遗传算法解释及代码一看就懂.docx

1、遗传算法解释及代码一看就懂遗传算法 ( GA , Genetic Algorithm ) ，也称进化算法。遗传算法是受达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法。因此在介绍遗传算法前有必要简单的介绍生物进化知识。一.进化论知识作为遗传算法生物背景的介绍，下面内容了解即可：种群(Population)：生物的进化以群体的形式进行，这样的一个群体称为种群。个体：组成种群的单个生物。基因( Gene )：一个遗传因子。染色体( Chromosome )：包含一组的基因。生存竞争，适者生存：对环境适应度高的、牛B的个体参与繁殖的机会比较多，后代就会越来越多。适应度低的个体参与繁殖

2、的机会比较少，后代就会越来越少。遗传与变异：新个体会遗传父母双方各一部分的基因，同时有一定的概率发生基因变异。简单说来就是：繁殖过程，会发生基因交叉( Crossover ) ，基因突变 ( Mutation ) ，适应度( Fitness )低的个体会被逐步淘汰，而适应度高的个体会越来越多。那么经过N代的自然选择后，保存下来的个体都是适应度很高的，其中很可能包含史上产生的适应度最高的那个个体。二.遗传算法思想借鉴生物进化论，遗传算法将要解决的问题模拟成一个生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。这样进化N代后就很有可能

3、会进化出适应度函数值很高的个体。举个例子，使用遗传算法解决“0-1背包问题”的思路：0-1背包的解可以编码为一串0-1字符串（0：不取，1：取）；首先，随机产生M个0-1字符串，然后评价这些0-1字符串作为0-1背包问题的解的优劣；然后，随机选择一些字符串通过交叉、突变等操作产生下一代的M个字符串，而且较优的解被选中的概率要比较高。这样经过G代的进化后就可能会产生出0-1背包问题的一个“近似最优解”。编码：需要将问题的解编码成字符串的形式才能使用遗传算法。最简单的一种编码方式是二进制编码，即将问题的解编码成二进制位数组的形式。例如，问题的解是整数，那么可以将其编码成二进制位数组的形式。将0-1

4、字符串作为0-1背包问题的解就属于二进制编码。遗传算法有3个最基本的操作：选择，交叉，变异。选择：选择一些染色体来产生下一代。一种常用的选择策略是“比例选择”，也就是个体被选中的概率与其适应度函数值成正比。假设群体的个体总数是M，那么那么一个体Xi被选中的概率为f(Xi)/( f(X1) + f(X2) + . + f(Xn) ) 。比例选择实现算法就是所谓的“轮盘赌算法”( Roulette Wheel Selection ) ，轮盘赌算法的一个简单的实现如下：轮盘赌算法/* 按设定的概率，随机选中一个个体* Pi表示第i个个体被选中的概率*/intRWS()m=0;r=Random(0,1

5、);/r为0至1的随机数for(i=1;i=N; i+)/*产生的随机数在mm+Pi间则认为选中了i* 因此i被选中的概率是Pi*/m=m+Pi;if(r=m)returni;交叉(Crossover)：2条染色体交换部分基因，来构造下一代的2条新的染色体。例如：交叉前：00000|011100000000|1000011100|000001111110|00101交叉后：00000|000001111110|1000011100|011100000000|00101染色体交叉是以一定的概率发生的，这个概率记为Pc 。变异(Mutation)：在繁殖过程，新产生的染色体中的基因会以一定的概率出

6、错，称为变异。变异发生的概率记为Pm 。例如：变异前：000001110000000010000变异后：000001110000100010000适应度函数( Fitness Function )：用于评价某个染色体的适应度，用f(x)表示。有时需要区分染色体的适应度函数与问题的目标函数。例如：0-1背包问题的目标函数是所取得物品价值，但将物品价值作为染色体的适应度函数可能并不一定适合。适应度函数与目标函数是正相关的，可对目标函数作一些变形来得到适应度函数。三.基本遗传算法的伪代码基本遗传算法伪代码/* Pc：交叉发生的概率* Pm：变异发生的概率* M：种群规模* G：终止进化的代数* Tf

7、：进化产生的任何一个个体的适应度函数超过Tf，则可以终止进化过程*/初始化Pm，Pc，M，G，Tf等参数。随机产生第一代种群Popdo计算种群Pop中每一个体的适应度F(i)。初始化空种群newPopdo根据适应度以比例选择算法从种群Pop中选出2个个体if( random (0,1)Pc )对2个个体按交叉概率Pc执行交叉操作if( random (0,1)Pm )对2个个体按变异概率Pm执行变异操作将2个新个体加入种群newPop中 until ( M个子代被创建 )用newPop取代Popuntil ( 任何染色体得分超过Tf， 或繁殖代数超过G )四.基本遗传算法优化下面的方法可优化遗

