"""遺傳演算法實現求函式極大值—zjh"""
import numpy as np
import random
import matplotlib.pyplot as plt
class ga():
"""求出二進位制編碼的長度"""
def __init__(self):
self.boundsbegin = -2
self.boundsend = 3
precision = 0.0001 # 運算精確度
self.bitlength = int(np.log2((self.boundsend - self.boundsbegin)/precision))+1#%染色體長度
self.popsize = 50# 初始種群大小
self.generationmax = 12# 最大進化代數
self.pcrossover = 0.90# 交叉概率
self.pmutation = 0.2# 變異概率
self.population=np.random.randint(0,2,size=(self.popsize,self.bitlength))
"""計算出適應度"""
def fitness(self,population):
fitvalue=
cumsump =
for i in population:
x=self.transform2to10(i)#二進位制對應的十進位制
xx=self.boundsbegin + x * (self.boundsend - self.boundsbegin) / (pow(2,self.bitlength)-1)
s=self.targetfun(xx)
fsum=sum(fitvalue)
everypopulation=[x/fsum for x in fitvalue]
everypopulation.remove(everypopulation[0])
for j in everypopulation:
p=cumsump[-1]+j
return fitvalue,cumsump
"""選擇兩個基因，準備交叉"""
def select(self,cumsump):
seln=
for i in range(2):
j = 1
r=np.random.uniform(0,1)
prand =[x-r for x in cumsump]
while prand[j] < 0:
j = j + 1
return seln
"""交叉"""
def crossover(self, seln, pc):
d=self.population[seln[1]].copy()
f=self.population[seln[0]].copy()
r=np.random.uniform()
if rprint('yes')
c=np.random.randint(1,self.bitlength-1)
print(c)
a=self.population[seln[1]][c:]
b=self.population[seln[0]][c:]
d[c:]=b
f[c:]=a
print(d)
print(f)
g=dh=f
else:
g=self.population[seln[1]]
h=self.population[seln[0]]
return g,h
"""變異操作"""
def mutation(self,scnew,pmutation):
r=np.random.uniform(0, 1)
if r < pmutation:
v=np.random.randint(0,self.bitlength)
scnew[v]=abs(scnew[v]-1)
else:
scnew=scnew
return scnew
"""二進位制轉換為十進位制"""
def transform2to10(self,population):
#x=population[-1] #最後一位的值
x=0#n=len(population)
n=self.bitlength
p=population.copy()
p=p.tolist()
p.reverse()
for j in range(n):
x=x+p[j]*pow(2,j)
return x #返回十進位制的數
"""目標函式"""
def targetfun(self,x):
#y = x∗(np.sin(10∗(np.pi)∗x))+ 2
y=x*(np.sin(10*np.pi*x))+2
return y
if __name__ == '__main__':
generationmax=12
gg=ga()
scnew=
ymax=
#print(gg.population)
fitvalue, cumsump=gg.fitness(gg.population)
generation = 1
while generation < generationmax +1:
fitvalue, cumsump = gg.fitness(gg.population)
for j in range(0,gg.popsize,2):
seln = gg.select( cumsump) #返回選中的2個個體的序號
scro = gg.crossover(seln, gg.pcrossover) #返回兩條染色體
s1=gg.mutation(scro[0],gg.pmutation)
s2=gg.mutation(scro[1],gg.pmutation)
gg.population = scnew
fitvalue, cumsump = gg.fitness(gg.population)
fmax=max(fitvalue)
d=fitvalue.index(fmax)
x = gg.transform2to10(gg.population[d])
xx = gg.boundsbegin + x * (gg.boundsend - gg.boundsbegin) / (pow(2, gg.bitlength) - 1)
generation = generation + 1
bestpopulation = xx
targetmax = gg.targetfun(xx)
print(xx)
print(targetmax)
x=np.linspace(-2,3,30)
y=x*(np.sin(10*np.pi*x))+2
plt.scatter(2.65,4.65,c='red')
plt.xlim(0,5)
plt.ylim(0,6)
plt.plot(x,y)
plt.annotate('local max', xy=(2.7,4.8), xytext=(3.6, 5.2),arrowprops=dict(facecolor='black', shrink=0.05))
plt.show()
簡單遺傳演算法求函式極值
引言 遺傳演算法求函式極值算是遺傳演算法的一種最簡單的應用，這裡就介紹一種簡單的，全文基本翻譯自codeproject的一篇文章，作者為luay al wesi，軟體工程師。例子中的函式為y x2 5 大家可以將其改為其他複雜一些的函式，比如說f x 10sin 5x 7cos 4x 等。本篇文章適...
遺傳演算法工具箱求函式極值
這是乙個用ga演算法來求函式極值的例子 clcclear all t 100 optionsorigin gaoptimset generation t 2 x,fval,reason,output,finnal pop ga ch14 2f,2,optionsorigin options1 gao...
python遺傳演算法 Python 遺傳演算法實現
關於遺傳演算法 遺傳演算法是仿照自然界中生物進化而產生的一類優化演算法。個人感覺遺傳演算法簡單粗暴，適應性廣。關於遺傳演算法的介紹網上有很多了，這裡按照我自己的理解簡單概括一下。編碼解碼，將待優化的引數編碼為dna序列，最簡單直接的為二進位制編碼 即有兩種鹼基的dna鏈 生成隨機初代 選擇，適應度 ...