Python实现遗传算法(二进制编码)求函数最优值方式

2023-08-01 19:54:04 70

目标函数

编码方式

本程序采用的是二进制编码精确到小数点后五位，经过计算可知对于其编码长度为18，对于其编码长度为15，因此每个基于的长度为33。

参数设置

算法步骤

设计的程序主要分为以下步骤：1、参数设置；2、种群初始化；3、用轮盘赌方法选择其中一半较好的个体作为父代；4、交叉和变异；5、更新最优解；6、对最有个体进行自学习操作；7结果输出。其算法流程图为：

算法结果

由程序输出可知其最终优化结果为38.85029，

输出基因编码为[110010111111101111010110100101111]。

代码

importnumpyasnp
importrandom
importmath
importcopy

classInd():
def__init__(self):
self.fitness=0
self.x=np.zeros(33)
self.place=0
self.x1=0
self.x2=0

defCal_fit(x,upper,lower):#计算适应度值函数
Temp1=0
foriinrange(18):
Temp1+=x[i]*math.pow(2,i)
Temp2=0
foriinrange(18,33,1):
Temp2+=math.pow(2,i-18)*x[i]
x1=lower[0]+Temp1*(upper[0]-lower[0])/(math.pow(2,18)-1)
x2=lower[1]+Temp2*(upper[1]-lower[1])/(math.pow(2,15)-1)
ifx1>upper[0]:
x1=random.uniform(lower[0],upper[0])
ifx2>upper[1]:
x2=random.uniform(lower[1],upper[1])
return21.5+x1*math.sin(4*math.pi*(x1))+x2*math.sin(20*math.pi*x2)
defInit(G,upper,lower,Pop):#初始化函数
foriinrange(Pop):
forjinrange(33):
G[i].x[j]=random.randint(0,1)
G[i].fitness=Cal_fit(G[i].x,upper,lower)
G[i].place=i
defFind_Best(G,Pop):
Temp=copy.deepcopy(G[0])
foriinrange(1,Pop,1):
ifG[i].fitness>Temp.fitness:
Temp=copy.deepcopy(G[i])
returnTemp

defSelection(G,Gparent,Pop,Ppool):#选择函数
fit_sum=np.zeros(Pop)
fit_sum[0]=G[0].fitness
foriinrange(1,Pop,1):
fit_sum[i]=G[i].fitness+fit_sum[i-1]
fit_sum=fit_sum/fit_sum.max()
foriinrange(Ppool):
rate=random.random()
Gparent[i]=copy.deepcopy(G[np.where(fit_sum>rate)[0][0]])

defCross_and_Mutation(Gparent,Gchild,Pc,Pm,upper,lower,Pop,Ppool):#交叉和变异
foriinrange(Ppool):
place=random.sample([_for_inrange(Ppool)],2)
parent1=copy.deepcopy(Gparent[place[0]])
parent2=copy.deepcopy(Gparent[place[1]])
parent3=copy.deepcopy(parent2)
ifrandom.random()upper[0]:
x1=random.uniform(lower[0],upper[0])
ifx2>upper[1]:
x2=random.uniform(lower[1],upper[1])
returnx1,x2

defSelf_Learn(Best,upper,lower,sPm,sLearn):#自学习操作
num=0
Temp=copy.deepcopy(Best)
whileTrue:
num+=1
forjinrange(33):
ifrandom.random()Best.fitness:
Best=copy.deepcopy(Temp)
num=0
ifnum>sLearn:
break
returnBest

if__name__=='__main__':
upper=[12.1,5.8]
lower=[-3,4.1]
Pop=100
Ppool=50
G_max=300
Pc=0.8
Pm=0.1
sPm=0.05
sLearn=20
G=np.array([Ind()for_inrange(Pop)])
Gparent=np.array([Ind()for_inrange(Ppool)])
Gchild=np.array([Ind()for_inrange(Pop)])
Gsum=np.array([Ind()for_inrange(Pop*2)])
Init(G,upper,lower,Pop)#初始化
Best=Find_Best(G,Pop)
forkinrange(G_max):
Selection(G,Gparent,Pop,Ppool)#使用轮盘赌方法选择其中50%为父代
Cross_and_Mutation(Gparent,Gchild,Pc,Pm,upper,lower,Pop,Ppool)#交叉和变异生成子代
Choose_next(G,Gchild,Gsum,Pop)#选择出父代和子代中较优秀的个体
Cbest=Find_Best(G,Pop)
ifBest.fitness
以上这篇Python实现遗传算法(二进制编码)求函数最优值方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。

Python实现遗传算法(二进制编码)求函数最优值方式

热门推荐

随机推荐