【经典算法】有趣的算法之---遗传算法梳理

every blog every motto: You can do more than you think.

0. 前言

遗传算法是一种基于自然选择和遗传机制的优化算法，因此它通常被用于求解各种最优化问题，例如函数优化、特征选择、图像处理等。

一言以蔽之： 将数学中的优化问题，首先通过“编码”将数字变成“0101”类似这种二进制形式（不绝对），然后对其进行变换（“变异”），根据提前指定的“目标函数”（适应度）对这组数学进行筛选，重复这个过程一定次数（“迭代进化”），最终找到最优解

1. 简介

1.1 概念

遗传算法（Genetic Algorithm，简称GA）受自然进化理论启发的一系列搜索算法，起源于对生物系统所进行的计算机模拟研究，是一种随机全局搜索优化方法，它模拟了自然选择和遗传中发生的复制、交叉(crossover)和变异(mutation)等现象，从任一初始种群（Population）出发，通过随机选择、交叉和变异操作，产生一群更适合环境的个体，使群体进化到搜索空间中越来越好的区域，这样一代一代不断繁衍进化，最后收敛到一群最适应环境的个体（Individual），从而求得问题的优质解。

达尔文进化论原理概括为：

变异：种群中单个样本的特征（性状，属性）可能会有所不同，这导致了样本彼此之间有一定程度的差异。
遗传：某些特征可以遗传给其后代。导致后代与双亲样本具有一定程度的相似性。
选择：种群通常在给定的环境中争夺资源。更适应环境的个体在生存方面更具优势，因此会产生更多的后代。

1.2 术语

染色体(Chromosome)： 染色体又可称为基因型个体(individuals)，一定数量的个体组成了群体(population)，群体中个体的数量叫做群体大小（population size）
位串(Bit String)： 个体的表示形式。对应于遗传学中的染色体
基因(Gene)： 基因是染色体中的元素，用于表示个体的特征。例如有一个串（即染色体）S=1011，则其中的1，0，1，1这4个元素分别称为基因
特征值( Feature)： 在用串表示整数时，基因的特征值与二进制数的权一致；例如在串 S=1011 中，基因位置3中的1，它的基因特征值为2；基因位置1中的1，它的基因特征值为8
适应度(Fitness)： 各个个体对环境的适应程度叫做适应度(fitness)。为了体现染色体的适应能力，引入了对问题中的每一个染色体都能进行度量的函数，叫适应度函数。这个函数通常会被用来计算个体在群体中被使用的概率
基因型(Genotype)： 或称遗传型，是指基因组定义遗传特征和表现。对于于GA中的位串
表现型(Phenotype)： 生物体的基因型在特定环境下的表现特征。对应于GA中的位串解码后的参数

1.3 算法流程

1.3.1 整体流程

初始化。 设置进化代数计数器g=0，设置最大进化代数G，随机生成NP个个体作为初始群P(0)
个体评价。 计算群体P(t)中各个个体的适应度
选择运算。 将选择算子作用于群体，根据个体的适应度，按照一定的规则或方法，选择一些优良个体遗传到下一代群体
交叉运算。 将交叉算子作用于群体，对选中的成对个体，以某一概率交换他们的之间的染色体，产生新个体
变异运算。 将变异算子作用于群体，对选中的个体，以某一概率改变某一个或某一些基因值为其他的等位基因。群体P(t)经过选择、交叉和变异运算之后得到下一代群体P(t+1)，计算适用值，并根据适应值进行排序，准备进行下一次遗传操作
终止条件判断。 若g<G，则g=g+1，转到步骤2，否则，进化过程中所得到的具有最大适应度的个体作为最优解输出，终止计算。

1.3.2 关键参数

群体规模

群体规模将影响遗传优化的最终结果以及遗传算法的执行效率。当群体规模 NP太小时，遗传优化性能一般不会太好。采用较大的群体规模可以减小遗传算法陷入局部最优解的机会，但较大的群体规模意味着计算复杂度较高。一般 NP 取 10～20010～200。

交叉概率

交叉概率 $P_c$ 控制着交叉操作被使用的频度。较大的交叉概率可以增强遗传算法开辟新的搜索区域的能力，但高性能的模式遭到破坏的可能性增大；若交叉概率太低，遗传算法搜索可能陷入迟钝状态。一般 $P_c$ 取 0.25～1.000.25～1.00。

