目录
本章详细讨论了人工智能的遗传算法。
什么是遗传算法？
遗传算法（GA）是基于自然选择和遗传概念的基于搜索的算法。GA是更大的计算分支的子集，称为进化计算。
GA由John Holland及其密歇根大学的学生和同事开发，最着名的是David E. Goldberg。从那以后，已经尝试了各种优化问题并取得了很大的成功。
在GA中，我们有一组可能的解决方案来解决给定的问题。然后这些溶液经历重组和突变（如在天然遗传学中），产生新的儿童，并且该过程重复多代。为每个个体（或候选解决方案）分配适合度值（基于其目标函数值），并且使得更健康的个体具有更高的交配和产生更健康的个体的机会。这符合达尔文适者生存理论。
因此，它不断发展更好的个人或解决方案，直到它达到停止标准。
遗传算法在本质上具有足够的随机性，但它们比随机局部搜索（我们只是尝试随机解决方案，跟踪迄今为止的最佳解决方案）表现得更好，因为它们也利用了历史信息。
如何使用GA进行优化问题？
优化是使设计，情境，资源和系统尽可能有效的行动。以下框图显示了优化过程 –
GA机制优化过程的阶段
以下是用于优化问题的GA机制的一系列步骤。
- 第1步 – 随机生成初始种群。
- 第2步 – 选择具有最佳适合度值的初始解决方案。
- 步骤3 – 使用突变和交叉算子重新组合所选解决方案。
- 第4步 – 将后代插入人口。
- 步骤5 – 现在，如果满足停止条件，则返回具有最佳适合度值的解决方案。否则转到第2步。
安装必要的软件包
为了通过Python中的遗传算法解决问题，我们将使用一个名为DEAP的功能强大的GA包。它是一个新的进化计算框架库，用于快速原型设计和思想测试。我们可以在命令提示符下使用以下命令安装此软件包 –
pip install deap
如果您使用的是anaconda环境，则可以使用以下命令安装deap –
conda install -c conda-forge deap
使用遗传算法实现解决方案
本节将介绍使用遗传算法实现解决方案的过程。
生成位模式
以下示例显示如何根据One Max问题生成包含15个字符串的位字符串。
如图所示导入必要的包 –
import random from deap import base, creator, tools
定义评估功能。这是创建遗传算法的第一步。
def eval_func(individual): target_sum = 15 return len(individual) - abs(sum(individual) - target_sum),
现在，使用正确的参数创建工具箱 –
def create_toolbox(num_bits): creator.create(\"FitnessMax\", base.Fitness, weights=(1.0,)) creator.create(\"Individual\", list, fitness=creator.FitnessMax)
初始化工具箱
toolbox = base.Toolbox() toolbox.register(\"attr_bool\", random.randint, 0, 1) toolbox.register(\"individual\", tools.initRepeat, creator.Individual, toolbox.attr_bool, num_bits) toolbox.register(\"population\", tools.initRepeat, list, toolbox.individual)
注册评估运营商 –
toolbox.register(\"evaluate\", eval_func)
现在，注册交叉运算符 –
toolbox.register(\"mate\", tools.cxTwoPoint)
注册变异算子 –
toolbox.register(\"mutate\", tools.mutFlipBit, indpb = 0.05)
定义繁殖的运营商 –
toolbox.register(\"select\", tools.selTournament, tournsize = 3) return toolbox if __name__ == \"__main__\": num_bits = 45 toolbox = create_toolbox(num_bits) random.seed(7) population = toolbox.population(n = 500) probab_crossing, probab_mutating = 0.5, 0.2 num_generations = 10 print(\'\\nEvolution process starts\')
评估整个人口 –
fitnesses = list(map(toolbox.evaluate, population)) for ind, fit in zip(population, fitnesses): ind.fitness.values = fit print(\'\\nEvaluated\', len(population), \'individuals\')
创造和迭代几代人 –
for g in range(num_generations): print(\"\\n- Generation\", g)
选择下一代个人 –
offspring = toolbox.select(population, len(population))
现在，克隆选定的个人 –
offspring = list(map(toolbox.clone, offspring))
在后代上应用交叉和变异 –
for child1, child2 in zip(offspring[::2], offspring[1::2]): if random.random() < probab_crossing: toolbox.mate(child1, child2)
删除孩子的健身价值
del child1.fitness.values del child2.fitness.values
现在，应用变异 –
for mutant in offspring: if random.random() < probab_mutating: toolbox.mutate(mutant) del mutant.fitness.values
评估健康状况不佳的人 –
invalid_ind = [ind for ind in offspring if not ind.fitness.valid] fitnesses = map(toolbox.evaluate, invalid_ind) for ind, fit in zip(invalid_ind, fitnesses): ind.fitness.values = fit print(\'Evaluated\', len(invalid_ind), \'individuals\')
现在，用下一代个人取代人口 –
population[:] = offspring
打印当前世代的统计数据 –
fits = [ind.fitness.values[0] for ind in population] length = len(population) mean = sum(fits) / length sum2 = sum(x*x for x in fits) std = abs(sum2 / length - mean**2)**0.5 print(\'Min =\', min(fits), \', Max =\', max(fits)) print(\'Average =\', round(mean, 2), \', Standard deviation =\', round(std, 2)) print(\"\\n- Evolution ends\")
打印最终输出 –
