基于遗传算法（deap）的非线性函数寻优与编码方式浅谈

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了基于遗传算法（deap）的非线性函数寻优与编码方式浅谈，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含10669字，纯文字阅读大概需要16分钟。

内容图文

前言

??借非线性函数寻优问题总结遗传算法中个体编码的方式与在DEAP库中的写法。

问题

??问题为一个非线性函数在[-4.5,4.5]内求最小值。
??该问题中有两个自变量，即一个个体（染色体）中有2个基因，这样可以推导至N基因组成的个体编码方式。
??遗传算法中常见的编码方式为二进制编码法与实数编码法，先贴出两种方式对应的 完整代码。

二进制编码

import numpy as np
from deap import base, tools, creator, algorithms
import random

#定义问题
creator.create('FitnessMin',base.Fitness,weights=(-1.0,))#单变量，求最小值
creator.create('Individual',list,fitness = creator.FitnessMin)#创建individual类

GENE = 48#基因长度
toolbox  = base.Toolbox()
toolbox.register('Binary',random.randint,0,1)
toolbox.register('individual',tools.initRepeat,creator.Individual,toolbox.Binary,GENE)
#print(toolbox.individual())#打印一个个体检查

low = [-4.5,-4.5]
up = [4.5,4.5]
def decode(ind,low=low,up=up,genLen=GENE):
    #染色体里包含两个解，所以将染色体一分为二再解码
    subGeneLen = int(GENE/2)
    x1 = int(''.join(str(_) for _ in ind[:subGeneLen]),2)
    x2 = int(''.join(str(_) for _ in ind[subGeneLen:]),2)
    x1Rescaled = low[0] + x1 * (up[0] - low[0])/(2**subGeneLen - 1)
    x2Rescaled = low[1] + x2 * (up[1] - low[0])/(2**subGeneLen - 1)
    return x1Rescaled,x2Rescaled

def evaluate(ind):
    x1,x2 = decode(ind)
    f = (1.5-x1+x1*x2)*(1.5-x1+x1*x2) + \
        (2.25-x1+x1*x2*x2)*(2.25-x1+x1*x2*x2) +\
        (2.625-x1+x1*x2*x2*x2)*(2.625-x1+x1*x2*x2*x2)
    return f,
toolbox.register('evaluate',evaluate)

N_POP = 200#种群内个体数量，参数过小，搜索速度过慢
toolbox.register('population',tools.initRepeat,list,toolbox.individual)
pop = toolbox.population(n=N_POP)
#for ind in pop:#打印一个种群检查
#   print(ind)

toolbox.register('select',tools.selTournament,tournsize=3)
toolbox.register('mate',tools.cxTwoPoint)
toolbox.register('mutate',tools.mutFlipBit,indpb=0.5)

NGEN = 200#迭代步数，参数过小，在收敛之前就结束搜索
CXPB = 0.8#交叉概率，参数过小，族群不能有效更新
MUTPB = 0.2#突变概率，参数过小，容易陷入局部最优

invalid_ind = [ind for ind in pop if not ind.fitness.valid]
fitnesses = toolbox.map(toolbox.evaluate,invalid_ind)
for ind ,fitness in zip(invalid_ind,fitnesses):
    ind.fitness.values = fitness

for gen in range(NGEN):
    offspring = toolbox.select(pop,N_POP)#先选择一次
    offspring = [toolbox.clone(_) for _ in offspring]#再克隆一次

    for ind1,ind2 in zip(offspring[::2],offspring[1::2]):#交叉
        if random.random() < CXPB:
            toolbox.mate(ind1,ind2)
            del ind1.fitness.values
            del ind2.fitness.values
    for ind in offspring:#变异
        if random.random() <MUTPB:
            toolbox.mutate(ind)
            del ind.fitness.values

    invalid_ind = [ind for ind in offspring if not ind.fitness.valid]
    fitnesses = toolbox.map(toolbox.evaluate, invalid_ind)
    for fitness, ind in zip(fitnesses, invalid_ind):
        ind.fitness.values = fitness

    combinedPop = pop + offspring#将子代与父代结合起来
    pop = tools.selBest(combinedPop,N_POP)#再从子代与父代的结合中选择出适应度最高的一批作为新的种群


bestInd = tools.selBest(pop,1)[0]#选择出最好的个体编号
bestFit = bestInd.fitness.values[0]#最好的个体适应度
print('best solution: '+str(decode(bestInd)))
print('best fitness: '+str(bestFit))

