遗传算法是一种全局最优化算法，其很好地借鉴了自然界中生物进化的规律，通过模拟这种优胜劣汰的规律以寻找极值点。本文将从其原理，实现过程以及可行性的角度通俗地解剖这种算法！
一、算法基本思想
遗传算法是进化算法中的一种，初见其字面其实就可以大致推知出其的思想了。遗传算法就是建立在达尔文的生物进化论基础上的，通过模拟自然界不断筛选适应度比较好的个体，并通过使它们发生交叉（生物学中的专用名词，简单地理解就是生儿育女），变异，产生的新的个体会组成新的种群，继续进行新的一轮进化，最终留下的个体都有很高的适应度，这些个体中往往包含我们需要寻找的极值点。
太抽象不理解？没关系，笔者还为你准备了精美的演示图片：
- 很久之前，有一群快乐小猪生活在山区里，它们生活的位置都是不同的。
- 然而，有一天突然从山脚下升起了一股毒烟，并慢慢向山上蔓延，此时，一些生活在低海拔的小猪就被毒死了，而生活在较高海拔的小猪侥幸活了下来，但它们知道毒烟不断向上蔓延，所以它们会向高处迁居。
- 迁居的过程是漫长的，在这个过程中，有些小猪会相爱?，并生下后代，然后，它们自身就会死去，它们的子孙从它们父母已达到的高度继续向上迁居。这样，一代又一代，有一天，这些小猪发现自己达到了最高点附近，此时，毒烟渐渐散去，小猪们在最高点继续快乐地生活下去。
以上就是遗传算法的基本思想了。
二、实现过程
接下来，我们根据上面的图片讲解遗传算法怎么实现。
首先，我们注意，小猪的初始生活点是随机的，也就是，有的小猪生活的海拔高，有的就比较低，对应到算法中就是，算法开始，我们会随机生成一组点（当然这些点需要在可行域内）。
然后，毒气的出现，使得一些海拔低的小猪被毒死了，而海拔高的小猪活了下来，对应到算法就是选择（Selection）的过程（有?轮盘赌算法?和锦标赛算法），在这个过程中，我们会把适应度高的点保留下来，而遗弃适应度低的点（所谓适应度可以通俗地理解为这个点对应的函数值的大小）。
接着，活下来的小猪会生育后代，其后代会在父母已达到的高度继续向上迁居，对应算法的过程是交叉（Crossover）过程，这个过程中，我们随机抽取几对点，每对点会进行类似“中和”的操作，适应度高的点和适应度低的点“中和”生成平均适应度更高的点。这个地方我们通过一个具体的例子来进行理解：我们假设抽取的一个点的坐标为（1，1），其适应度为8，而另一个点的坐标为（2，2），适应度为2，此时，这对点的平均适应度为5，接着，我们随机生成一个随机数a（0~1之间），然后，a(1,1)+(1-a)(2,2)和(1-a)(1,1)+a(2,2)这两个点（也就是（1，1）和（2，2）连线上的两点）就是之前两个点“中和”的结果，我们会发现这两个新生成的点平均适应度往往更好，最后我们用新生成的点来取代原先的两个点。当然，交叉的操作的实现方式有很多种，上面的只是其中一种实现方式。
然而，我们知道，生物在进化过程中可能会发生变异（上面的漫画中未体现），变异后的个体适应度可能更好，当然也可能更差，所以我们会回到选择的过程，将适应度好的保留下来，将差的剔除掉，接着继续交叉，变异，这样就开始了新的一轮循环。当迭代到一定次数时，这些点渐渐都来到了最高点附近。在上面的迭代过程中，我们会记录下适应度最好的那个体，如果，新的迭代中产生更好的个体，则将该个体记录为最好的，算法结束后，我们返回这个适应度最好的个体即可。
三、可行性评估
遗传算法既然流传了几十年，解决了很多问题，从实践角度看，其肯定是可行的，在接下来的程序运行中我们也会看到。我们还需要从理论角度评估其可行性。
首先，选择过程中，我们默认采用了?轮盘赌算法?，这个算法可以使得适应度高的个体有更大的概率保留下来，而适应度低的个体保留下来的概率则小，当然，也有可能，适应度低的个体保留下了而抛弃了适应度高的，但从概率角度看，随着测试次数的增加，往往适应度高的个体能被保留下来。
我们再来看交叉的过程，这个过程中，当有一对个体发生交叉时，则产生的后代的适应度是居于其父母的适应度的之间的，这样看起来把适应度高的个体“拖累”了，但这样的结果是产生的后代的平均适应度往往增大了，也就是种群的平均水平提高了。
上面讲到交叉操作使得种群的平均适应度提高了而“拖累”了适应度高的点，这样不就实现不了找最高的目标了呀。所以，我们还需要变异操作，使其中一些点发生“变异”,变异的点可能适应度更高，在下一轮的选择过程中，这些适应度高的点更有可能保留下来，组成新的种群，整个过程下来，整个种群的平均适应度基本上一直在提高（除非都到了最高点附近），而变异这种碰运气的操作使得我们可能瞎猫拖到一个最高点。
可以说，整个遗传算法的各个阶段都是碰运气的过程，但碰到适应度高的点的可能性大，所以，在多次迭代和多次测试中，这些点往往能收敛于最高点。
四、具体代码
激动人心的时候来了，有了上述基础后，我们就可以阅读具体代码了（这段代码笔者在anaconda3中多次测试通过，但并不保证代码完全正确，如果你发现问题的话，可以在评论中留言，谢谢）。
# -*- coding: utf-8 -*-
"""
If you find bugs,please contact us :sj2050@vip.163.com or
zzzain46@gmail.com or
ruanyipu@gmail.com
Thank you!
@author: SJ2050
"""
import numpy as np
import matplotlib.pyplot as plt
# Solve Chinese garbled problem
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
def ga_real(population_size,fit_func,feasible_range,**options):
"""
input:
popolation_size = population_size (int)
fit_func = name of fitness value function (function)
feasible_range = feasible restrain region (two dimensional array)
