大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。
Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺
经典遗传算法及简单实例(MATLAB)
1. 遗传算法简单介绍
1.1 理论基础
整个算法的基础就是达尔文的生物进化论,“物竞天择,适者生存” 这句话已经是常识了。
用雪兔做一个引子吧:
东北那旮瘩,有群原始雪兔,刚从未知物种进化而来,五颜六色(表现型)漂亮极了,称之为 I(0)。
(注意:种群初始化)
入夏了,雪兔们出来觅食,浅色兔在草地中无所遁形,被雪狐收割了一波(大批浅色+小批深色)。
入冬了,雪兔们出来觅食,深色兔在雪地中光彩夺目,被雪狐收割了一波(大批深色+小批浅色)。
(注意:自然选择过程)
春天到了,又到了兔兔们生孩的季节,雪兔们染色体内的基因进行 重组/不重组 ,产生一批受精卵。
(注意:交叉遗传过程)
受精卵内的生命活动非常强烈,造成了基因的 突变/不突变,产生了各种各样奇怪的小雪兔。
(注意:基因变异过程)
老雪兔们完成了自己繁衍的使命,全部不知所踪。留下新生代,继续在各种威胁下苟活,这一代叫 I(1)。
再次入冬入夏,雪兔们又出来觅食。。。。。。再次入冬,觅食。。。。。。入冬,觅食。。。。。。
就这样,50年后,基因突变和重组造就了种神奇的兔子:夏天褐色,冬天白色,可以轻易躲避雪狐的追捕
再次入冬入夏,雪兔们又出来觅食。。。。。。再次入冬,觅食。。。。。。入冬,觅食。。。。。。
这样,50年后,雪地里基本上见不到五颜六色的雪兔了,这时候雪兔们达到了兔生巅峰!
这就是遗传算法的理论基础,自然选择、交叉、变异、迭代,最终获得最优解。
注意:算法是根据表现型来进行选择,最终选出最优的表现型及其对应的基因。
1.2 算法要点
1.1 编码
编码是为了把我们的输入参数变成染色体(每个个体只有一条染色体),以便于进行交叉和遗传运算。
例如我们把雪兔的颜色进行划分, 0-255 (表现型)代表 黑->白 的不同程度,0就是纯黑的,255就是纯白的。
我们这里只谈一下简单的二进制编码,二进制编码中的每一个二进制位是一个基因,整个数字为染色体。
那么0-255共有256阶(表现型),我们可以用8位2进制数来表示(基因型)。
兔色为0的编码为 00000000,兔色为2的编码为 00000010,兔色为255的编码为 11111111。
1.2 适应度函数
适应度函数就是个体对环境的适应度,适应度越强的越能产生后代,保留自己的基因及表现型。
这里,我们假设灰色兔子的适应能力最强,即兔色为128的兔子不会被吃掉,设定函数为:
是一个最大值为128的分段函数,图像如下:
适应度函数的极值点一般是未知的,这里我们为了演示方便,就先展示出来。
1.3 基本流程
流程就和雪兔故事一样简单,如下所示:
注意:迭代的终止条件可以不是最大迭代次数,比如规定为种群适应度值的方差小于某个值(即种群表现型趋于一致)。
2. 代码实例(MATLAB)
2.1 代码汇总
遗传算法代码(通用代码):
function [bestChromosome,fitnessBest]=GA(numOfChromosome,numOfGene,iterationNum)
%% 函数功能:执行基于自适应遗传算法的卸载决策
% 输入:
% numOfChromosome:染色体数量,即迭代的种群大小
% numOfGene:基因的数量,即所用二进制编码的位数
% iterationNum:迭代的总次数,达到迭代次数即终止迭代
% 输出:
% bestChromosome:最优的染色体(即最优的输入)
% fitnessBest:最优的适应度值(即最优的结果)
%% 随机生成初始种群,种群大小为numOfChromosome,染色体中基因数为numOfGene
% lastPopulation:上一代的种群(染色体)
% newPopulation:新一代的种群(染色体)
% randi([0,1])会产生0或1的整数
lastPopulation=randi([0,1],numOfChromosome,numOfGene);
newPopulation=zeros(numOfChromosome,numOfGene);
%% 进行遗传迭代,直至达到最大迭代次数iterationNum
for iteration=1:iterationNum
%% 计算所有个体(染色体)的适应度,一共有numOfChromosome个适应度值
fitnessAll=zeros(1,numOfChromosome);
for i=1:numOfChromosome
individual=lastPopulation(i,:);
fitnessAll(i)=fitnessFunc(individual);
end
%% 如果达到最大迭代次数,跳出(不能再进行选择遗传和变异了)
if iteration==iterationNum
break;
end
%% 使用轮盘赌法选择numOfChromosome条染色体,种群中个体总数不变
fitnessSum=sum(fitnessAll);
fitnessProportion=fitnessAll/fitnessSum;
% 使用随机数进行numOfChromosome次选择,保持种群中个体数量不变
for i=1:numOfChromosome
probability=rand(1);
proportionSum=0;
chromosomeIndex=1;
for j=1:numOfChromosome