实数编码

import numpy as np
from deap import base, tools, creator, algorithms
import random

#定义问题
creator.create('FitnessMin',base.Fitness,weights=(-1.0,))#单变量，求最小值
creator.create('Individual',list,fitness = creator.FitnessMin)#创建individual类

low = [-4.5,-4.5]
up = [4.5,4.5]
def genInd(low,up):
    return[random.uniform(low[0],up[0]),random.uniform(low[1],up[1])]
toolbox  = base.Toolbox()
toolbox.register('genInd',genInd,low,up)
toolbox.register('individual',tools.initIterate,creator.Individual,toolbox.genInd)
#print(toolbox.individual())#打印一个个体检查


def evaluate(ind):
    f = (1.5-ind[0]+ind[0]*ind[1])*(1.5-ind[0]+ind[0]*ind[1]) + \
        (2.25-ind[0]+ind[0]*ind[1]*ind[1])*(2.25-ind[0]+ind[0]*ind[1]*ind[1]) +\
        (2.625-ind[0]+ind[0]*ind[1]*ind[1]*ind[1])*(2.625-ind[0]+ind[0]*ind[1]*ind[1]*ind[1])
    return f,
toolbox.register('evaluate',evaluate)

N_POP = 200#种群内个体数量，参数过小，搜索速度过慢
toolbox.register('population',tools.initRepeat,list,toolbox.individual)
pop = toolbox.population(n=N_POP)
#for ind in pop:#打印一个种群检查
#   print(ind)

toolbox.register('select',tools.selTournament,tournsize=3)
toolbox.register('mate',tools.cxTwoPoint)
toolbox.register('mutate',tools.mutFlipBit,indpb=0.5)

NGEN = 200#迭代步数，参数过小，在收敛之前就结束搜索
CXPB = 0.8#交叉概率，参数过小，族群不能有效更新
MUTPB = 0.2#突变概率，参数过小，容易陷入局部最优

invalid_ind = [ind for ind in pop if not ind.fitness.valid]
fitnesses = toolbox.map(toolbox.evaluate,invalid_ind)
for ind ,fitness in zip(invalid_ind,fitnesses):
    ind.fitness.values = fitness

for gen in range(NGEN):
    offspring = toolbox.select(pop,N_POP)#先选择一次
    offspring = [toolbox.clone(_) for _ in offspring]#再克隆一次

    for ind1,ind2 in zip(offspring[::2],offspring[1::2]):#交叉
        if random.random() < CXPB:
            toolbox.mate(ind1,ind2)
            del ind1.fitness.values
            del ind2.fitness.values
    for ind in offspring:#变异
        if random.random() <MUTPB:
            toolbox.mutate(ind)
            del ind.fitness.values
     
    invalid_ind = [ind for ind in offspring if not ind.fitness.valid]
    fitnesses = toolbox.map(toolbox.evaluate, invalid_ind)
    for fitness, ind in zip(fitnesses, invalid_ind):
        ind.fitness.values = fitness
    combinedPop = pop + offspring#将子代与父代结合起来
    pop = tools.selBest(combinedPop,N_POP)#再从子代与父代的结合中选择出适应度最高的一批作为新的种群


bestInd = tools.selBest(pop,1)[0]#选择出最好的个体编号
bestFit = bestInd.fitness.values[0]#最好的个体适应度
print('best solution: '+str(bestInd))
print('best fitness: '+str(bestFit))

