Python人工智能遗传算法示例解析

关注

VIP免费原创最新推荐文章于 2025-08-21 14:59:23 发布 671 阅读 AI 写同款· GEO 优化 ›

人工智能8—遗传算法实验目录一、遗传算法的原理二、遗传算法的算法流程三、代码实现及分析 1、城市个数改变，随机生成城市的坐标 2、种群个数改变 3、交叉概率改变 4、变异概率改变四、代码附录一、遗传算法的原理 遗传算法（GA）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法，是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自... 阅读详情

文章目录

总结

在这里插入图片描述

一、实验目的

熟悉和掌握遗传算法的原理、流程和编码策略，并利用遗传求解函数优化问题，理解求解流程并测试主要参数对结果的影响。

二、实验原理

遗传算法的基本思想正是基于模仿生物界遗传学的遗传过程。它把问题的参数用基因代表，把问题的解用染色体代表（在计算机里用二进制码表示），从而得到一个由具有不同染色体的个体组成的群体。这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和个体组成的群体。后代随机化地继承了父代的最好特征，并也在生存环境的控制支配下继续这一过程，群体的染色体都将逐渐适应环境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题最优的解。

三、实验条件

Python3,Anaconda3,PyCharm

四、实验内容

import matplotlib.pyplot as plt
import random
import math
#计算函数
def f(args):
    return f2(args)
def f1(args):
    return (3 - (math.sin(2\*args\[0\]))\*\*2 - (math.sin(2\*args\[1\]))\*\*2)
def f2(args):
    x = 1
    for i in range(len(args)):
        z = 0
        for j in range(5):
            z += (j+1) \* math.cos(((j+1)+1)\*args\[i\]+(j+1))
        x \*= z
    return x
#适应函数
def s(x):
    return s2(x)
def s1(x):
    return math.exp(-abs(x-1))
def s2(x):
    return math.exp(-abs(x+187))
# 计算2进制序列代表的数值
'''
解码并计算值
group 染色体
chrom\_length 染色体长度
max\_value, min\_value 上下限
div 分界点
'''
def b2d(b, chrom\_length, max\_value, min\_value, div):
    rwno = \[\]
    #因为染色体里面有多个变量，所以需要div来分割
    for i in range(len(div)):
        if i == 0:
            star = 0
            end = div\[i\]
        else:
            star = div\[i-1\] + 1