python遗传算法的优化过程是什么?

python

对于题目中的算法,相信大家最喜欢,或者最常见的就是在优化领域吧,小编就看到很多大神,利用python的算法去做一些项目的优化,而大家在足够了解这个算法以后,也需要去完成这个算法的优化,这样才是真正可以掌握这个算法啦,那到底是怎么做呢?我们要怎么去开始做优化?不了解的小伙伴一起来看下吧!

下面通过一组实例方法教大家哦~

问题描述

一个名为Robby的机器人生活在一个充满垃圾的二维网格世界中,周围有4堵墙(如下图所示)。这个项目的目标是发展一个最佳的控制策略,使他能够有效地捡垃圾,而不是撞墙。

问题图片所示:

涉及方法

任何GA的优化步骤如下:

生成问题初始随机解的“种群”

个体的“拟合度”是根据它解决问题的程度来评估的

最合适的解决方案进行“繁殖”并将“遗传”物质传递给下一代的后代

重复第2步和第3步,直到我们得到一组优化的解决方案、

应用的遗传算法代码展示:

在下面的代码中,我们生成一个初始的机器人种群,让自然选择来运行它的过程。我应该提到的是,当然有更快的方法来实现这个算法(例如利用并行化)。

# 初始种群

pop = [Robot() for x in range(pop_size)]

results = []

 

# 执行进化

for i in tqdm(range(num_gen)):

    scores = np.zeros(pop_size)

 

    # 遍历所有机器人

    for idx, rob in enumerate(pop):

        # 运行垃圾收集模拟并计算拟合度

        score = rob.simulate(iter_per_sim, moves_per_iter)

        scores[idx] = score

 

    results.append([scores.mean(),scores.max()]) # 保存每一代的平均值和最大值

 

    best_robot = pop[scores.argmax()] # 保存最好的机器人

 

    # 限制那些能够交配的机器人的数量

    inds = np.argpartition(scores, -num_breeders)[-num_breeders:] # 基于拟合度得到顶级机器人的索引

    subpop = []

    for idx in inds:

        subpop.append(pop[idx])

    scores = scores[inds]

 

    # 平方并标准化

    norm_scores = (scores - scores.min()) ** 2

    norm_scores = norm_scores / norm_scores.sum()

 

    # 创造下一代机器人

    new_pop = []

    for child in range(pop_size):

        # 选择拟合度优秀的父母

        p1, p2 = np.random.choice(subpop, p=norm_scores, size=2, replace=False)

        new_pop.append(Robot(p1.dna, p2.dna))

 

pop = new_pop

效果展示:

根据以上内容,大家也可以清晰看到,使用遗传算法去做优化的神奇内容,不仅是可以面对冰冷的代码组,还是以上偏生物的内容,使用遗传算法统统可以实现,大家如果感兴趣的话,不妨也试试哈~

以上是 python遗传算法的优化过程是什么? 的全部内容, 来源链接: utcz.com/z/529595.html

回到顶部