options : is_print(plot,default = True) ,
max_iter(iteration number,default = 3*population_size),
p_c(crossover possibility, default = 0.75),
p_m(mutation_possibility, default = p_c/20)
return:
best_value_so_far,
best_chromosome_so_far,
search_points,
upper,
lower,
average
"""
# initialize input
is_print = options.get('is_print')
if (is_print==None or is_print!=False):
is_print = True
# selection = options.get('selection')
# if (selection==None or type(selection)!=int):
# selection = 1
max_iter = options.get('max_iter')
if(max_iter==None or type(max_iter)!= int or max_iter <= 0):
max_iter = 3*population_size
p_c = options.get('p_c')
if(p_c==None or type(p_c) not in [int,float] or p_c <= 0 or p_c > 1 ):
p_c = 0.75
p_m = options.get('p_m')
if (p_m==None or type(p_m) not in [int, float] or p_m<=0 or p_m > 1):
p_m = p_c/20
lower_boundary = np.array([feasible_range[i][0] for i in range(len(feasible_range))])
upper_boundary = np.array([feasible_range[i][1] for i in range(len(feasible_range))])
upper = np.array(np.zeros(max_iter+1))
average = np.array(np.zeros(max_iter+1))
lower = np.array(np.zeros(max_iter+1))
search_points = np.array([[]])
P = np.array(np.zeros((population_size,len(feasible_range))))
fitness = np.array(np.zeros(population_size))
# produce groups of chromosomes randomly
for i in range(population_size):
P[i,:] = lower_boundary + np.array([np.random.rand()*(upper_boundary[0] - lower_boundary[0]),
np.random.rand()*(upper_boundary[1] - lower_boundary[1])])
best_value_so_far = 0
for i in range(population_size):
fitness[i] = fit_func(P[i,:])
max_value_index = np.argmax(fitness)
max_value = fitness[max_value_index]
best_value_so_far = max_value
best_chromosome_so_far = P[max_value_index,:]
upper[0] = max_value
average[0] = np.average(fitness)
lower[0] = np.min(fitness)
search_points = np.append(search_points,[best_chromosome_so_far],axis = 1)
# start iteration
for i in range(max_iter):
# when all chromosomes become same
if(not check_same(fitness)):
# Selection
mating_pool = roulette_wheel(P[:],fitness[:]) # deliver a copy of fitness
# Crossover
new_mating_pool = mating_pool.copy()
for j in range(population_size//2):
ind1 = int(np.floor(np.random.rand()*population_size))
ind2 = int(np.floor(np.random.rand()*population_size))
while(ind1 == ind2):
ind2 = int(np.floor(np.random.rand()*population_size))
parent1 = mating_pool[ind1,:]
parent2 = mating_pool[ind2,:]
if (np.random.rand()<p_c):
alpha = np.random.rand()
offspring1 = alpha*parent1 + (1-alpha)*parent2
offspring2 = alpha*parent2 + (1-alpha)*parent1
new_mating_pool[ind1,:] = offspring1
new_mating_pool[ind2,:] = offspring2
