遗传算法的应用实例python实现,人工智能遗传算法例题

　　本文主要为大家介绍python人工智能遗传算法实例分析。有需要的朋友可以借鉴一下，希望能有所帮助。祝大家进步很大，早日升职加薪。

　　00-1010一、实验目的二。实验原则三。实验条件四。实验内容五、实验结果

目录

　　熟悉遗传算法的原理、过程和编码策略，运用遗传算法解决函数优化问题，了解求解过程，检验主要参数对结果的影响。

一、实验目的

　　遗传算法的基本思想是基于模仿生物遗传学的遗传过程。它用基因表示问题的参数，用染色体(计算机中用二进制代码表示)表示问题的解，从而得到一组染色体不同的个体。这个群体在特定问题的环境中生存和竞争，适者生存的机会最大，是由个体组成的群体。后代随机继承了亲代的最佳特征，也在生活环境的控制下延续了这一过程。种群的染色体会逐渐适应环境，不断进化，最终收敛到一个最适应环境的相似个体家族，即得到问题的最优解。

二、实验原理

　　蟒蛇3，蟒蛇3，皮查姆

三、实验条件

　　将matplotlib.pyplot作为plt导入

　　随机导入

　　导入数学

　　#计算功能

　　def f(参数):

　　返回f2(参数)

　　定义f1(参数):

　　return(3-(math . sin(2 * args[0]))* 2-(math . sin(2 * args[1]))* 2)

　　定义f2(参数):

　　x=1

　　对于范围内的I(len(args)):

　　z=0

　　对于范围(5):内的j

　　z=(j 1)* math . cos((j 1)1)* args[I](j 1))

　　x *=z

　　返回x

　　#自适应功能

　　定义s(x):

　　返回s2(x)

　　定义s1(x):

　　return math.exp(-abs(x-1))

　　定义s2(x):

　　return math.exp(-abs(x 187))

　　#计算二进制序列表示的值

　　解码并计算值。

　　群体染色体

　　染色体长度

　　最大值、最小值上限和下限

　　Div分界点

　　def b2d(b，chrom_length，max_value，min_value，div):

　　rwno=[]

　　#因为染色体中有多个变量，所以需要div来划分。

　　对于范围内的I(len(div)):

　　如果i==0:

　　星号=0

　　end=div[i]

　　else:

　　star=div[i-1] 1

　　end=div[i]

　　t=0

　　对于在范围内(星形，结束): #分离参数[1，2，34，5，6]

　　t=b[j] * (math.pow(2，j - star))

　　t=t * max_value/(math.pow(2，end - star 1) - 1) - min_value

　　rwno .追加(t)

　　返回rwno #这是一个列表

　　计算当前函数值。

　　群体染色体

　　染色体长度

　　最大值、最小值最大值和最小值

　　Divid分割

　　def calobjValue(group，chrom_length，max_value，min_value，divid):

　　obj_value=[]

　　对于范围内的I(透镜(组)):

　　X=b2d (group [I]，chrom _ length，max _ value，min _ value，divid) #这个里面可能有多个变量。

　　obj_value.append(f(x))

　　返回对象值

　　#获取健身值

　　定义校准值(对象值):

　　fit_value=[]

　　因为我我

　　n range(len(obj_value)):

　　 temp = s(obj_value[i]) # 调用适应函数计算

　　 fit_value.append(temp)

　　 return fit_value

　　#累计适应值方便计算平均

　　def sum_fit(fit_value):

　　 total = 0

　　 for i in range(len(fit_value)):

　　 total += fit_value[i]

　　 return total

　　# 转轮盘选择法

　　def selection(group, fit_value):

　　 newfit_value = [] #[ [[染色体], [锚点]],... ]

　　 newgroup = [] #[ [父], [母], [父], [母],....]

　　 # 适应度总和

　　 total_fit = sum_fit(fit_value)

　　 # 设置各个的锚点

　　 t = 0

　　 for i in range(len(group)):

　　 t += fit_value[i]/total_fit

　　 newfit_value.append([group[i], t])

　　 # 转轮盘选择法

　　 for i in range(len(newfit_value)):

　　 parents = len(newfit_value) # 初始化指针

　　 r = random.random() #指针

　　 for j in range(len(newfit_value)):#看看指针指到睡了

　　 if newfit_value[j][1] > r:

　　 parents = j

　　 break

　　 newgroup.append(newfit_value[parents][0])

　　 return newgroup

　　# 交配

　　def crossover(group, fit_value, pc):

　　 parents_group = selection(group, fit_value) #[ [[父], [母]],....]

