遗传算法详解（含MATLAB代码）

遗传算法详解（含MATLAB代码）
Python遗传算法框架使用实例（一）使用Geatpy实现句子匹配
在前面几篇文章中，我们已经介绍了高性能Python遗传和进化算法框架——Geatpy的使用。

本篇就一个案例进行展开讲述：
pip install geatpy
更新至Geatpy2的方法：
pip install --upgrade --user geatpy
查看版本号，在Python中执行：
import geatpy
print(geatpy.__version__)
我们都听过“无限猴子定理”，说的是有无限只猴子用无限的时间会产生特定的文章。

在无限猴子定理中，我们“假定”猴子们是没有像人类那样“智能”的，而且“假定”猴子不会自我学习。

因此，这些猴子需要“无限的时间"。

而在遗传算法中，由于采用的是启发式的进化搜索，因此不需要”无限的时间“就可以完成类似的工作。

当然，需要产生的文章篇幅越长，那么就需要越久的时间才能完成。

下面以产生"T om is a little boy, isn't he? Yes he is, he is a good and smart child and he is always ready to help others, all in all we all like him very much."的句子为例，讲述如何利用Geatpy实现句子的搜索。

之前的文章中我们已经讲述过如何使用Geatpy的进化算法框架实现遗传算法编程。

这里就直接用框架。

把自定义问题类和执行脚本编写在下面的"main.py”文件中：
# -*- coding: utf-8 -*-
import numpy as np
import geatpy as ea
class MyProblem(ea.Problem): # 继承Problem父类
def __init__(self):
name = 'MyProblem' # 初始化name（函数名称，可以随意设置） # 定义需要匹配的句子
strs = 'Tom is a little boy, isn't he? Yes he is, he is a good and smart child and he is always ready to help others, all in all we all like him very much.'
self.words = []
for c in strs:
self.words.append(ord(c)) # 把字符串转成ASCII码
M = 1 # 初始化M（目标维数）
maxormins = [1] # 初始化maxormins（目标最小最大化标记列表，1：最小化该目标；-1：最大化该目标）
Dim = len(self.words) # 初始化Dim（决策变量维数）
varTypes = [1] * Dim # 初始化varTypes（决策变量的类型，元素为0表示对应的变量是连续的；1表示是离散的）
lb = [32] * Dim # 决策变量下界
ub = [122] * Dim # 决策变量上界
lbin = [1] * Dim # 决策变量下边界
ubin = [1] * Dim # 决策变量上边界
# 调用父类构造方法完成实例化
ea.Problem.__init__(self, name, M, maxormins, Dim, varTypes, lb, ub, lbin, ubin)
def aimFunc(self, pop): # 目标函数
Vars = pop.Phen # 得到决策变量矩阵
diff = np.sum((Vars - self.words)**2, 1)
pop.ObjV = np.array([diff]).T # 把求得的目标函数值赋值给种群pop的ObjV
执行脚本
if __name__ == "__main__":
"""================================实例化问题对象============================="""
problem = MyProblem() # 生成问题对象
"""==================================种群设置================================"""
Encoding = 'RI' # 编码方式
NIND = 50 # 种群规模
Field = ea.crtfld(Encoding, problem.varTypes, problem.ranges,
problem.borders) # 创建区域描述器
population = ea.Population(Encoding, Field, NIND) # 实例化种群对象（此时种群还没被初始化，仅仅是完成种群对象的实例化）"""================================算法参数设置=============================="""
myAlgorithm = ea.soea_DE_rand_1_L_templet(problem, population) # 实例化一个算法模板对象
myAlgorithm.MAXGEN = 2000 # 最大进化代数
"""===========================调用算法模板进行种群进化========================="""
[population, obj_trace, var_trace] = myAlgorithm.run() # 执行算法模板
population.save() # 把最后一代种群的信息保存到文件中
# 输出结果
best_gen = np.argmin(obj_trace[:, 1]) # 记录最优种群是在哪一代
best_ObjV = obj_trace[best_gen, 1]
print('最优的目标函数值为：%s'%(best_ObjV))
print('有效进化代数：%s'%(obj_trace.shape[0]))
print('最优的一代是第 %s 代'%(best_gen + 1))
print('评价次数：%s'%(myAlgorithm.evalsNum))
print('时间已过 %s 秒'%(myAlgorithm.passTime))
for num in var_trace[best_gen, :]:
print(chr(int(num)), end = '')
上述代码中首先定义了一个问题类MyProblem，然后调用Geatpy内置的soea_DE_rand_1_L_templet算法模板，它实现的是差分进化算法DE-rand-1-L，详见源码：
运行结果如下：
种群信息导出完毕。

最优的目标函数值为：0.0
有效进化代数：2000
最优的一代是第 1748 代
评价次数：100000
时间已过 4.798132419586182 秒
Tom is a little boy, isn't he? Yes he is, he is a good and smart child and he is always ready to help others, all in all we all like him very much.
可见采用差分进化算法DE-rand-1-L能够准确无误地找到上面的句子。

下一篇文章将讲述我使用Geatpy解决多目标优化问题以及跟Matlab 遗传算法工具箱进行对比学习。

在后面的文章中我们将对更多的编程案例进行详解。

欢迎继续跟进，感谢！
遗传操作的改进。

体现在选择、交叉和变异的改进上。

……………………………….
通过计算得到的适应度就可以知道各个体的适应能力，将这些适应度进行累加，各个体就对应于一个区间。

将累加结果进行归一化，然后用随机函数来进行选择，落入哪个区间就选择区间对应的个体。

[4] Matlab Help, Global optimization toolbox.
基于自然启发算法的基于群体的算法。

通过模拟动物的社交行为，从而获得优化的数学模型，从而完成算法。

在WOA算法中它是使用模拟座头鲸在朴实猎物的过程之中出现的典型的气幕攻击行为。

population = ea.Population(Encoding, Field, NIND) # 实例化
种群对象（此时种群还没被初始化，仅仅是完成种群对象的实例化）y1 = cal_objvalue(newpop);
setOccupancy(MAP, IJ, VAL, 'grid')
收敛速度较慢。

因为1）它初始温度一般设定得很高，而终止温度设定得低，这样才符合物体规律，认为物质处于最低能量平衡点；2）它接受恶化解，并不是全程都在收敛的过程中。

这一点可以类比GA中的变异，使得它不是持续在收敛的，所以耗时更多一些。

P_test = [0.05 0 0.9 0.12 0.02 0.02;
对于二元函数，在工具箱中的设置方法大同小异：记得先在fitness.m 中修改我们的目标函数！。