变异概率

变异在遗传算法中属于辅助性的搜索操作，它的主要目的是保持群体的多样性。一般低频度的变异可防止群体中重要基因的可能丢失，高频度的变异将使遗传算法趋于纯粹的随机搜索。通常 $P_m$ 取 0.001～0.10.001～0.1。

进化代数

终止进化代数 G是表示遗传算法运行结束条件的一个参数，它表示遗传算法运行到指定的进化代数之后就停止运行，并将当前群体中的最佳个体作为所求问题的最优解输出。一般视具体问题而定，G的取值可在 100～1000100～1000 之间。

1.3.3 关键步骤

1. 染色体编码

在计算中处理的数据，而对于具体的遗传算法 需要将常见的数据转换成“基因”，即0101这种形式，常见的编码方式有：

二进制编码： 即组成染色体的基因序列是由二进制数表示，具有编码解码简单易用，交叉变异易于程序实现等特点
格雷码编码： 两个相邻的数用格雷码表示，其对应的码位只有一个不相同，从而可以提高算法的局部搜索能力。这是格雷码相比二进制码而言所具备的优势。
浮点数编码： 是指将个体范围映射到对应浮点数区间范围，精度可以随浮点数区间大小而改变
各参数级联编码
多参数交叉编码

2. 解码

遗传算法染色体向问题解的转换

3. 适应度评估检测

适应度函数表明个体或解的优劣性。对于不同的问题，适应度函数的定义方式不同。根据具体问题，计算群体P(t)中各个个体的适应度。

适应度尺度变换： 一般来讲，是指算法迭代的不同阶段，能够通过适当改变个体的适应度大小，进而避免群体间适应度相当而造成的竞争减弱，导致种群收敛于局部最优解。包括：

线性尺度变换
乘幂尺度变换
指数尺度变换

4. 遗传算子

包括以下三种遗传算子：

选择： 选择操作从旧群体中以一定概率选择优良个体组成新的种群，以繁殖得到下一代个体。个体被选中的概率与适应度有关，具体可以使用轮盘赌法
交叉： 交叉操作是指从种群中随机选择两个个体，通过两个染色体的交换组合，把父串的优秀特征遗传给子串，从而产生新的优秀个体。
变异： 为了防止遗传算法在优化过程中陷入局部最优解，在搜索过程中，需要对个体进行变异，在实际应用中，主要采用单点变异，也叫位变异，即只需要对基因序列中某一个位进行变异，以二进制编码为例，即0变为1，而1变为0。

5. 预先设定参数

种群大小：M
遗传算法终止进化代数：T
交叉概率： $P_c$ , 一般取0.4~0.99
变异概率， $P_m$ , 一般取0.001~0.1

1.4 应用

1.4.1 应用范围

旅行商问题（Traveling Salesman Problem）：旅行商问题是一个经典的组合优化问题，目标是找到一条路径，使得旅行商能够访问所有城市并返回起始城市，同时总路线最短。遗传算法可以用来寻找近似最优解。
机器调度问题（Machine Scheduling Problem）：机器调度问题涉及将若干任务分配给多台机器，并确定任务的执行顺序和时间，以最大化生产效率或最小化完成时间。遗传算法可以用来优化任务的分配和调度策略。
参数优化问题（Parameter Optimization）：在许多科学和工程领域中，需要通过调整模型或算法中的参数来优化性能指标。遗传算法可以用来搜索参数空间，找到最优的参数组合，从而优化模型或算法的性能。
神经网络训练（Neural Network Training）：神经网络的训练通常涉及调整网络的权重和偏置，以最小化损失函数。遗传算法可以用来搜索神经网络的参数空间，寻找最优的权重和偏置组合，从而提高网络的性能。
组合优化问题（Combinatorial Optimization）：组合优化问题涉及在给定约束条件下，从大量组合中找到最优解。例如，图的着色问题、背包问题等。遗传算法可以用来搜索组合空间，找到满足约束条件并具有最优特性的组合。

