遗传算法python实现

前言

上课学的基础遗传算法，我用python实现了一遍。
选择算法使用轮盘赌博
基因交叉每次一位
基因变异每次一位

算法效果不是很好，有大佬熟悉的话感谢留言指导一下。

题目

求解函数的最大值y=xsin(10x)+xsin(2x),自变量取值：0–5
函数图像：

代码

'''
作者：LP
时间：2022年3月24日
介绍：遗传算法
参考：https://blog.csdn.net/weixin_42053726/article/details/82722758

题目：y=xsin(10x)+xsin(2x),自变量取值：0-5
'''
import numpy as np


def gene_len(len, accu):
    '''
    基因长度计算
    参数： len 区间长度(整型)
         accu 精确度（精确到小数点后多少位）
    返回值： 二进制长度
    '''
    temp = len * (10 ** accu)
    # print(temp)
    i = 1
    while temp > 2 :
        i = i + 1
        temp = temp / 2
    return i

def gene_decode(arr,a,b,accu):
    '''
    将列表转换为十进制数并映射到区间上
    参数： arr 基因列表
           a 区间起始点
           b 区间终点
           accu 精确到小数点后多少位
    返回值： 十进制数
    '''
    #二进制转十进制
    i = 0
    temp = 0
    for j in arr:
        temp = j * (2 ** i) + temp
        i = i + 1
    #映射到区间上
    res = a + (b-a)/(2**len(arr)-1)*temp
    res = round(res, accu)
    return res

def gene_init(pop, len):
    '''
    初始化基因序列
    参数：  pop 种群个数 
            len 个体基因长度
    返回值： 二维数组 长度为种群个数 每个元素为个体基因序列
    '''
    return np.random.randint(2, size=(pop, len))

def F(x): return np.sin(10*x)*x + np.cos(2*x)*x + 10

def fitness(pop, func):
    """
    获取每个个体的适应度
    参数：  pop 种群二位数组
            func 目标函数
    返回值： 每个个体的适应度
    """
    fit = []
    prob = []
    for i in pop:
        fit.append(func(gene_decode(i,0,5,6)))    #每个基因的适应度
    for i in range(len(fit)):
        prob.append(fit[i]/sum(fit))        #每个基因被选中的概率 
    # print(fit)
    # print(prob)
    # print(sum(prob))
    return fit,prob

def selec(pop, prob):
    '''
    轮盘赌方法 根据概率选择个体 更新种群二维数组
    参数：  pop 种群二位数组
            prob 概率数组
    返回值： 新的种群二维数组
    '''
    rand_prob = np.random.random(len(prob))
    new_pop = []
    for i in rand_prob:
        # print("prob:"+str(i))
        sum = 0
        for j in range(len(prob)):
            sum += prob[j]
            # print("dangqianprob:"+str(sum))
            if sum < i:
                continue
            else :
                new_pop.append(list(pop[j]))
                # print(new_pop)
                break
    return new_pop

def gene_cross(pop, cross_rate):
    '''
    基因交叉（单点交叉） 根据概率选择交叉点
    参数：pop 种群二维数组
            cross_rate 基因交叉概率
    返回值：新的种群二位数组
    '''
    if cross_rate < np.random.random():
        local = np.random.randint(len(pop[0]))    #选择交叉点位
        gene_one = np.random.randint(len(pop))    #选择交叉的第一个基因
        gene_two = np.random.randint(len(pop))    #选择交叉的第二个基因
        while gene_one == gene_two:
            gene_two = np.random.randint(len(pop))
        temp = pop[gene_one][local]
        pop[gene_one][local] = pop[gene_two][local]
        pop[gene_two][local] = temp
    return pop

def gene_change(pop, change_rate):
    '''
    基因突变（单点突变） 根据概率选择突变点
    参数： pop 种群二维数组
            change_rate 基因突变概率
    返回值：新的种群二位数组
    '''
    if change_rate < np.random.random():
        local = np.random.randint(len(pop[0]))  #选择个体的基因位置
        gene_choice = np.random.randint(len(pop))   #选择个体
        pop[gene_choice][local] ^= 1
    return pop

if __name__ == "__main__":
    pop = gene_init(10,10)
    for i in range(500): 
        [fit, prob] = fitness(pop, F)
        pop = selec(pop,prob)
        pop = gene_cross(pop, 0.8)
        pop = gene_change(pop, 0.8)
    for i in pop:
        print(gene_decode(i,0,5,6))
    # print(gene_decode([1, 1, 1, 0, 0, 0, 1, 0, 1, 0, 1, 1, 0, 1, 1, 1, 0, 1, 0, 0, 0, 1],-1,2, 6))
    # print(gene_len(3,1))