技术文章 > Python技术 > Python基础 > 正文

python遗传算法的优化过程是什么?

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~

免费视频教程
本文原创发布python学习网,转载请注明出处,感谢您的尊重!
相关文章
 如何使用python脚本进行文本转换?
 python开发小程序流程如何?
 python input变量怎么赋值?
 如何学习python遗传算法?
相关视频章节
 网络爬虫
 云端部署Web应用程序视频
 Web应用框架Flask和文件模板
 Web应用程序开发概述
 继承和多态
视频教程分类