二进制编码在DEAP程序中写法

??先从复杂一点的二进制编码记录。二进制编码法的显性特点有：需要自定义基因长度，需要为其单独编码解码函数。
??首先确定基因长度，先从单个解开始分析。自变量的取值范围为[-4.5,4.5]，总范围长度就是4.5-(-4.5)=9；希望答案的精确度为6位，则所有的可取值为9*1e6=9000000，那么基因的位数n一定符合2的n次方-1>9000000,2的23次方为8388608<9000000，2的24次方为16777216>9000000，因此单个基因长度应该为24位，一个个体有2个基因，因此一个个体的长度应该是48位。

GENE = 48#基因长度
toolbox  = base.Toolbox()
toolbox.register('Binary',random.randint,0,1)
toolbox.register('individual',tools.initRepeat,creator.Individual,toolbox.Binary,n=GENE)

??二进制编码，每一位非0即1，因此使用random.randint()函数，将0和1当做边界，就可以随机生成每一位的码。

toolbox.register('Binary',random.randint,0,1)

个体生成函数tools.initRepeat用法

??在个体生成中二进制编码使用的方法为tools.initRepeat()，和实数编码方式使用的方法不同（很重要）。
??复习一下DEAP库中工具箱注册方式：下句代码中，individual()是被注册成的函数名称，今后的个体生成都靠调用toolbox.individual()来实现；而individual()方法的本质是tools.initRepeat()方法；creator.Individual、toolbox.Binary、n=GENE则是tools.initRepeat()方法的三个传参。
??第一个传参creator.Individual的作用为令该个体确定为用于求解最大值问题还是最小值问题，即确定其适应度fitness.value是正值还是负值。
??第二个传参toolbox.Binary的作用为确定该个体的每位生成方法。
??第三个传参n=GENE即为该个体的位数。函数名repeat顾名思义，是将某种方法形式重复进行一定次数，也就是将每个位生成的方法重复使用n次。

toolbox.register('individual',tools.initRepeat,creator.Individual,toolbox.Binary,n=GENE)

解码函数写法

??解码函数的写法与前文一元函数寻优文章里的原理相同，主要区别为个体（染色体）中有多个解，需要先将个体拆分为单个基因，再解码。
??subGeneLen为单个基因的长度（24），第一个基因为ind[:subGeneLen]，第二个基因为ind[subGeneLen:]。同理，如果有n个基因，第一个基因为ind[:subGeneLen]，第二个基因为ind[subGeneLen:subGeneLen*2]，第三个基因为ind[subGeneLen*2:subGeneLen*3]…第n个基因为ind[subGeneLen*(n-1):]。

low = [-4.5,-4.5]
up = [4.5,4.5]
def decode(ind,low=low,up=up,genLen=GENE):
    #染色体里包含两个解，所以将染色体一分为二再解码
    subGeneLen = int(GENE/2)
    x1 = int(''.join(str(_) for _ in ind[:subGeneLen]),2)
    x2 = int(''.join(str(_) for _ in ind[subGeneLen:]),2)
    x1Rescaled = low[0] + x1 * (up[0] - low[0])/(2**subGeneLen - 1)
    x2Rescaled = low[1] + x2 * (up[1] - low[0])/(2**subGeneLen - 1)
    return x1Rescaled,x2Rescaled

评价函数写法

??评价函数较为简单，将解码函数返回的两个值赋值给两个变量代入原方程即可。

def evaluate(ind):
    x1,x2 = decode(ind)
    f = (1.5-x1+x1*x2)*(1.5-x1+x1*x2) + \
        (2.25-x1+x1*x2*x2)*(2.25-x1+x1*x2*x2) +\
        (2.625-x1+x1*x2*x2*x2)*(2.625-x1+x1*x2*x2*x2)
    return f,

