新生成的种群数量
maxPopuSize = 30
x_train, x_test, y_train, y_test = getXY()
for generation in range(maxgeneration):
# 对种群解码得到表现形
print(generation)
decode = getDecode(population, EncodeLength, decisionVariables, delta)
#print('the shape of decode:',decode.shape
# 得到适应度值和累计概率值
evaluation, cum_proba = getFitnessValue_accuracy(decode,x_train,y_train)
# 选择新的种群
newpopulations = selectNewPopulation(population, cum_proba)
# 新种群交叉
crossPopulations = crossNewPopulation(newpopulations, prob)
# 变异操作
mutationpopulation = mutation(crossPopulations, mutationprob)
# 将父母和子女合并为新的种群
totalpopulation = np.vstack((population, mutationpopulation))
# 最终解码
final_decode = getDecode(totalpopulation, EncodeLength, decisionVariables, delta)
# 适应度评估
final_evaluation, final_cumprob = getFitnessValue_accuracy(final_decode,x_train,y_train)
#选出适应度最大的100个重新生成种群
population = findMaxPopulation(totalpopulation, final_evaluation, maxPopuSize)
# 找到本轮中适应度最大的值
optimalvalue.append(np.max(final_evaluation))
index = np.where(final_evaluation == max(final_evaluation))
optimalvariables.append(list(final_decode[index[0][0]]))
fig = plt.figure(dpi = 160,figsize=(5,4))
config = {
"font.family":"serif", #serif
"font.size": 10,
"mathtext.fontset":'stix',
}
rcParams.update(config)
plt.plot(np.arange(len(optimalvalue)), optimalvalue, color="y", lw=0.8, ls='-', marker='o', ms=8)
# 图例设置
plt.xlabel('Iteration')
plt.ylabel('Accuracy')
plt.show()
以上就是python实现高效的遗传算法的详细内容，更多关于python遗传算法的资料请关注脚本之家其它相关文章！
您可能感兴趣的文章:- python 如何实现遗传算法
- python实现简单遗传算法
- python实现简单遗传算法
- Python实现简单遗传算法(SGA)
- 详解用python实现简单的遗传算法
- 遗传算法之Python实现代码
