遗传算法是优化算法吗,遗传算法的应用实例python实现
对于题目中的算法,相信你最喜欢,或者说最常见的是在优化领域。边肖见过很多大神用python的算法来优化一些项目,而在你对这个算法有了足够的了解之后,你也需要完成这个算法的优化,这样你才能真正掌握这个算法。你是怎么做到的?我们如何开始优化?让不知道的小伙伴们来看看吧!
下面有一组例子教你~
问题描述
一个叫Robby的机器人生活在一个充满垃圾的二维网格世界里,周围有4面墙(如下图所示)。这个项目的目标是开发一种控制策略,让他可以有效地捡起垃圾,而不是撞墙。
问题图片所示:
涉及方法
任何GA的优化步骤如下:
l生成问题初始随机解的“种群”
l个体的“拟合度”是根据它解决问题的程度来评估的
l最合适的解决方案进行“繁殖”并将“遗传”物质传递给下一代的后代
l重复第2步和第3步,直到我们得到一组优化的解决方案、
应用的遗传算法代码展示:
在下面的代码中,我们生成一个初始的机器人种群,让自然选择来运行它的过程。我应该提到的是,当然有更快的方法来实现这个算法(例如利用并行化)。
#初始种群pop=[Robot()forxinrange(pop_size)]
results=[]
#执行进化
foriintqdm(range(num_gen)):
scores=np.zeros(pop_size)
#遍历所有机器人
foridx,robinenumerate(pop):
#运行垃圾收集模拟并计算拟合度
score=rob.simulate(iter_per_sim,moves_per_iter)
scores[idx]=score
results.append([scores.mean(),scores.max()])#保存每一代的平均值和值
best_robot=pop[scores.argmax()]#保存最好的机器人
#限制那些能够交配的机器人的数量
inds=np.argpartition(scores,-num_breeders)[-num_breeders:]#基于拟合度得到顶级机器人的索引
subpop=[]
foridxininds:
subpop.append(pop[idx])
scores=scores[inds]
#平方并标准化
norm_scores=(scores-scores.min())**2
norm_scores=norm_scores/norm_scores.sum()
#创造下一代机器人
new_pop=[]
forchildinrange(pop_size):
#选择拟合度优秀的父母
p1,p2=np.random.choice(subpop,p=norm_scores,size=2,replace=False)
new_pop.append(Robot(p1.dna,p2.dna))
pop=new_pop
效果展示:
根据以上内容,大家也可以清晰看到,使用遗传算法去做优化的神奇内容,不仅是可以面对冰冷的代码组,还是以上偏生物的内容,使用遗传算法统统可以实现,大家如果感兴趣的话,不妨也试试哈~
郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。