Python 实现简单遗传算法从零基础起步

在当今的科技领域，遗传算法作为一种强大的优化工具，在解决复杂问题方面展现出了巨大的潜力。而 Python 语言因其简洁易懂、功能强大的特点，成为了实现遗传算法的理想选择。本文将带领您从零基础起步，用 Python 实现简单的遗传算法。

让我们来了解一下遗传算法的基本概念。遗传算法是一种基于生物进化原理的随机搜索算法，它通过模拟自然选择、交叉和变异等过程来寻找最优解。在 Python 中，我们可以使用一些基本的数据结构和函数来实现这些过程。

接下来，我们开始编写代码。首先，需要定义问题的目标函数，也就是我们要优化的目标。例如，假设我们要找到一个函数的最大值，我们可以定义如下的目标函数：

def objective_function(x):
    return x ** 2

然后，我们需要定义遗传算法的相关参数，如种群大小、交叉概率、变异概率和最大迭代次数等。

POPULATION_SIZE = 100
CROSSOVER_PROBABILITY = 0.8
MUTATION_PROBABILITY = 0.1
MAX_GENERATIONS = 100

接下来，创建初始种群。可以使用随机数生成初始个体。

import random

def create_initial_population():
    population = []
    for _ in range(POPULATION_SIZE):
        individual = random.uniform(-10, 10)
        population.append(individual)
    return population

然后，实现选择操作，选择适应度高的个体进入下一代种群。

def selection(population, fitness_values):
    # 选择适应度高的个体
    sorted_indices = sorted(range(len(fitness_values)), key=lambda k: fitness_values[k], reverse=True)
    selected_population = [population[i] for i in sorted_indices[:POPULATION_SIZE]]
    return selected_population

接着，实现交叉操作，让优秀个体的基因组合产生新的个体。

def crossover(parent1, parent2):
    if random.random() < CROSSOVER_PROBABILITY:
        crossover_point = random.randint(1, len(parent1) - 1)
        child1 = parent1[:crossover_point] + parent2[crossover_point:]
        child2 = parent2[:crossover_point] + parent1[crossover_point:]
        return child1, child2
    else:
        return parent1, parent2

再实现变异操作，增加种群的多样性。

def mutation(individual):
    if random.random() < MUTATION_PROBABILITY:
        mutation_point = random.randint(0, len(individual) - 1)
        individual[mutation_point] = random.uniform(-10, 10)
    return individual

最后，编写主函数，将上述过程组合起来进行迭代优化。

def genetic_algorithm():
    population = create_initial_population()
    for generation in range(MAX_GENERATIONS):
        fitness_values = [objective_function(individual) for individual in population]
        population = selection(population, fitness_values)
        new_population = []
        for i in range(0, POPULATION_SIZE, 2):
            parent1, parent2 = population[i], population[i + 1]
            child1, child2 = crossover(parent1, parent2)
            child1 = mutation(child1)
            child2 = mutation(child2)
            new_population.extend([child1, child2])
        population = new_population
    best_individual = max(population, key=lambda x: objective_function(x))
    print("最优解:", best_individual, "最优值:", objective_function(best_individual))

genetic_algorithm()

通过以上步骤，我们就用 Python 实现了一个简单的遗传算法。您可以根据具体的问题需求，对代码进行修改和完善，以获得更好的优化效果。希望您能通过这个基础示例，进一步探索遗传算法在 Python 中的应用。