分类：版权声明：本文为博主原创文章，未经博主允许不得转载。
遗传算法（Genetic Algorithms）也是受自然科学的启发。该类算法的运行过程是先随机生成一组解，称之为种群（population）。在优化过程中的每一步，算法会计算整个种群的成本函数，从而得到一个有关题解的有序列表。
其三个主要特性在于：
selection，crossover，mutation在对题解进行排序之后，一个新的种群——我们称之为下一代——被创建出来了。首先，我们将当前种群中位于最顶端的题解加入其所在的新种群中。我们称这一过程为精英选拔（elitism）。新种群的余下部分是由修改最优解后形成的全新解所组成的。
有两种修改题解的方法。
（1）较为简单的一种称为变异（mutation），其通常的做法是对一个既有解进行微小的、简单的、随机的改变。
（2）另一种方法称为交叉（crossover）或配对（breeding）。这种方法是选取最优解中的两个解，然后将它们按照方式结合。
算法设计中可能涉及的参数主要有，
（1）popsize：种群大小（2）mutPRob：种群的新成员由变异而非交叉得来的概率（3）elite：种群中被认为是最优解且被允许传递到下一代的比例（4）maxiter：需要运行多少代遗传算法的程序还是比较好写的，因为流程非常固定；
def geneticalgo(domains, costf, popsize=100, mutprob=.2, elite=.2, maxiter=100): def mutable(c): i = random.randint(0, len(domains)-1) if random.random() < 0.5 and c[i] > domains[i][0]: c[i] -= 1 elif c[i] < domains[i][1]: c[i] += 1 return c def crossover(r1, r2): i = random.randint(1, len(domains)-2) return r1[:i] + r2[i:] pop = [] for i in range(popsize): r = [random.randint(domains[i][0], domains[i][1]) for i range(len(domains))] pop.append(r) topelite = int(popsize*elite) for i in range(maxiter): scores = [(costf(r), r) for r in pop] scores.sort() randked = [v for c, v in scores] pop = ranked[:topelite] while (len(pop) < popsize): if random.random() < mutprob: r = random.randint(0, topelite-1) pop.append(mutable(pop[r])) else: c1 = random.randint(0, topelite-1) c2 = random.randint(0, topelite-1) pop.append(crossover(pop[c1], pop[c2])) print(scores[0][1]) return scores[0][0]新闻热点
疑难解答
