TheLudGamer 发表于 2022-9-23 15:47

优化算法 | 遗传算法（附Python代码）

今天为各位讲解遗传算法（GA），相信各位对GA都已非常熟悉，之前我们也出过很多关于GA的教程：

[*]遗传算法（GA）求解带时间窗的车辆路径（VRPTW）问题MATLAB代码
[*]遗传算法（GA）求解容量受限的车辆路径（CVRP）问题MATLAB代码
[*]遗传算法求解0-1背包问题（附matlab源代码）
[*]遗传算法（GA）求解旅行商问题（TSP）附MATLAB代码
[*]优化算法 | 遗传算法的变形
[*]机器学习 | 基于遗传算法的BP神经网络优化算法（附MATLAB代码）
[*]多种群遗传算法的函数优化算法（附MATLAB代码）
[*]基于量子遗传算法的函数寻优算法
[*]遗传算法求解车间调度问题（附MATLAB代码）
之前的教程基本上都是用GA求解离散优化问题，鲜有涉及连续优化问题，因此今天我们主要讲解使用GA求解连续优化问题。
我们首先给出求解问题，目标是求解下述函数最小值：
f(x)=\sum_{i=1}^{5} x_{i}^{2} \quad-100 \leq x_{i} \leq 100
▎GA算法求解步骤

01 | 种群初始化

因为求解问题的变量数目为5，所以染色体长度为5。假设种群数目为npop，则随机生成npop个长度为5的个体，并且每个个体在每个维度上的取值应该在-100~100之间。种群初始化的代码如下：
# Initialize Population
pop = empty_individual.repeat(npop)
for i in range(npop):
    pop.position = np.random.uniform(varmin, varmax, nvar)
    pop.cost = costfunc(pop.position)
    if pop.cost < bestsol.cost:
      bestsol = pop.deepcopy()假设npop=5，则初始化种群结果如下，其中position是个体位置，cost是个体目标函数值：
), 'cost': 20692.321989577737}),
struct({'position': array([-69.29141662,63.88025843,69.29075941,34.80789342,81.93170175]), 'cost': 21607.590370704376}),
struct({'position': array([-64.22127924,0.08618959,-56.55556517,-10.68613122,-61.14429882]), 'cost': 11175.730766415392}),
struct({'position': array([ 80.3919982,-56.0863127,-27.38791656,-39.56431118,-31.46714348]), 'cost': 12914.161657029803}),
struct({'position': array([ 27.41598459,24.68736174,-31.05651977,-48.98385997,-43.34750546]), 'cost': 6604.034227715052})]02 | 适应度值计算

这份代码中的适应度值就是目标函数值，具体代码如下：
# Sphere Test Function
def sphere(x):
    return sum(x**2)03 | 选择操作

选择操作就是从当前种群中选择出若干个个体，这份代码使用的是轮盘赌选择策略，也就是适应度值大的个体有更大的概率被选中，具体代码如下：
def roulette_wheel_selection(p):
    c = np.cumsum(p)
    r = sum(p)*np.random.rand()
    ind = np.argwhere(r <= c)
    return ind假设输入参数p=，接下来依次看每一行代码代表什么含义。
cumsum函数是累加函数，则c=。
sum函数是求和函数，sum(p)=15，np.random.rand()函数返回一个[0,1)之间的随机数，不包括1，则r的取值范围为[0,15)之间的一个数，不包括15，假设此时r=5。
np.argwhere(a)函数返回非0元素的索引，其中a是要索引数组的条件，并且该函数输出的是一列元素。因此np.argwhere(r <= c)返回的是r <= c的索引，输出结果为
ind =
[

]最终返回ind=2，说明r=5落在3~6之间，即落在p=3所属的区间，轮盘赌示意图如下图所示。


04 | 交叉操作


交叉操作就是对选择出的两个个体进行处理，使这两个个体能够互相继承彼此良好的基因片段，具体代码如下：
def crossover(p1, p2, gamma=0.1):
    c1 = p1.deepcopy()
    c2 = p1.deepcopy()
    alpha = np.random.uniform(-gamma, 1+gamma, *c1.position.shape)
    c1.position = alpha*p1.position + (1-alpha)*p2.position
    c2.position = alpha*p2.position + (1-alpha)*p1.position
    return c1, c2np.random.uniform(low,high,size)函数返回size相同维度且取值范围在[low,high)之间的随机数，如
np.random.uniform(low = 0, high = 1, size = 4)返回4个[0,1)之间的随机数，具体返回结果如下
下面这两行代码实际上表示产生两个新个体的计算公式。
c1.position = alpha*p1.position + (1-alpha)*p2.position
c2.position = alpha*p2.position + (1-alpha)*p1.position05 | 变异操作

变异操作是对某一个个体进行处理，更新该个体的位置，具体代码如下，其中mu是变异概率：
def mutate(x, mu, sigma):
    y = x.deepcopy()
    flag = np.random.rand(*x.position.shape) <= mu
    ind = np.argwhere(flag)
    y.position += sigma*np.random.randn(*ind.shape)
    return yflag = np.random.rand(*x.position.shape) <= mu这行代码的含义是判断随机生成的与个体长度相等的数字中是否小于等于变异概率mu，返回结果示例为
ind = np.argwhere(flag)表示找出flag为True的索引，即找出待变异的基因位，返回结果为ind=[]。
y.position += sigma*np.random.randn(*ind.shape)表示更新待变异的基因位。
▎GA算法流程图




▎GA算法实例验证

实例验证函数如下，目标是求解下述函数最小值：
f(x)=\sum_{i=1}^{5} x_{i}^{2} \quad-100 \leq x_{i} \leq 100
ga.py代码如下：
import numpy as np
from ypstruct import structure

def run(problem, params):
   