best_ind = tools.selBest(population, 1)[0] print(\'\\nBest individual:\\n\', best_ind) print(\'\\nNumber of ones:\', sum(best_ind)) Following would be the output: Evolution process starts Evaluated 500 individuals - Generation 0 Evaluated 295 individuals Min = 32.0 , Max = 45.0 Average = 40.29 , Standard deviation = 2.61 - Generation 1 Evaluated 292 individuals Min = 34.0 , Max = 45.0 Average = 42.35 , Standard deviation = 1.91 - Generation 2 Evaluated 277 individuals Min = 37.0 , Max = 45.0 Average = 43.39 , Standard deviation = 1.46 … … … … - Generation 9 Evaluated 299 individuals Min = 40.0 , Max = 45.0 Average = 44.12 , Standard deviation = 1.11 - Evolution ends Best individual: [0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 1, 0, 0, 0, 1, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 1, 1, 1, 0, 0, 1, 0, 1] Number of ones: 15
符号回归问题
这是遗传编程中最着名的问题之一。所有符号回归问题都使用任意数据分布，并尝试使用符号公式拟合最准确的数据。通常，像RMSE（均方根误差）这样的度量用于衡量个体的适应度。这是一个经典的回归问题，在这里我们使用等式5x 3 -6x 2 + 8x = 1。我们需要遵循上面示例中的所有步骤，但主要部分是创建原始集，因为它们是个人的构建块，因此评估可以开始。在这里，我们将使用经典的基元集。
以下Python代码详细解释了这一点 –
import operator
import math
import random
import numpy as np
from deap import algorithms, base, creator, tools, gp
def division_operator(numerator, denominator):
if denominator == 0:
return 1
return numerator / denominator
def eval_func(individual, points):
func = toolbox.compile(expr=individual)
return math.fsum(mse) / len(points),
def create_toolbox():
pset = gp.PrimitiveSet(\"MAIN\", 1)
pset.addPrimitive(operator.add, 2)
pset.addPrimitive(operator.sub, 2)
pset.addPrimitive(operator.mul, 2)
pset.addPrimitive(division_operator, 2)
pset.addPrimitive(operator.neg, 1)
pset.addPrimitive(math.cos, 1)
pset.addPrimitive(math.sin, 1)
pset.addEphemeralConstant(\"rand101\", lambda: random.randint(-1,1))
pset.renameArguments(ARG0 = \'x\')
creator.create(\"FitnessMin\", base.Fitness, weights = (-1.0,))
creator.create(\"Individual\",gp.PrimitiveTree,fitness=creator.FitnessMin)
toolbox = base.Toolbox()
toolbox.register(\"expr\", gp.genHalfAndHalf, pset=pset, min_=1, max_=2)
toolbox.expr)
toolbox.register(\"population\",tools.initRepeat,list, toolbox.individual)
toolbox.register(\"compile\", gp.compile, pset = pset)
toolbox.register(\"evaluate\", eval_func, points = [x/10. for x in range(-10,10)])
toolbox.register(\"select\", tools.selTournament, tournsize = 3)
toolbox.register(\"mate\", gp.cxOnePoint)
toolbox.register(\"expr_mut\", gp.genFull, min_=0, max_=2)
toolbox.register(\"mutate\", gp.mutUniform, expr = toolbox.expr_mut, pset = pset)
toolbox.decorate(\"mate\", gp.staticLimit(key = operator.attrgetter(\"height\"), max_value = 17))
toolbox.decorate(\"mutate\", gp.staticLimit(key = operator.attrgetter(\"height\"), max_value = 17))
return toolbox
if __name__ == \"__main__\":
random.seed(7)
toolbox = create_toolbox()
population = toolbox.population(n = 450)
hall_of_fame = tools.HallOfFame(1)
stats_fit = tools.Statistics(lambda x: x.fitness.values)
stats_size = tools.Statistics(len)
mstats = tools.MultiStatistics(fitness=stats_fit, size = stats_size)
mstats.register(\"avg\", np.mean)
mstats.register(\"std\", np.std)
mstats.register(\"min\", np.min)
mstats.register(\"max\", np.max)
probab_crossover = 0.4
probab_mutate = 0.2
number_gen = 10
population, log = algorithms.eaSimple(population, toolbox,
probab_crossover, probab_mutate, number_gen,
stats = mstats, halloffame = hall_of_fame, verbose = True)
请注意，所有基本步骤与生成位模式时使用的步骤相同。该程序将在10代之后给出输出为min，max，std（标准偏差）。
以上就是AI与Python人工智能遗传算法的详细内容，更多关于AI Python遗传算法的资料请关注其它相关文章！
© 版权声明
THE END
暂无评论内容