　　 group_len = len(parents_group)

　　 for i in range(0, group_len, 2):

　　 if(random.random() < pc): # 看看是否要交配

　　 cpoint = random.randint(0, len(parents_group[0])) # 随机交叉点

　　 temp1 = []

　　 temp2 = []

　　 temp1.extend(parents_group[i][0:cpoint])

　　 temp1.extend(parents_group[i+1][cpoint:len(parents_group[i])])

　　 temp2.extend(parents_group[i+1][0:cpoint])

　　 temp2.extend(parents_group[i][cpoint:len(parents_group[i])])

　　 group[i] = temp1

　　 group[i+1] = temp2

　　# 基因突变

　　def mutation(group, pm):

　　 px = len(group)

　　 py = len(group[0])

　　 for i in range(px): # 遍历

　　 if(random.random() < pm):

　　 mpoint = random.randint(0, py-1) # 取要变异哪个

　　 if(group[i][mpoint] == 1):

　　 group[i][mpoint] = 0

　　 else:

　　 group[i][mpoint] = 1

　　找出最优解和最优解的基因编码

　　group 种群染色去

　　fit_value 种群适应

　　def best(group, fit_value):

　　 px = len(group)

　　 best_in = group[0]

　　 best_fit = fit_value[0]

　　 for i in range(1, px):

　　 if(fit_value[i] > best_fit):

　　 best_fit = fit_value[i]

　　 best_in = group[i]

　　 #print(best_in)

　　 return [best_in, best_fit]

　　创建初代种群

　　group_size 种群大小

　　chrom_length 染色体长度

　　def getFisrtGroup(group_size, chrom_length):

　　 #print(初代种群：)

　　 group = []

　　 for i in range(group_size):

　　 temp = []

　　 for j in range(chrom_length):

　　 temp.append(random.randint(0, 1))

　　 group.append(temp)

　　 #print(group)

　　 return group

　　generation = 50 # 繁衍代数（数量越小，出结果脍，迭代次数越少）

　　group_size = 400 # 染色体数量，偶数

　　max_value = 20 # 范围

　　min_value = 10 # 偏移修正

　　chrom_length = 800 # 染色体长度

　　divid = [399, chrom_length-1] # 输入值分界点， 最后一位必须是染色体长度

　　pc = 0.7 # 交配概率

　　pm = 0.1 # 变异概率

　　results = [] # 存储每一代的最优解

　　fit_value = [] # 个体适应度

　　points = [] #多个最优解

　　#生成初代

　　group = getFisrtGroup(group_size, chrom_length)

　　for i in range(generation):

　　 if i > 100:

　　 pm = 0.01

　　 if i > 1000:

　　 pm = 0.001

　　 obj_value = calobjValue(group, chrom_length, max_value, min_value, divid) # 个体评价

　　 fit_value = calfitValue(obj_value) # 获取群体适应值

　　 best_individual, best_fit = best(group, fit_value) # 返回最优基因, 最优适应值

　　 xx = b2d(best_individual, chrom_length, max_value, min_value, divid)

　　 if( abs(f(xx)+186.730909) < 0.000001):#找到最优解

　　 flag = False

　　 for p in points:

　　 if( (abs(xx[0]-p[0]) < 0.1) and (abs(xx[1]-p[1]) < 0.1) ):#剔除重复解

　　 flag = True

　　 break

　　 if flag == False:

　　 print(xx)

　　 points.append(xx)

　　 results.append([i, best_fit, b2d(best_individual, chrom_length, max_value, min_value, divid), best_individual]) #加进坐标里

　　 crossover(group, fit_value, pc) # 交配

　　 mutation(group, pm) # 变异

　　#results.sort(key=lambda x:x[1])

　　rank = sorted(results, key=lambda x:x[1])

　　#print(\n, rank[-1])

　　#print(results)

　　x = b2d(rank[-1][3], chrom_length, max_value, min_value, divid)

　　#最终结果

　　print("f(x) = " , f(x) , "x = " , x , " 染色体 = ", rank[-1][3], " 适应值 = ", rank[-1][1], "代数：", rank[-1][0])

　　#输出适应图

　　X = []

　　Y = []

　　for i in range(generation):

　　 X.append(i)

　　 Y.append(results[i][1])

　　plt.plot(X, Y)

　　plt.show()

五、实验结果

　　以上就是python人工智能遗传算法示例解析的详细内容，更多关于python人工智能遗传算法的资料请关注盛行IT软件开发工作室其它相关文章！

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。