    # Problem Information
    costfunc = problem.costfunc
    nvar = problem.nvar
    varmin = problem.varmin
    varmax = problem.varmax

    # Parameters
    maxit = params.maxit
    npop = params.npop
    beta = params.beta
    pc = params.pc
    nc = int(np.round(pc*npop/2)*2)
    gamma = params.gamma
    mu = params.mu
    sigma = params.sigma

    # Empty Individual Template
    empty_individual = structure()
    empty_individual.position = None
    empty_individual.cost = None

    # Best Solution Ever Found
    bestsol = empty_individual.deepcopy()
    bestsol.cost = np.inf

    # Initialize Population
    pop = empty_individual.repeat(npop)
    for i in range(npop):
      pop.position = np.random.uniform(varmin, varmax, nvar)
      pop.cost = costfunc(pop.position)
      if pop.cost < bestsol.cost:
            bestsol = pop.deepcopy()

    # Best Cost of Iterations
    bestcost = np.empty(maxit)
   
    # Main Loop
    for it in range(maxit):

      costs = np.array()
      avg_cost = np.mean(costs)
      if avg_cost != 0:
            costs = costs/avg_cost
      probs = np.exp(-beta*costs)

      popc = []
      for _ in range(nc//2):

            # Select Parents
            #q = np.random.permutation(npop)
            #p1 = pop]
            #p2 = pop]

            # Perform Roulette Wheel Selection
            p1 = pop
            p2 = pop
            
            # Perform Crossover
            c1, c2 = crossover(p1, p2, gamma)

            # Perform Mutation
            c1 = mutate(c1, mu, sigma)
            c2 = mutate(c2, mu, sigma)

            # Apply Bounds
            apply_bound(c1, varmin, varmax)
            apply_bound(c2, varmin, varmax)

            # Evaluate First Offspring
            c1.cost = costfunc(c1.position)
            if c1.cost < bestsol.cost:
                bestsol = c1.deepcopy()

            # Evaluate Second Offspring
            c2.cost = costfunc(c2.position)
            if c2.cost < bestsol.cost:
                bestsol = c2.deepcopy()

            # Add Offsprings to popc
            popc.append(c1)
            popc.append(c2)
      

      # Merge, Sort and Select
      pop += popc
      pop = sorted(pop, key=lambda x: x.cost)   #按照目标函数值从小到大排序
      pop = pop

      # Store Best Cost
      bestcost = bestsol.cost

      # Show Iteration Information
      print("Iteration {}: Best Cost = {}".format(it, bestcost))

    # Output
    out = structure()
    out.pop = pop
    out.bestsol = bestsol
    out.bestcost = bestcost
    return out

def crossover(p1, p2, gamma=0.1):
    c1 = p1.deepcopy()
    c2 = p1.deepcopy()
    alpha = np.random.uniform(-gamma, 1+gamma, *c1.position.shape)
    c1.position = alpha*p1.position + (1-alpha)*p2.position
    c2.position = alpha*p2.position + (1-alpha)*p1.position
    return c1, c2

def mutate(x, mu, sigma):
    y = x.deepcopy()
    flag = np.random.rand(*x.position.shape) <= mu
    ind = np.argwhere(flag)
    y.position += sigma*np.random.randn(*ind.shape)
    return y

def apply_bound(x, varmin, varmax):
    x.position = np.maximum(x.position, varmin)
    x.position = np.minimum(x.position, varmax)

def roulette_wheel_selection(p):
    c = np.cumsum(p)
    r = sum(p)*np.random.rand()
    ind = np.argwhere(r <= c)
    return ind
function = Sphere(x)
f= sum(x.^2);
endapp.py代码如下：
import numpy as np
import matplotlib.pyplot as plt
from ypstruct import structure
import ga

# Sphere Test Function
def sphere(x):
    return sum(x**2)

# Problem Definition
problem = structure()
problem.costfunc = sphere
problem.nvar = 5
problem.varmin = [-100, -100, -100, -100,-100]
problem.varmax = [ 100,100,100,100, 100]

# GA Parameters
params = structure()
params.maxit = 500
params.npop = 5
params.beta = 1
params.pc = 1
params.gamma = 0.1
params.mu = 0.01
params.sigma = 0.1

# Run GA
out = ga.run(problem, params)

# Results
plt.plot(out.bestcost)
print(out.bestsol)
# plt.semilogy(out.bestcost)
plt.xlim(0, params.maxit)
plt.xlabel('Iterations')
plt.ylabel('Best Cost')
plt.title('Genetic Algorithm (GA)')
plt.grid(True)
plt.show()求解结果如下：
最优解：struct({'position': array([-1.32382941e-04, -2.07103364e-05, -1.31247597e-03,1.21645087e-04,
      2.23626596e-08]), 'cost': 1.7553448711624725e-06})



▎参考

Mostapha Kalami Heris, Practical Genetic Algorithms in Python and MATLAB – Video Tutorial (URL:
https://yarpiz.com/632/ypga191215-practical-genetic-algorithms-in-python-and-matlab), Yarpiz, 2020.

咱们下期再见
▎近期你可能错过了的好文章：
新书上架 | 《MATLAB智能优化算法：从写代码到算法思想》
优化算法 | 灰狼优化算法（文末有福利）
优化算法 | 鲸鱼优化算法
遗传算法（GA）求解带时间窗的车辆路径（VRPTW）问题MATLAB代码
粒子群优化算法（PSO）求解带时间窗的车辆路径问题（VRPTW）MATLAB代码

DomDomm 发表于 2022-9-23 15:50

module 'ga' has no attribute 'run'
这是为什么呢，我用的notebook，版本python3.9.7
页: [1]
查看完整版本: 优化算法 | 遗传算法（附Python代码）