1.4.2 应用案例

案例一:TSP问题

以下是一个简单的遗传算法的 Python 代码示例，用于解决旅行商问题（Traveling Salesman Problem）

import random# 定义城市列表和距离矩阵
city_list = ['A', 'B', 'C', 'D', 'E']
distance_matrix = {'A': {'A': 0, 'B': 2, 'C': 9, 'D': 10, 'E': 5},'B': {'A': 1, 'B': 0, 'C': 6, 'D': 4, 'E': 8},'C': {'A': 9, 'B': 6, 'C': 0, 'D': 3, 'E': 7},'D': {'A': 10, 'B': 4, 'C': 3, 'D': 0, 'E': 6},'E': {'A': 5, 'B': 8, 'C': 7, 'D': 6, 'E': 0}
}# 遗传算法参数设置
population_size = 50
elite_size = 10
mutation_rate = 0.01
generations = 100# 创建一个随机个体（路径）
def create_individual(city_list):individual = random.sample(city_list, len(city_list))return individual# 创建初始种群
def create_population(city_list, population_size):population = []for _ in range(population_size):individual = create_individual(city_list)population.append(individual)return population# 计算路径的总距离
def calculate_fitness(individual):total_distance = 0for i in range(len(individual)-1):city1 = individual[i]city2 = individual[i+1]total_distance += distance_matrix[city1][city2]return total_distance# 选择精英个体
def select_elite(population, elite_size):population_fitness = [(individual, calculate_fitness(individual)) for individual in population]population_fitness = sorted(population_fitness, key=lambda x: x[1])elite = [individual for individual, _ in population_fitness[:elite_size]]return elite# 进行交叉操作
def crossover(parent1, parent2):child = [None] * len(parent1)geneA = random.randint(0, len(parent1)-1)geneB = random.randint(0, len(parent1)-1)start_gene = min(geneA, geneB)end_gene = max(geneA, geneB)for i in range(start_gene, end_gene+1):child[i] = parent1[i]for i in range(len(parent2)):if parent2[i] not in child:for j in range(len(child)):if child[j] is None:child[j] = parent2[i]breakreturn child# 进行变异操作
def mutate(individual):for i in range(len(individual)):if random.random() < mutation_rate:j = random.randint(0, len(individual)-1)individual[i], individual[j] = individual[j], individual[i]return individual# 进化函数
def evolve_population(population, elite_size):elite = select_elite(population, elite_size)population_size = len(population)children = []while len(children) < population_size:parent1 = random.choice(elite)parent2 = random.choice(elite)child = crossover(parent1, parent2)child = mutate(child)children.append(child)return children# 主函数
def main():population = create_population(city_list, population_size)for i in range(generations):population = evolve_population(population, elite_size)best_individual = min(population, key=calculate_fitness)best_distance = calculate_fitness(best_individual)print("最佳路径：", best_individual)print("最短距离：", best_distance)if __name__ == '__main__':main()

案例二：极值问题

以下是求 $f=x^2$ 的极值问题，设自变量x介于0~31之间，求二次函数的最大值

步骤：

（1）编码遗传算法首先要对实际问题进行编码，用字符串表达问题。这种字符串相当于遗传学中的染色体。每一代所产生的字符串个体总和称为群体。为了实现的方便，通常字符串长度固定，字符选0或1。本例中，利用5位二进制数表示x值，采用随机产生的方法，假设得出拥有四个个体的初始群体，即：01101，11000，01000，10011。x值相应为13，24，8，19。

（2）计算适应度衡量字符串（染色体）好坏的指标是适应度，它也就是遗传算法的目标函数。本例中用 $x^2$ 计算。

（3）复制根据相对适应度的大小对个体进行取舍，2号个体性能最优，予以复制繁殖。3号个体性能最差，将它删除，使之死亡，表中的M表示传递给下一代的个体数目，其中2号个体占2个，3号个体为0，1号、4号个体保持为1个。这样，就产生了下一代群体

复制后产生的新一代群体的平均适应度明显增加，由原来的293增加到421 （4）交换利用随机配对的方法，决定1号和2号个体、3号和4号个体分别交换，如表中第5列。再利用随机定位的方法，确定这两对母体交叉换位的位置分别从字符长度的第4位及第3位开始。如：3号、4号个体从字符长度第3位开始交换。交换开始的位置称交换点

