# encoding=utf-8
import math
import random
import operator
class ga():
def __init__(self, length, count):
# 染色體長度
self.length = length
# 種群中的染色體數量
self.count = count
# 隨機生成初始種群
self.population = self.gen_population(length, count)
def evolve(self, retain_rate=0.2, random_select_rate=0.5, mutation_rate=0.01):
"""進化
對當前一代種群依次進行選擇、交叉並生成新一代種群，然後對新一代種群進行變異
"""parents = self.selection(retain_rate, random_select_rate)
self.crossover(parents)
self.mutation(mutation_rate)
def gen_chromosome(self, length):
"""隨機生成長度為length的染色體，每個基因的取值是0或1
這裡用乙個bit表示乙個基因
"""chromosome = 0
for i in xrange(length):
# 終於明白了 這裡的或是整個二進位制比對的或|,比如10和1或下來的結果是11， 1001和101或的結果是1101，所以此處是個不斷隨機或出來的長度
chromosome |= (1 << i) * random.randint(0, 1) # 這裡每次左移， 隨機生成乙個0或者1的數字，這樣不斷左移生成給定長度的二進位制染色體
print ''.format(chromosome)
return chromosome
def gen_population(self, length, count):
"""獲取初始種群（乙個含有count個長度為length的染色體的列表）
"""return [self.gen_chromosome(length) for i in xrange(count)]
def fitness(self, chromosome):
"""計算適應度，將染色體解碼為0~9之間數字，代入函式計算
因為是求最大值，所以數值越大，適應度越高
"""x = self.decode(chromosome) # 對於乙個基因，代入二進位制值進行解碼，然後使用適應函式求出適應值
return x + 10 * math.sin(5 * x) + 7 * math.cos(4 * x)
def selection(self, retain_rate, random_select_rate):
"""選擇
先對適應度從大到小排序，選出存活的染色體
再進行隨機選擇，選出適應度雖然小，但是倖存下來的個體
"""# 對適應度從大到小進行排序
graded = [(self.fitness(chromosome), chromosome) for chromosome in self.population] # 求出所有染色體的適應值列表
graded = [x[1] for x in sorted(graded, reverse=true)] # 從小到大排序，形成新列表
# 選出適應性強的染色體
retain_length = int(len(graded) * retain_rate) # 根據比例值 找到前。個適應性強的染色體 作為下一代的父母親
parents = graded[:retain_length]
# 選出適應性不強，但是倖存的染色體 從後面中 隨機選取一比例 也放到父母親中
for chromosome in graded[retain_length:]:
if random.random() < random_select_rate:
return parents
def crossover(self, parents):
"""染色體的交叉、繁殖，生成新一代的種群
"""# 新出生的孩子，最終會被加入存活下來的父母之中，形成新一代的種群。
children =
# 需要繁殖的孩子的量 差值，就是要交叉生成的目標數
target_count = len(self.population) - len(parents)
# 開始根據需要的量進行繁殖
while len(children) < target_count:
male = random.randint(0, len(parents) - 1)
female = random.randint(0, len(parents) - 1)
if male != female: # 父母親序號不能相同
# 隨機選取交叉點
cross_pos = random.randint(0, self.length)
# 生成掩碼，方便位操作
mask = 0
for i in xrange(cross_pos):
mask |= (1 << i)
male = parents[male]
female = parents[female]
# 孩子將獲得父親在交叉點前的基因和母親在交叉點後（包括交叉點）的基因
child = ((male & mask) | (female & ~mask)) & ((1 << self.length) - 1)
# 經過繁殖後，孩子和父母的數量與原始種群數量相等，在這裡可以更新種群。
self.population = parents + children
def mutation(self, rate):
"""變異
對種群中的所有個體，隨機改變某個個體中的某個基因
"""for i in xrange(len(self.population)):
if random.random() < rate:
j = random.randint(0, self.length - 1)
self.population[i] ^= 1 << j
def decode(self, chromosome):
"""解碼染色體，將二進位制轉化為屬於[0, 9]的實數
"""return chromosome * 9.0 / (2 ** self.length - 1)
def result(self):
"""獲得當前代的最優值，這裡取的是函式取最大值時x的值。
"""graded = [(self.fitness(chromosome), chromosome) for chromosome in self.population]
graded = [x[1] for x in sorted(graded, reverse=true)]
return ga.decode(graded[0])
if __name__ == '__main__':
# 染色體長度為17， 種群數量為300
ga = ga(17, 20)
# 200次進化迭代
for x in xrange(500):
ga.evolve()
print ga.result()
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 ...
遺傳演算法python實現
i 實現功能 求解函式 f x x 10 sin 5 x 7 cos 4 x 在區間 0,9 的最大值 ii 原理 遺傳演算法 genetic algorithm 遵循 適者生存 優勝劣汰 的原則，是一類借鑑生物界自然選擇和自然遺傳機制的隨機化搜尋演算法。遺傳演算法模擬乙個人工種群的進化過程，通過選...
遺傳演算法 python 簡書 遺傳演算法
優化的演算法有很多種，從最基本的梯度下降法到現在的一些啟發式演算法，如遺傳演算法 ga 差分演化演算法 de 粒子群演算法 pso 和人工蜂群演算法 abc 舉乙個例子，遺傳演算法和梯度下降 梯度下降和遺傳演算法都是優化演算法，而梯度下降只是其中最基礎的那乙個，它依靠梯度與方向導數的關係計算出最優值...