python遗传算法_【机器学习】遗传算法(Genetic Algorithm)的Python实现

遗传算法是一种模拟自然选择和遗传机制的优化算法，具有广泛的应用。在Python中，可以使用遗传算法来解决各种问题，例如函数最优化、机器学习等。

下面是一个简单的遗传算法的Python实现，用于寻找函数 f(x)=x^2 在区间 [0, 31] 的最大值。该算法的基本流程如下：

1. 初始化种群，即生成一些随机的个体。
2. 计算每个个体的适应度，即函数 f(x) 的值。
3. 选择若干个适应度较高的个体，作为下一代种群的父母。
4. 对父母进行交叉操作，生成新的个体。
5. 对新的个体进行变异操作，引入新的遗传信息。
6. 将新的个体加入到种群中。
7. 重复上述步骤，直到满足终止条件。

代码如下：

import random

# 目标函数
def fitness_func(x):
    return x ** 2

# 个体类
class Individual:
    def __init__(self):
        self.gene = random.uniform(0, 31)
        self.fitness = fitness_func(self.gene)

    def __str__(self):
        return 'gene: %.2f, fitness: %.2f' % (self.gene, self.fitness)

# 种群类
class Population:
    def __init__(self, size):
        self.size = size
        self.individuals = [Individual() for _ in range(size)]

    def select(self):
        # 轮盘赌选择
        total_fitness = sum([i.fitness for i in self.individuals])
        r = random.uniform(0, total_fitness)
        s = 0
        for i in range(self.size):
            s += self.individuals[i].fitness
            if s >= r:
                return self.individuals[i]

    def crossover(self, father, mother):
        # 单点交叉
        gene1 = (father.gene + mother.gene) / 2
        gene2 = (father.gene + mother.gene) / 2
        return Individual()

    def mutate(self, individual):
        # 随机变异
        individual.gene = random.uniform(0, 31)
        individual.fitness = fitness_func(individual.gene)

    def evolve(self):
        # 选择父母
        parents = [self.select() for _ in range(self.size)]
        # 交叉生成新个体
        offsprings = [self.crossover(parents[i], parents[i+1]) for i in range(0, self.size, 2)]
        # 变异
        for i in range(self.size):
            if random.random() < 0.1:
                self.mutate(offsprings[i])
        # 添加新个体
        self.individuals = parents + offsprings

    def get_best(self):
        # 返回适应度最高的个体
        return max(self.individuals, key=lambda x: x.fitness)

# 主程序
population = Population(50)
for i in range(1000):
    population.evolve()
    print('generation %d, best individual: %s' % (i+1, population.get_best()))

在上面的代码中，我们首先定义了一个目标函数 fitness_func(x)，用于计算个体的适应度。然后定义了一个 Individual 类，表示一个个体，其中包括基因和适应度两个属性。接着定义了一个 Population 类，表示一个种群，其中包括多个个体。该类还实现了选择、交叉、变异和进化等操作。

在主程序中，我们首先创建了一个种群 population，并进行了1000代的进化。每一代进化都会执行种群的 evolve() 方法，该方法会选择父母、进行交叉和变异，并将新个体加入到种群中。每一代结束后，我们输出适应度最高的个体。