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。