# Mutation
for j in range(population_size):
if (np.random.rand() < p_m):
alpha = np.random.rand()
new_mating_pool[j,:] = alpha*new_mating_pool[j,:] +
(1-alpha)*(lower_boundary + np.array([np.random.rand()*(upper_boundary[0] - lower_boundary[0]),
np.random.rand()*(upper_boundary[1] - lower_boundary[1])]))
P = new_mating_pool
# Evaluation
for j in range(population_size):
fitness[j] = fit_func(P[j,:])
max_value_index = np.argmax(fitness)
max_value = fitness[max_value_index]
if (max_value > best_value_so_far):
best_value_so_far = max_value
best_chromosome_so_far = P[max_value_index,:]
upper[i+1] = max_value
average[i+1] = np.average(fitness)
lower[i+1] = np.min(fitness)
search_points = np.concatenate((search_points,[P[max_value_index,:]]))
# Plotting
if is_print:
plt.plot(range(0,max_iter+1),upper,'o:',range(0,max_iter+1),average,'x-',range(0,max_iter+1),lower,'*--')
plt.title('遗传算法(real_num)迭代变化图')
plt.legend(('最好','平均','最差'))
plt.xlabel('迭代次数')
plt.ylabel('适应度')
plt.show()
return best_value_so_far,best_chromosome_so_far,search_points,upper,lower,average
# one way to achieve crossover process
def roulette_wheel(chromosomes,fitness):
fitness = fitness - min(fitness) # to keep fitness positive
each_fitness_proportion = fitness/np.sum(fitness)
cumulation_proportion = 0
mating_pool = np.array(np.zeros(chromosomes.shape))
for i in range(len(fitness)):
random_num = np.random.rand()
for j in range(len(fitness)):
if (cumulation_proportion <= random_num and random_num < cumulation_proportion + each_fitness_proportion[j]):
mating_pool[i,:] = chromosomes[j,:]
break
cumulation_proportion += each_fitness_proportion[j]
cumulation_proportion = 0
return mating_pool
# check whether all the chromosomes become same
def check_same(fitness):
fitness = fitness - min(fitness) # to keep fitness positive
# to check whether all the chromosomes are same
for i in range(len(fitness)):
if (fitness[i]!=0):
return False
return True
if __name__ == '__main__':
def fit_func(chromosome):
x,y = chromosome[0],chromosome[1]
return 3*(1-x)**2*np.e**(-x**2-(y+1)**2) - 10*(x/5-x**3-y**5)*np.e**(-x**2-y**2) - (np.e**(-(x+1)**2-y**2))/3
best_value,best_index,search_points,upper,lower,average = ga_real(20,fit_func,[[-3,3],[-3,3]],is_print = True)
print(best_value)
print(best_index)
这个代码是实数版的遗传代码实现（我们这里也附上二进制版的遗传代码），选择过程选择了?轮盘赌算法?，交叉过程之前已提到过。我在这个代码的必要部分已经做好了注释，如果读者按照之前讲的那些思想来阅读代码的相应片段的，我相信，这些并不能难倒聪明的你。
五、运行结果
在笔者多次调试和修改后，这个代码的稳定性很好，收敛速度也很快，基本可以找到可行域中的最高点，偏差2%左右，如果多运行几次，所得结果基本可和真值媲美。
通过这个算法，我们也可以体会到大自然的美，顺自然者兴，逆自然者亡。
最后，感谢阅读！如果你觉得可以的话，也可以为我点赞?哦！
- 参考资料
1、《An introduction to optimization 4th edition》
2、某高校最优化课件
3、轮盘赌算法