（5）突变将个体字符串某位符号进行逆变，即由1变为0或由0变为1。例如，下式左侧的个体于第3位突变，得到新个体如右侧所示。

遗传算法中，个体是否进行突变以及在哪个部位突变，都由事先给定的概率决定。通常，突变概率很小，本例的第一代中就没有发生突变。

上述（2）～（5）反复执行，直至得出满意的最优解。

综上可以看出，遗传算法参考生物中有关进化与遗传的过程，利用复制、交换、突变等操作，不断循环执行，逐渐逼近全局最优解。

import numpy as np
import matplotlib.pyplot as plt
from matplotlib import cm
from mpl_toolkits.mplot3d import Axes3DDNA_SIZE = 24
POP_SIZE = 80
CROSSOVER_RATE = 0.6
MUTATION_RATE = 0.01
N_GENERATIONS = 100
X_BOUND = [-2.048, 2.048]
Y_BOUND = [-2.048, 2.048]def F(x, y):return 100.0 * (y - x ** 2.0) ** 2.0 + (1 - x) ** 2.0  # 以香蕉函数为例def plot_3d(ax):X = np.linspace(*X_BOUND, 100)Y = np.linspace(*Y_BOUND, 100)X, Y = np.meshgrid(X, Y)Z = F(X, Y)ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=cm.coolwarm)ax.set_xlabel('x')ax.set_ylabel('y')ax.set_zlabel('z')plt.pause(3)plt.show()def get_fitness(pop):x, y = translateDNA(pop)pred = F(x, y)return pred# return pred - np.min(pred)+1e-3  # 求最大值时的适应度# return np.max(pred) - pred + 1e-3  # 求最小值时的适应度，通过这一步fitness的范围为[0, np.max(pred)-np.min(pred)]def translateDNA(pop):  # pop表示种群矩阵，一行表示一个二进制编码表示的DNA，矩阵的行数为种群数目x_pop = pop[:, 0:DNA_SIZE]  # 前DNA_SIZE位表示Xy_pop = pop[:, DNA_SIZE:]  # 后DNA_SIZE位表示Yx = x_pop.dot(2 ** np.arange(DNA_SIZE)[::-1]) / float(2 ** DNA_SIZE - 1) * (X_BOUND[1] - X_BOUND[0]) + X_BOUND[0]y = y_pop.dot(2 ** np.arange(DNA_SIZE)[::-1]) / float(2 ** DNA_SIZE - 1) * (Y_BOUND[1] - Y_BOUND[0]) + Y_BOUND[0]return x, ydef crossover_and_mutation(pop, CROSSOVER_RATE=0.8):new_pop = []for father in pop:  # 遍历种群中的每一个个体，将该个体作为父亲child = father  # 孩子先得到父亲的全部基因（这里我把一串二进制串的那些0，1称为基因）if np.random.rand() < CROSSOVER_RATE:  # 产生子代时不是必然发生交叉，而是以一定的概率发生交叉mother = pop[np.random.randint(POP_SIZE)]  # 再种群中选择另一个个体，并将该个体作为母亲cross_points = np.random.randint(low=0, high=DNA_SIZE * 2)  # 随机产生交叉的点child[cross_points:] = mother[cross_points:]  # 孩子得到位于交叉点后的母亲的基因mutation(child)  # 每个后代有一定的机率发生变异new_pop.append(child)return new_popdef mutation(child, MUTATION_RATE=0.003):if np.random.rand() < MUTATION_RATE:  # 以MUTATION_RATE的概率进行变异mutate_point = np.random.randint(0, DNA_SIZE)  # 随机产生一个实数，代表要变异基因的位置child[mutate_point] = child[mutate_point] ^ 1  # 将变异点的二进制为反转def select(pop, fitness):  # nature selection wrt pop's fitnessidx = np.random.choice(np.arange(POP_SIZE), size=POP_SIZE, replace=True,p=(fitness) / (fitness.sum()))return pop[idx]def print_info(pop):fitness = get_fitness(pop)max_fitness_index = np.argmax(fitness)print("max_fitness:", fitness[max_fitness_index])x, y = translateDNA(pop)print("最优的基因型：", pop[max_fitness_index])print("(x, y):", (x[max_fitness_index], y[max_fitness_index]))print(F(x[max_fitness_index], y[max_fitness_index]))if __name__ == "__main__":fig = plt.figure()# ax = Axes3D(fig)ax = fig.add_axes(Axes3D(fig))plt.ion()  # 将画图模式改为交互模式，程序遇到plt.show不会暂停，而是继续执行plot_3d(ax)pop = np.random.randint(2, size=(POP_SIZE, DNA_SIZE * 2))  # matrix (POP_SIZE, DNA_SIZE)for _ in range(N_GENERATIONS):  # 迭代N代x, y = translateDNA(pop)if 'sca' in locals():sca.remove()sca = ax.scatter(x, y, F(x, y), c='black', marker='o')plt.show()plt.pause(0.1)pop = np.array(crossover_and_mutation(pop, CROSSOVER_RATE))fitness = get_fitness(pop)pop = select(pop, fitness)  # 选择生成新的种群print_info(pop)plt.ioff()plot_3d(ax)