proportionSum=proportionSum+fitnessProportion(j);
if proportionSum>=probability
chromosomeIndex=j;
break;
end
end
newPopulation(i,:)=lastPopulation(chromosomeIndex,:);
end
%% 将染色体进行配对,执行单点交叉
lastPopulation=newPopulation;
% 生成从1到numOfChromosome的无序排列,每两个相邻数字进行配对
coupleAllIndex=randperm(numOfChromosome);
for i=1:floor(numOfChromosome/2)
coupleOneIndex=coupleAllIndex(2*i-1:2*i);
% 定义两条染色体交叉的概率,自己选择
probability=0.6;
% 如果生成的随机数在交叉概率内,执行交叉操作
if rand(i)<probability
% 随机生成交叉的基因点,将两条基因进行交叉
crossPosition=randi([1,numOfGene],1);
newPopulation(coupleOneIndex(1),crossPosition:end)=lastPopulation(coupleOneIndex(2),crossPosition:end);
newPopulation(coupleOneIndex(2),crossPosition:end)=lastPopulation(coupleOneIndex(1),crossPosition:end);
end
end
%% 对每条染色体执行基本位变异操作
lastPopulation=newPopulation;
for i=1:numOfChromosome
% 定义染色体变异的概率,自己选择
probability=0.2;
% 如果生成的随机数在变异概率内,执行变异操作
if rand(1)<probability
% 选择变异的位置
mutatePosition=randi([1,numOfGene],1);
% 将对应基因位置的二进制数反转
if(lastPopulation(i,mutatePosition)==0)
newPopulation(i,mutatePosition)=1;
else
newPopulation(i,mutatePosition)=0;
end
end
end
%% 完成了一次迭代,更新种群
lastPopulation=newPopulation;
end
%% 遗传迭代结束后,获得最优适应度值和对应的基因
fitnessBest=max(fitnessAll);
bestChromosome=newPopulation(find(fitnessAll==fitnessBest,1),:);
雪兔例子的适应度计算代码:
function fitness=fitnessFunc(chromosome)
%% 函数功能:计算染色体的表现型及其适应度
% 输入:
% chromosome:染色体的基因序列
% 输出:
% fitness:染色体(个体)的适应度值
%% 计算雪兔染色体对应表现型
len=length(chromosome);
numList=2.^(len-1:-1:0);
x=sum(chromosome.*numList);
%% 计算表现型对应的适应度
if x<128
fitness=x;
else
if x>128
fitness=256-x;
else
fitness=128;
end
end
2.1 初始化种群
%% 随机生成初始种群,种群大小为numOfChromosome,染色体中基因数为numOfGene
% lastPopulation:上一代的种群(染色体)
% newPopulation:新一代的种群(染色体)
% randi([0,1])会产生0或1的整数
lastPopulation=randi([0,1],numOfChromosome,numOfGene);
newPopulation=zeros(numOfChromosome,numOfGene);
这里使用随机数生成函数生成了numOfChromosome条染色体,每条染色体有numOfGene个基因。
将生成的种群放入lastPopulation中,每一行是一条染色体。
newPopulation相当于一个辅助数组,存储生成种群的中间结果。
2.2 计算适应度
%% 计算所有个体(染色体)的适应度,一共有numOfChromosome个适应度值
fitnessAll=zeros(1,numOfChromosome);
for i=1:numOfChromosome
individual=lastPopulation(i,:);
fitnessAll(i)=fitnessFunc(individual);
end
计算种群中所有个体的适应度,即把每一条染色体(个体)都放入适应度函数中,得到适应度结果。
2.3 迭代终止判断
%% 如果达到最大迭代次数,跳出(不能再进行选择遗传和变异了)
if iteration==iterationNum
break;
end
计算完适应度,如果达到终止条件,就不再进行选择、遗传和变异了。
否则你跳出循环时,种群适应度与计算的的适应度不匹配。
另一种方案:执行选择、遗传、变异,跳出循环后再次计算适应度即可。
2.4 自然选择(轮盘赌法)
%% 使用轮盘赌法选择numOfChromosome条染色体,种群中个体总数不变
