如何使用Python實現遺傳算法

176次閱讀

共計 1335 個字符，預計需要花費 4 分鐘才能閱讀完成。

使用 Python 實現遺傳算法可以按照以下步驟進行：

定義遺傳算法的參數，包括種群大小、交叉概率、變異概率、遺傳代數等。
初始化種群，隨機生成一定數量的個體作為初始種群。
計算適應度，即評估每個個體的適應度值，根據問題的具體情況定義適應度函數。
選擇適應度高的個體作為父代，進行交叉和變異操作產生新的個體。
重復進行選擇、交叉和變異操作，直到達到設定的遺傳代數或滿足終止條件。
根據最終的個體選擇出最優解，即具有最高適應度值的個體。

下面是一個簡單的示例代碼，實現了一個簡單的遺傳算法來解決求解最大值的問題：

import random

# 定義遺傳算法的參數 
POPULATION_SIZE = 10
CROSSOVER_RATE = 0.8
MUTATION_RATE = 0.1
GENERATION = 100

# 初始化種群 
def init_population(size):
    return [random.randint(0, 100) for _ in range(size)]

# 計算適應度 
def fitness(individual):
    return individual

# 選擇操作 
def selection(population):
    return random.choice(population)

# 交叉操作 
def crossover(parent1, parent2):
    pos = random.randint(0, len(parent1))
    return parent1[:pos] + parent2[pos:], parent2[:pos] + parent1[pos:]

# 變異操作 
def mutation(individual):
    pos = random.randint(0, len(individual) - 1)
    individual[pos] = random.randint(0, 100)
    return individual

# 遺傳算法主程序 
population = init_population(POPULATION_SIZE)
for _ in range(GENERATION):
    new_population = []
    for _ in range(POPULATION_SIZE // 2):
        parent1 = selection(population)
        parent2 = selection(population)
        if random.random() < CROSSOVER_RATE:
            child1, child2 = crossover(parent1, parent2)
            new_population.extend([child1, child2])
    population = new_population
    population = [mutation(individual) if random.random() < MUTATION_RATE else individual for individual in population]

best_individual = max(population, key=fitness)
print("The best individual is: ", best_individual)