R語(yǔ)言怎么實(shí)現(xiàn)遺傳算法

這篇“R語(yǔ)言怎么實(shí)現(xiàn)遺傳算法”文章的知識(shí)點(diǎn)大部分人都不太理解，所以小編給大家總結(jié)了以下內(nèi)容，內(nèi)容詳細(xì)，步驟清晰，具有一定的借鑒價(jià)值，希望大家閱讀完這篇文章能有所收獲，下面我們一起來(lái)看看這篇“R語(yǔ)言怎么實(shí)現(xiàn)遺傳算法”文章吧。

什么是遺傳算法？

遺傳算法的實(shí)現(xiàn)

1、編碼

遺傳算法的編碼有浮點(diǎn)編碼和二進(jìn)制編碼兩種，我們介紹二進(jìn)制編碼規(guī)則（因?yàn)槎M(jìn)制編碼方便染色體進(jìn)行遺傳、變異和突變等操作）。設(shè)某個(gè)參數(shù)的取值范圍為  （L，U），使用長(zhǎng)度為k的二進(jìn)制編碼表示該參數(shù)，則此時(shí)的對(duì)應(yīng)關(guān)系為：

2、解碼

解碼的目的是為了將不直觀的二進(jìn)制數(shù)據(jù)還原成十進(jìn)制。個(gè)體的二進(jìn)制編碼對(duì)應(yīng)的解碼公式如下所示

遺傳算法的編碼和解碼過(guò)程在宏觀上可以對(duì)應(yīng)生物的基因型和表現(xiàn)型，微觀上可以對(duì)應(yīng)基因的轉(zhuǎn)錄和翻譯。

3、交配

“交配運(yùn)算”是使用單點(diǎn)或多點(diǎn)進(jìn)行交叉的算子。首先隨機(jī)產(chǎn)生一個(gè)或多個(gè)交配點(diǎn)的位置，然后兩個(gè)個(gè)體在交配點(diǎn)互換部分基因編碼從而形成子個(gè)體。例如，染色體S1=0100101和染色體S2=1010010交換后三位的基因，則會(huì)形成兩個(gè)子個(gè)體S3=0100010和S4=1010101

4、突變

“突變運(yùn)算”是使用基本的位運(yùn)算進(jìn)行基因突變。為了避免算法在迭代過(guò)程中種群過(guò)早收斂，對(duì)于二進(jìn)制的基因編碼組成的個(gè)體種群，實(shí)行基因碼的小幾率翻轉(zhuǎn)。例如染色體S=1101101，將其第四位上的1變成0得到S’=1100101，S’可以看做原染色體通過(guò)變異產(chǎn)生的子染色體。

進(jìn)化論中的適應(yīng)度，是表示某一個(gè)體對(duì)環(huán)境的適應(yīng)能力，也表示該個(gè)體繁殖后代的能力。遺傳算法的適應(yīng)度函數(shù)也叫評(píng)價(jià)函數(shù)，是用來(lái)判斷群體中的個(gè)體的優(yōu)劣程度的指標(biāo)，它是根據(jù)所求問(wèn)題的目標(biāo)函數(shù)來(lái)進(jìn)行評(píng)估的。

遺傳算法在搜索進(jìn)化過(guò)程中一般不需要其他外部信息，僅用評(píng)估函數(shù)來(lái)評(píng)估個(gè)體或解的優(yōu)劣，并作為以后進(jìn)行遺傳操作的依據(jù)。由于遺傳算法中，適應(yīng)度函數(shù)要比較排序并在此基礎(chǔ)上計(jì)算選擇該利率，所以適應(yīng)度函數(shù)的值要取正值。

6、復(fù)制

若個(gè)體適應(yīng)度高，則被選取的幾率大，它的基因在種群中擴(kuò)散的概率就會(huì)比較大。個(gè)體復(fù)制幾率比較小的個(gè)體，在遺傳的過(guò)程中會(huì)逐漸被淘汰。

偽代碼實(shí)現(xiàn)：

#染色體的類class Chrom:    chrom = []    fitness = 0    def showChrom(self):        print(self.chrom)    def showFitness(self):        print(self.fitness)
#基礎(chǔ)參數(shù)N = 200  #種群內(nèi)個(gè)體數(shù)目mut = 0.2  #突變概率acr = 0.2  #交叉概率
pop = {}  #存儲(chǔ)染色體的字典for i in range(N):    pop['chrom'+str(i)] = Chrom()chromNodes = 2  #染色體節(jié)點(diǎn)數(shù)（變量個(gè)數(shù)）iterNum = 10000  #迭代次數(shù)chromRange = [[0, 10], [0, 10]]  #染色體范圍aveFitnessList = []  #平均適應(yīng)度bestFitnessList = []  #最優(yōu)適應(yīng)度
#初始染色體pop = Genetic.initialize(pop, chromNodes, chromRange)pop = Fitness.calFitness(pop)  #計(jì)算適應(yīng)度bestChrom = Genetic.findBest(pop)  #尋找最優(yōu)染色體bestFitnessList.append(bestChrom[1])  #將當(dāng)前最優(yōu)適應(yīng)度壓入列表中aveFitnessList.append(Genetic.calAveFitness(pop, N))  #計(jì)算并存儲(chǔ)平均適應(yīng)度
#開(kāi)始迭代for t in range(iterNum):    #染色體突變    pop = Genetic.mutChrom(pop, mut, chromNodes, bestChrom, chromRange)    #染色體交換    pop = Genetic.acrChrom(pop, acr, chromNodes)    #尋找最優(yōu)    nowBestChrom = Genetic.findBest(pop)    #比較前一個(gè)時(shí)間的最優(yōu)和現(xiàn)在的最優(yōu)    bestChrom = Genetic.compareChrom(nowBestChrom, bestChrom)    #尋找與替換最劣    worseChrom = Genetic.findWorse(pop)    pop[worseChrom[0]].chrom = pop[bestChrom[0]].chrom.copy()    pop[worseChrom[0]].fitness = pop[bestChrom[0]].fitness    #存儲(chǔ)最優(yōu)與平均    bestFitnessList.append(bestChrom[1])    aveFitnessList.append(Genetic.calAveFitness(pop, N))

以上就是關(guān)于“R語(yǔ)言怎么實(shí)現(xiàn)遺傳算法”這篇文章的內(nèi)容，相信大家都有了一定的了解，希望小編分享的內(nèi)容對(duì)大家有幫助，若想了解更多相關(guān)的知識(shí)內(nèi)容，請(qǐng)關(guān)注億速云行業(yè)資訊頻道。