8、传算法的性能。精英主义(Elitist Strategy)选择：是基本遗传算法的一种优化。为了防止进化过程中产生的最优解被交叉和变异所破坏，可以将每一代中的最优解原封不动的复制到下一代中。插入操作：可在3个基本操作的基础上增加一个插入操作。插入操作将染色体中的某个随机的片段移位到另一个随机的位置。五. 使用AForge.Genetic解决TSP问题AForge.NET是一个C#实现的面向人工智能、计算机视觉等领域的开源架构。AForge.NET中包含有一个遗传算法的类库。AForge.NET主页：AForge.NET代码下载：介绍一下AForge的遗传算法用法吧。AForge.Genetic的

9、类结构如下：图1. AForge.Genetic的类图 下面用AForge.Genetic写个解决TSP问题的最简单实例。测试数据集采用网上流传的中国31个省会城市的坐标:1304231236391315417722443712139934881535332615563238122941961004431279043865703007197025621756278814912381167613326953715167839182179406123703780221236762578402928384263293134291908350723673394264334393201293532403

10、1403550254523572778282623702975操作过程： (1) 下载AForge.NET类库，网址： (2) 创建C#空项目GenticTSP。然后在AForge目录下找到AForge.dll和AForge.Genetic.dll，将其拷贝到TestTSP项目的bin/Debug目录下。再通过“Add Reference.”将这两个DLL添加到工程。 (3) 将31个城市坐标数据保存为bin/Debug/Data.txt 。 (4) 添加TSPFitnessFunction.cs，加入如下代码：TSPFitnessFunction类usingSystem;usingAForg

11、e.Genetic;namespaceGenticTSP/Fitness function for TSP task (TravalingSalasman Problem)/publicclassTSPFitnessFunction : IFitnessFunction/mapprivateint, map=null;/ConstructorpublicTSPFitnessFunction(int, map)this.map=map;/Evaluate chromosome - calculates its fitness value/publicdoubleEvaluate(IChromos

12、ome chromosome)return1/(PathLength(chromosome)+1);/Translate genotype to phenotype/publicobjectTranslate(IChromosome chromosome)returnchromosome.ToString();/Calculate path length represented by the specified chromosome/publicdoublePathLength(IChromosome chromosome)/salesman pathushort path=(Permutat

13、ionChromosome)chromosome).Value;/check path sizeif(path.Length!=map.GetLength(0)thrownewArgumentException(Invalid path specified - not all cities are visited);/path lengthintprev=path0;intcurr=pathpath.Length-1;/calculate distance between the last and the first citydoubledx=mapcurr,0-mapprev,0;doubl

14、edy=mapcurr,1-mapprev,1;doublepathLength=Math.Sqrt(dx*dx+dy*dy);/calculate the path length from the first city to the lastfor(inti=1, n=path.Length; in; i+)/get current citycurr=pathi;/calculate distancedx=mapcurr,0-mapprev,0;dy=mapcurr,1-mapprev,1;pathLength+=Math.Sqrt(dx*dx+dy*dy);/put current cit

15、y as previousprev=curr;returnpathLength; (5) 添加GenticTSP.cs，加入如下代码：GenticTSP类usingSystem;usingSystem.Collections.Generic;usingSystem.Linq;usingSystem.Text;usingSystem.IO;usingAForge;usingAForge.Genetic;namespaceGenticTSPclassGenticTSPstaticvoidMain()StreamReader reader=newStreamReader(Data.txt);intc

16、itiesCount=31;/城市数int, map=newintcitiesCount,2;for(inti=0; icitiesCount; i+)stringvalue=reader.ReadLine();string temp=value.Split();mapi,0=int.Parse(temp0);/读取城市坐标mapi,1=int.Parse(temp1);/create fitness functionTSPFitnessFunctionfitnessFunction=newTSPFitnessFunction(map);intpopulationSize=1000;/种群最大

17、规模/* 0：EliteSelection算法* 1：RankSelection算法* 其他：RouletteWheelSelection 算法*/intselectionMethod=0;/create populationPopulationpopulation=newPopulation(populationSize,newPermutationChromosome(citiesCount),fitnessFunction,(selectionMethod=0)?(ISelectionMethod)newEliteSelection() :(selectionMethod=1)?(ISe

18、lectionMethod)newRankSelection() :(ISelectionMethod)newRouletteWheelSelection();/iterationsintiter=1;intiterations=5000;/迭代最大周期/loopwhile(iteriterations)/run one epoch of genetic algorithmpopulation.RunEpoch();/increase current iterationiter+;System.Console.WriteLine(遍历路径是： 0, (PermutationChromosome)population.BestChromosome).ToString();System.Console.WriteLine(总路程是：0, fitnessFunction.PathLength(population.BestChromosome);System.Console.Read();