Genetic Algorithms with python 学习笔记ch3
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Genetic Algorithms with python 学习笔记ch3，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7017字，纯文字阅读大概需要11分钟。
内容图文
Sorted Numbers
我们需要产生一定长度的有序数列，利用GA来求解。
1. engine
其中 genetic.py 的完整代码为：
import random
import statistics
import sys
import time
def _generate_parent(length, geneSet, get_fitness):
genes = []
while len(genes) < length:
sampleSize = min(length - len(genes), len(geneSet))
genes.extend(random.sample(geneSet, sampleSize))
fitness = get_fitness(genes)
return Chromosome(genes, fitness)
def _mutate(parent, geneSet, get_fitness):
childGenes = parent.Genes[:]
index = random.randrange(0, len(parent.Genes))
newGene, alternate = random.sample(geneSet, 2)
childGenes[index] = alternate if newGene == childGenes[index] else newGene
fitness = get_fitness(childGenes)
return Chromosome(childGenes, fitness)
def get_best(get_fitness, targetLen, optimalFitness, geneSet, display):
random.seed()
bestParent = _generate_parent(targetLen, geneSet, get_fitness)
display(bestParent)
if bestParent.Fitness >= optimalFitness:
return bestParent
while True:
child = _mutate(bestParent, geneSet, get_fitness)
if bestParent.Fitness >= child.Fitness:
continue
display(child)
if child.Fitness >= optimalFitness:
return child
bestParent = child
class Chromosome:
def __init__(self, genes, fitness):
self.Genes = genes
self.Fitness = fitness
class Benchmark:
@staticmethod
def run(function):
timings = []
stdout = sys.stdout
for i in range(100):
sys.stdout = None
startTime = time.time()
function()
seconds = time.time() - startTime
sys.stdout = stdout
timings.append(seconds)
mean = statistics.mean(timings)
if i < 10 or i % 10 == 9:
print("{} {:3.2f} {:3.2f}".format(
1 + i, mean,
statistics.stdev(timings, mean) if i > 1 else 0))
下面对 genetic.py 中的各个部分进行叙述：
def _generate_parent(length, geneSet, get_fitness):
genes = []
while len(genes) < length:
sampleSize = min(length - len(genes), len(geneSet))
genes.extend(random.sample(geneSet, sampleSize))
fitness = get_fitness(genes)
return Chromosome(genes, fitness)
函数 _generate_parent 的功能是产生父代染色体，这里用于在给定范围geneSet内产生长度为length的数列，数列中的数是随机选取的。
def _mutate(parent, geneSet, get_fitness):
childGenes = parent.Genes[:]
index = random.randrange(0, len(parent.Genes))
newGene, alternate = random.sample(geneSet, 2)
childGenes[index] = alternate if newGene == childGenes[index] else newGene
fitness = get_fitness(childGenes)
return Chromosome(childGenes, fitness)
函数 _mutate 的功能是对给定的parent染色体进行突变，并计算新的适应值，以产生新的染色体。
def get_best(get_fitness, targetLen, optimalFitness, geneSet, display):
random.seed()
bestParent = _generate_parent(targetLen, geneSet, get_fitness)
display(bestParent)
if bestParent.Fitness >= optimalFitness:
return bestParent
while True:
child = _mutate(bestParent, geneSet, get_fitness)
if bestParent.Fitness >= child.Fitness:
continue
display(child)
if child.Fitness >= optimalFitness:
return child
bestParent = child
函数 get_best 的功能是调用函数 _generate_parent 产生初代染色体，若初代染色体为最优则返回初代染色体；否则进入一个循环，循环内包括：对父代染色体突变，去适应值更优的，在重复循环直到产生最优解。
class Benchmark:
@staticmethod
def run(function):
timings = []
stdout = sys.stdout
for i in range(100):
sys.stdout = None
startTime = time.time()
function()
seconds = time.time() - startTime
sys.stdout = stdout
timings.append(seconds)
mean = statistics.mean(timings)
if i < 10 or i % 10 == 9:
print("{} {:3.2f} {:3.2f}".format(
1 + i, mean,
statistics.stdev(timings, mean) if i > 1 else 0))