实数编码在DEAP程序中写法

??实数编码法相较于二进制编码法更简洁，实数编码法通常直接构造一个列表（list）作为个体使用。
??该问题的个体由两个基因组成，因此每个列表中应当有两个元素，其形式应为list[x1,x2]。
??首先用两个列表记录x1和x2的上下界，方便之后为随机函数赋值。

low = [-4.5,-4.5]
up = [4.5,4.5]

??然后定义生成个体的方法。两个实数，也就是x1，x2,都是在各自的取值范围内随机生成的，因此使用均匀分布随机函数random.uniform()来生成。random.uniform()方法有两个传参，分别对应变量下界与上界，返回值为边界内等概率选取的实数值。

def genInd(low,up):
    return[random.uniform(low[0],up[0]),random.uniform(low[1],up[1])]

??自己定义的方法不能直接用于deap的个体生成程序中，因此还需要对其在工具箱中进行一次注册：

toolbox.register('genInd',genInd,low,up)

??完整代码如下，可以看到个体生成函数不是initRepeat而是initIterate。

low = [-4.5,-4.5]
up = [4.5,4.5]
def genInd(low,up):
    return[random.uniform(low[0],up[0]),random.uniform(low[1],up[1])]
toolbox  = base.Toolbox()
toolbox.register('genInd',genInd,low,up)
toolbox.register('individual',tools.initIterate,creator.Individual,toolbox.genInd)

个体生成函数 tools.initIterate用法

??工具箱注册方式不再重复说明。主要分析tools.initIterate()与tools.initRepeat()的不同。
??tools.initIterate()可以看出其参数中没有n，也就是说该方法无法确定个体的具体长度（不做重复操作），其余的地方与tools.initRepeat()无区别，个人认为tools.initIterate()从用法上讲就是不做基因位数重复操作的tools.initRepeat()。

toolbox.register('individual',tools.initIterate,creator.Individual,toolbox.genInd)

评价函数写法

??对于每个个体ind而言，ind[0]就是x1，ind[1]就是x2，代入到方程中即可。

def evaluate(ind):
    f = (1.5-ind[0]+ind[0]*ind[1])*(1.5-ind[0]+ind[0]*ind[1]) + \
        (2.25-ind[0]+ind[0]*ind[1]*ind[1])*(2.25-ind[0]+ind[0]*ind[1]*ind[1]) +\
        (2.625-ind[0]+ind[0]*ind[1]*ind[1]*ind[1])*(2.625-ind[0]+ind[0]*ind[1]*ind[1]*ind[1])
    return f,
toolbox.register('evaluate',evaluate)

??当然也可以先存进临时变量中，这样代码与二进制编码法的代码相似度更高些。

def evaluate(ind):
    x1 = ind[0]
    x2 = ind[1]
    f = (1.5-x1+x1*x2)*(1.5-x1+x1*x2) + \
        (2.25-x1+x1*x2*x2)*(2.25-x1+x1*x2*x2) +\
        (2.625-x1+x1*x2*x2*x2)*(2.625-x1+x1*x2*x2*x2)
    return f,

总结

??单纯从数值计算的效率上看，二进制编码法与实数编码法相比多了解码的步骤，运算复杂度是相对增加的。
??但是二进制编码可以人为设定计算的精确程度，相比之下灵活程度更高。
??对程序员来讲，实数编码法较为简易，使用起来方便。
??此外，对于自变量的取值范围，可以并不当做“约束条件”来看待，因为无论有没有其他约束条件，自变量的取值范围都是在个体生成时需要确定的。如果自变量之间除了组成函数求值外，还存在其他方程式关系，这些方程式才是真正的“约束条件”，是需要写在惩罚函数中的。

内容总结

以上是互联网集市为您收集整理的基于遗传算法（deap）的非线性函数寻优与编码方式浅谈全部内容，希望文章能够帮你解决基于遗传算法（deap）的非线性函数寻优与编码方式浅谈所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---