fitnessSum=sum(fitnessAll);
fitnessProportion=fitnessAll/fitnessSum;
% 使用随机数进行numOfChromosome次选择,保持种群中个体数量不变
for i=1:numOfChromosome
probability=rand(1);
proportionSum=0;
chromosomeIndex=1;
for j=1:numOfChromosome
proportionSum=proportionSum+fitnessProportion(j);
if proportionSum>=probability
chromosomeIndex=j;
break;
end
end
newPopulation(i,:)=lastPopulation(chromosomeIndex,:);
end
计算每个个体适应度占总适应度的比例,总适应度是一个饼图,每个个体占据一定的扇形区域。
然后生成numOfChromosome个0-1的随机数,随机数落在哪个区域,哪个个体便被生存,可重复选择。
显然,适应度高的个体容易被选择,将自己的基因和表现型遗传下去。
2.5 配对交叉(单点)
%% 将染色体进行配对,执行单点交叉
lastPopulation=newPopulation;
% 生成从1到numOfChromosome的无序排列,每两个相邻数字进行配对
coupleAllIndex=randperm(numOfChromosome);
for i=1:floor(numOfChromosome/2)
coupleOneIndex=coupleAllIndex(2*i-1:2*i);
% 定义两条染色体交叉的概率,自己选择
probability=0.6;
% 如果生成的随机数在交叉概率内,执行交叉操作
if rand(i)<probability
% 随机生成交叉的基因点,将两条基因进行交叉
crossPosition=randi([1,numOfGene],1);
newPopulation(coupleOneIndex(1),crossPosition:end)=lastPopulation(coupleOneIndex(2),crossPosition:end);
newPopulation(coupleOneIndex(2),crossPosition:end)=lastPopulation(coupleOneIndex(1),crossPosition:end);
end
end
进行遗传的前提是配对,每两条染色体组合成一对,将两者的部分染色体进行交换。
单点交叉,顾名思义,选择染色体上的一个基因点,从这个基因点开始的两条染色体片段互换:
2.6 变异(基本位变异)
%% 对每条染色体执行基本位变异操作
lastPopulation=newPopulation;
for i=1:numOfChromosome
% 定义染色体变异的概率,自己选择
probability=0.2;
% 如果生成的随机数在变异概率内,执行变异操作
if rand(1)<probability
% 选择变异的位置
mutatePosition=randi([1,numOfGene],1);
% 将对应基因位置的二进制数反转
if(lastPopulation(i,mutatePosition)==0)
newPopulation(i,mutatePosition)=1;
else
newPopulation(i,mutatePosition)=0;
end
end
end
基本位变异就是选择一条染色体上的一个基因点,将其取反。
如染色体 11111111,选择其第四个基因进行基本位变异, 新染色体变为 11101111
2.7 获得最优解
%% 遗传迭代结束后,获得最优适应度值和对应的基因
fitnessBest=max(fitnessAll);
bestChromosome=newPopulation(find(fitnessAll==fitnessBest,1),:);
迭代结束之后,我们求出最大的适应度及其对应的染色体(个体),这就是我们需要的最优个体。
2.8 雪兔遗传结果
我们运行2.1给出的GA函数,在命令行输入以下代码运行:
[bestChromosome,fitnessBest]=GA(40,8,60)
40个染色体进行60次迭代。多次这行代码,发现结果可以不同,如下:
虽然结果不尽相同,但都接近最优解128,这是遗传算法本身的局限,不一定能获得最优解。
2.9 改善遗传算法的方法
通过2.8我们知道,遗传算法有时候只能逼近最优解,那么有什么方法能让他达到更好的逼近效果呢?
这里有几个方案:
- 使用自适应遗传和变异概率
- 增加种群中个体数量
- 增大迭代次数
- 使用双点交叉法
- 采用多样的变异方法
- 更改编码方式(某些情况)
- 更换适应度函数,将个体适应度的差距拉大
- 更换选择方法,轮盘赌法是最基本的方法,不科学
大家可以自行了解,以后可能会继续就这几个方面探讨。
3. 多多交流!
发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/194215.html原文链接:https://javaforall.cn
【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛
【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...