类 Benchmark 主要负责对函数function执行100次，输出到目前为止的单次执行的均值和方差。为了减少输出，这里只输出了前十次和后面的每个整十次。
2. sortedNumbersTests.py
首先 sortedNumbersTests.py 的完整代码如下：
import unittest
import datetime
import genetic
class Fitness:
def __init__(self, numbersInSequenceCount, totalGap):
self.NumbersInSequenceCount = numbersInSequenceCount
self.TotalGap = totalGap
def __gt__(self, other):
if self.NumbersInSequenceCount != other.NumbersInSequenceCount:
return self.NumbersInSequenceCount > other.NumbersInSequenceCount
return self.TotalGap < other.TotalGap
def __str__(self):
return "{} Sequential, {} Total Gap".format(
self.NumbersInSequenceCount,
self.TotalGap)
def get_fitness(genes):
fitness = 1
gap = 0
for i in range(1, len(genes)):
if genes[i] > genes[i - 1]:
fitness += 1
else:
gap += genes[i-1] -genes[i]
return Fitness(fitness, gap)
def display(candidate, startTime):
timeDiff = datetime.datetime.now() - startTime
print("{}\t=> {}\t{}".format(
', '.join(map(str, candidate.Genes)),
candidate.Fitness,
timeDiff
))
class SortedNumbersTests(unittest.TestCase):
def test_sort_10_numbers(self):
self.sort_numbers(10)
def test_benchmark(self):
genetic.Benchmark.run(lambda :self.sort_numbers(40))
def sort_numbers(self, totalNumbers):
geneset = [i for i in range(100)]
startTime = datetime.datetime.now()
def fnDisplay(candidate):
display(candidate, startTime)
def fnGetFitness(genes):
return get_fitness(genes)
optimalFitness = Fitness(totalNumbers, 0)
best = genetic.get_best(fnGetFitness, totalNumbers,
optimalFitness, geneset, fnDisplay)
self.assertTrue(not optimalFitness > best.Fitness)
现在对上面代码的各个部分进行讲解。
class Fitness:
def __init__(self, numbersInSequenceCount, totalGap):
self.NumbersInSequenceCount = numbersInSequenceCount
self.TotalGap = totalGap
def __gt__(self, other):
if self.NumbersInSequenceCount != other.NumbersInSequenceCount:
return self.NumbersInSequenceCount > other.NumbersInSequenceCount
return self.TotalGap < other.TotalGap
def __str__(self):
return "{} Sequential, {} Total Gap".format(
self.NumbersInSequenceCount,
self.TotalGap)
首先，声明一个适应值的类，类中包含升序数，和逆序差两个变量。为什么设置这两个变量？因为本次计算的目标是生成一个升序的数列，那么数列中升序的个数越多越好。
举个栗子：
1,2,3,6,5,4 升序数为3
1,2,3,4,5,6 升序数为6
因此后者更好
那么相同升序数的两个数列是不是真的一样好呢？当然不是。因此就引入了逆序差这样的变量。
举个例子：
1,2,10,5,15,16 逆序差为5
1,2,7,5,15,16 逆序差为2
因此后者更好
__gt__是一个内置的大于比较器的查找的函数名称，他表示当一个染色体A的升序数大于另一个染色体B或者当两个染色体A、B升序值相等时，A的逆序差小于B的逆序差时，染色体A的适应值就大于B。
def get_fitness(genes):
fitness = 1
gap = 0
for i in range(1, len(genes)):
if genes[i] > genes[i - 1]:
fitness += 1
else:
gap += genes[i-1] -genes[i]
return Fitness(fitness, gap)
函数get_fitness计算染色体的基因也就是数列的适应值，即升序数和逆序差。
class SortedNumbersTests(unittest.TestCase):
def test_sort_10_numbers(self):
self.sort_numbers(10)
def test_benchmark(self):
genetic.Benchmark.run(lambda :self.sort_numbers(40))
def sort_numbers(self, totalNumbers):
geneset = [i for i in range(100)]
startTime = datetime.datetime.now()
def fnDisplay(candidate):
display(candidate, startTime)
def fnGetFitness(genes):
return get_fitness(genes)
optimalFitness = Fitness(totalNumbers, 0)
best = genetic.get_best(fnGetFitness, totalNumbers,
optimalFitness, geneset, fnDisplay)
self.assertTrue(not optimalFitness > best.Fitness)
由于这里使用了 unittest.TestCase ,因此会执行其中使用test开头的函数。其中，test_sort_10_numbers函数主要是产生一个长度为10的升序数列。而test_benchmark表示的是产生长度为40的升序数列，共执行100次。
sort_numbers调用遗传算法。
内容总结
以上是互联网集市为您收集整理的Genetic Algorithms with python 学习笔记ch3全部内容，希望文章能够帮你解决Genetic Algorithms with python 学习笔记ch3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
扫描二维码推送至手机访问。