python

# coding=utf-8'''贪心算法：局部最优解。动态规划算法：多目标、多阶段优化。穷举算法：万能，受问题规模限制。遗传算法：只是比漫无目的的穷举搜索算法聪明一点点，通过较小的计算量获得较大的收益。只要能用解析的方法直接得到的最优解问题，都不要试图用遗传算法。适合-非线性问题。人工智能、自适应控制、机器学习等领域。不依赖目标函数。基于概率论，而不是一个确定的搜索过程，即每一次启发式搜索，可能会得出不同的最优解。可能得到局部最优解或近似最优解。迭代流程：初始化种群种群N代个体评价选择交叉变异种群N+1代1-编码方式：二进制编码（汉明距离）、格雷编码、符号编码、属性序列编码。2-适应度评估函数（关键点）：    固定的问题：运算初期早熟问题（未成熟收敛局部最优解），运算后期竞争区分度不高问题(等概率平均搜索)    自适应的改进：尺度变换：线性、乘方、指数。种群大小M：32交叉概率PC：0.8变异概率PM：0.15进化代数T：500用遗传算法解决0-1背包问题。1-问题的解收敛了，但没有收敛到最优解 - 通过将最优解与实际结果比较，也可以循环100次，取价值最大的解。2-self.total_fitness = 1 # 每次计算时，先将总数置0,在循环中，会产生全0的现象     - envaluateFitness中加入防护，如果某个种群全零，则对其进行调整。3-本例中，循环执行遗传算法24次，得到全局最优解，且结果收敛。'''import osimport randomfrom copy import deepcopyclass GAType(): # 种群32个    def __init__(self, obj_count):        self.gene = [0 for x in range(0, obj_count, 1)]   # 序列编码 0 / 1        self.fitness = 0 # 适应度        self.cho_feq = 0 # choose 选择概率        self.cum_feq = 0 # cumulative 累积概率class genetic():    def __init__(self, value, weight, max_weight):        self.value = value        self.weight = weight        self.max_weight = max_weight        self.obj_count = len(weight)        self._gatype = [GAType(self.obj_count) for x in range(0, population_size, 1)]  # 初始化32个种群        self.total_fitness = 0    def avoid_zero(self):        '''防止遗传的下一代为全零，若为全零，则将随机的位数（1-7）置1'''        flag = 0        for i in range(0, population_size, 1):            res = []            for j in range(0, self.obj_count, 1):                res.append(self._gatype[i].gene[j])            if [0 for x in range(0, self.obj_count, 1)] == res: # 全零                # print('找到了全零的状态！')                flag = 1                set_one = random.randint(1,self.obj_count)                for k in range(0,set_one,1):                    idx = random.randint(0,self.obj_count-1)                    self._gatype[i].gene[idx] = 1                # print(self._gatype[i].gene)        return True if flag else False    def initialize(self):        '''初始化种群'''        for i in range(0, population_size, 1):            while (1): # 保证不全为零                res = []                for j in range(0, self.obj_count, 1):                    self._gatype[i].gene[j] = random.randint(0,1)                    res.append(self._gatype[i].gene[j])                if [0 for x in range(0, self.obj_count, 1)] != res:                    break    def envaluateFitness(self):        '''适应度评估 = 背包内装入物品的总价值，如果超出max_weight，则置1（惩罚性措施）'''        self.total_fitness = 0 # 每次计算时，先将总数置0        for i in range(0, population_size, 1):            max_w = 0            self._gatype[i].fitness = 0  # 置0后再计算            for j in range(0, self.obj_count, 1):                if self._gatype[i].gene[j] == 1:                    self._gatype[i].fitness += self.value[j] # 适应度                    max_w += self.weight[j] # 最大重量限制            if max_w > self.max_weight:                self._gatype[i].fitness = 1 # 惩罚性措施            if 0 == self._gatype[i].fitness: # 出现了全零的种群                self.avoid_zero()                i = i - 1  # 重新计算该种群的fitness            else:                self.total_fitness += self._gatype[i].fitness # 