分類：版權聲明：本文為博主原創文章，未經博主允許不得轉載。
遺傳算法（Genetic Algorithms）也是受自然科學的啟發。該類算法的運行過程是先隨機生成一組解，稱之為種群（population）。在優化過程中的每一步，算法會計算整個種群的成本函數，從而得到一個有關題解的有序列表。
其三個主要特性在于：
selection，crossover，mutation在對題解進行排序之后，一個新的種群——我們稱之為下一代——被創建出來了。首先，我們將當前種群中位于最頂端的題解加入其所在的新種群中。我們稱這一過程為精英選拔（elitism）。新種群的余下部分是由修改最優解后形成的全新解所組成的。
有兩種修改題解的方法。
（1）較為簡單的一種稱為變異（mutation），其通常的做法是對一個既有解進行微小的、簡單的、隨機的改變。
（2）另一種方法稱為交叉（crossover）或配對（breeding）。這種方法是選取最優解中的兩個解，然后將它們按照方式結合。
算法設計中可能涉及的參數主要有，
（1）popsize：種群大?。?）mutPRob：種群的新成員由變異而非交叉得來的概率（3）elite：種群中被認為是最優解且被允許傳遞到下一代的比例（4）maxiter：需要運行多少代遺傳算法的程序還是比較好寫的，因為流程非常固定；
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]新聞熱點
疑難解答
