遗传算法python实例

以下是一个简单的遗传算法 Python 实例：

import random

# 定义问题
problem = [1, 3, 5, 7, 9, 11, 13, 15]

# 定义每个个体的长度
gene_length = len(problem)

# 定义种群大小
population_size = 50

# 定义迭代次数
generation = 100

# 定义交叉概率
crossover_probability = 0.9

# 定义变异概率
mutation_probability = 0.05

# 定义选择操作
def selection(population):
    # 计算每个个体的适应度
    fitness = []
    for individual in population:
        fitness.append(sum(individual))
    # 选择最小的适应度
    min_fitness = min(fitness)
    # 计算每个个体的选择概率
    selection_probability = []
    for i in range(len(population)):
        selection_probability.append((min_fitness + 1) / (fitness[i] + 1))
    # 根据选择概率随机选择两个个体
    index1 = random.choices(range(len(population)), weights=selection_probability)[0]
    index2 = random.choices(range(len(population)), weights=selection_probability)[0]
    return population[index1], population[index2]

# 定义交叉操作
def crossover(parent1, parent2):
    # 随机选择一个交叉点
    crossover_point = random.randint(1, gene_length - 1)
    # 交叉生成两个子代
    child1 = parent1[:crossover_point] + parent2[crossover_point:]
    child2 = parent2[:crossover_point] + parent1[crossover_point:]
    return child1, child2

# 定义变异操作
def mutation(individual):
    # 随机选择一个基因进行变异
    mutation_point = random.randint(0, gene_length - 1)
    # 将该基因随机变为另一个值
    individual[mutation_point] = random.choice(problem)
    return individual

# 初始化种群
population = []
for i in range(population_size):
    population.append([random.choice(problem) for j in range(gene_length)])

# 进化
for i in range(generation):
    # 计算每个个体的适应度
    fitness = []
    for individual in population:
        fitness.append(sum(individual))
    # 打印最优解
    print('Generation:', i, 'Best Solution:', population[fitness.index(min(fitness))], 'Fitness:', min(fitness))
    # 生成下一代种群
    new_population = []
    for j in range(population_size // 2):
        # 选择两个个体
        parent1, parent2 = selection(population)
        # 判断是否进行交叉
        if random.random() < crossover_probability:
            child1, child2 = crossover(parent1, parent2)
        else:
            child1, child2 = parent1, parent2
        # 判断是否进行变异
        if random.random() < mutation_probability:
            child1 = mutation(child1)
        if random.random() < mutation_probability:
            child2 = mutation(child2)
        # 将子代加入新种群
        new_population.append(child1)
        new_population.append(child2)
    population = new_population

以上的例子是一个求解八皇后问题的遗传算法，其中 `problem` 定义了每个皇后所在的列数，`gene_length` 定义了每个个体的长度，`population_size` 定义了种群大小，`generation` 定义了迭代次数，`crossover_probability` 定义了交叉概率，`mutation_probability` 定义了变异概率。

在代码中，首先通过随机生成的方式初始化了种群，然后进行了多次进化，每次进化都会选择出两个个体进行交叉和变异，并将生成的子代加入新种群。在选择个体时，使用了轮盘赌选择算法来计算每个个体的选择概率，并根据概率随机选择两个个体。在交叉操作中，随机选择了一个交叉点，并将两个个体在交叉点处进行了交叉。在变异操作中，随机选择了一个基因进行变异，并将该基因随机变为另一个值。

最后，打印出了每一代种群中的最优解和适应度。