种群的所有适应度        if 0 == self.total_fitness:            print('total_fitness = 0 ')    def select(self):        '''采用选择概率和累积概率来做选择，得出下一代种群（个数不变）        对环境适应度高的个体，后代多，反之后代少，最后只剩下强者'''        last_cho_feq = 0        for i in range(0, population_size, 1):            try:                self._gatype[i].cho_feq = self._gatype[i].fitness / float(self.total_fitness) # 选择概率            except:                # print('error', self.total_fitness)                pass            self._gatype[i].cum_feq = last_cho_feq + self._gatype[i].cho_feq # 累积概率            last_cho_feq = self._gatype[i].cum_feq        # _next = deepcopy(self._gatype)  # 下一代种群，参与到后续的交叉和变异        _next = [GAType(self.obj_count) for x in range(0, population_size, 1)]        for i in range(0, population_size, 1):            choose_standard = random.randint(1, 100) / 100.0            # print('choose_standard: %f' % choose_standard)            if choose_standard < self._gatype[0].cum_feq: # 选出下一代种群                _next[i] = self._gatype[0]            else:                for j in range(1, population_size, 1):                    if self._gatype[j-1].cum_feq <= choose_standard < self._gatype[j].cum_feq:                        _next[i] = self._gatype[j]        self._gatype = deepcopy(_next)        self.avoid_zero() # 全零是不可避免的？？    def crossover(self):        '''采用交叉概率p_cross进行控制，从所有种群中，选择出两个种群，进行交叉互换'''        first = -1        for i in range(0, population_size, 1):            choose_standard = random.randint(1, 100) / 100.0            if choose_standard <= p_cross: # 选出两个需要交叉的种群                if first < 0:                    first = i                else:                    self.exchangeOver(first, i)                    first = -1    def exchangeOver(self,first,second):        '''交叉互换'''        exchange_num = random.randint(1, self.obj_count) # 需要交换的位置数量        # print(exchange_num)        for i in range(0, exchange_num, 1):            idx = random.randint(0, self.obj_count - 1)            self._gatype[first].gene[idx], self._gatype[second].gene[idx] = \            self._gatype[second].gene[idx], self._gatype[first].gene[idx]    def mutation(self):        '''随机数小于变异概率时，触发变异'''        for i in range(0, population_size, 1):            choose_standard = random.randint(1, 100) / 100.0            if choose_standard <= p_mutation: # 选出需要变异的种群                self.reverseGene(i)    def reverseGene(self, index):        '''变异，将0置1，将1置0'''        reverse_num = random.randint(1, self.obj_count)  # 需要变异的位置数量        for i in range(0, reverse_num, 1):            idx = random.randint(0, self.obj_count - 1)            self._gatype[index].gene[idx] = 1 - self._gatype[index].gene[idx]    def genetic_result(self):        cnt = 0        while (1):            cnt = cnt + 1            if cnt > 100:                break            self.initialize()            self.envaluateFitness()            for i in range(0, max_generations, 1):                self.select()                self.crossover()                self.mutation()                self.envaluateFitness()            if True == self.is_optimal_solution(self._gatype, opt_result):                print('循环的次数为：%d' % cnt)                break        self.show_res(self._gatype)    def is_optimal_solution(self, gatype0, opt_result):        '''判断是否达到了最优解'''        for i in range(0, population_size, 1):            res_list = []            for j in range(0, self.obj_count, 1):                res_list.append(gatype0[i].gene[j])            if opt_result == res_list:                return True        return False    def show_res(self, gatype0):        '''显示所有种群的取值'''        res = []        res_list = []        for i in range(0, population_size, 1):            print('种群：%d --- ' % i),            list0 = []            for j in range(0, self.obj_count, 1):                list0.append(gatype0[i].gene[j])                print(gatype0[i].gene[j]),            print(' --- 总价值：%d' % gatype0[i].fitness)            res.append(gatype0[i].fitness)            res_list.append(list0)        #        max_index = 0        for i in range(0, len(res), 1):            if res[max_index] < res[i]:                max_index = i        weight_all = 0        for j in range(0, self.obj_count, 1):            if gatype0[max_index].gene[j] == 1:                weight_all += self.weight[j]        print('当前算法的最优解(种群%d):' % max_index),        print(res_list[max_index]),        print('总重量（不超过%d）：' % self.max_weight),        print(weight_all),        print('总价值：'),        print(res[max_index])if __name__ == '__main__':    weight = [35,30,60,50,40,10,25]    value  = [10,40,30,50,35,40,30]    max_weight = 150    opt_result = [1,1,0,1,0,1,1]  # 全局最优解：[1,2,4,6,7] - [35,30,50,10,25] = 150 [10,40,50,40,30] = 170    population_size = 32  # 种群    max_generations = 500  # 进化代数    p_cross = 0.8  # 交叉概率    p_mutation = 0.15  # 变异概率    genetic(value, weight, max_weight).genetic_result()'''循环执行该遗传算法，收敛得到最优解（前提是将最优解与实际得到的结果进行比较）循环的次数为：24种群：0 ---  1 1 0 1 0 1 1  --- 总价值：170种群：1 ---  1 1 0 1 0 1 1  --- 总价值：170种群：2 ---  1 1 0 1 0 1 1  --- 总价值：170种群：3 ---  1 1 0 1 0 1 1  --- 总价值：170种群：4 ---  1 1 0 1 0 1 1  --- 总价值：170种群：5 ---  1 1 0 1 0 1 1  --- 总价值：170种群：6 ---  1 1 0 1 0 1 1  --- 总价值：170种群：7 ---  1 1 0 1 0 1 1  --- 总价值：170种群：8 ---  1 1 0 1 0 1 1  --- 总价值：170种群：9 ---  1 1 0 1 0 1 1  --- 总价值：170种群：10 ---  1 1 0 1 0 1 1  --- 总价值：170种群：11 ---  1 1 0 1 0 1 1  --- 总价值：170种群：12 ---  1 1 0 1 0 1 1  --- 总价值：170种群：13 ---  1 1 0 1 0 1 1  --- 总价值：170种群：14 ---  1 1 0 1 0 1 1  --- 总价值：170种群：15 ---  1 1 0 1 0 1 1  --- 总价值：170种群：16 ---  1 1 0 1 0 1 1  --- 总价值：170种群：17 ---  1 1 0 1 0 1 1  --- 总价值：170种群：18 ---  1 1 0 1 0 1 1  --- 总价值：170种群：19 ---  1 1 0 1 0 1 1  --- 总价值：170种群：20 ---  1 1 0 1 0 1 1  --- 总价值：170种群：21 ---  1 1 0 1 0 1 1  --- 总价值：170种群：22 ---  1 1 0 1 0 1 1  --- 总价值：170种群：23 ---  1 1 1 1 1 0 0  --- 总价值：1种群：24 ---  1 1 0 1 0 1 1  --- 总价值：170种群：25 ---  1 1 0 1 0 1 1  --- 总价值：170种群：26 ---  1 1 0 1 0 1 1  --- 总价值：170种群：27 ---  1 1 0 1 0 1 1  --- 总价值：170种群：28 ---  1 1 0 1 0 1 1  --- 总价值：170种群：29 ---  1 1 0 1 0 1 1  --- 总价值：170种群：30 ---  1 1 0 1 0 1 1  --- 总价值：170种群：31 ---  1 1 0 1 0 1 1  --- 总价值：170当前算法的最优解(种群0): [1, 1, 0, 1, 0, 1, 1] 总重量（不超过150）： 150 总价值： 170'''