源代碼傳送門
文章目錄
- Genetic Algorithm
-
- 導言
- GA算法流程
-
- 初始化種群
- 個體适應度計算
- 選擇
- 交叉
- 變異
- 效果
- 總結
-
- 遺傳算法的優化思路
- GA與SA的比較
Genetic Algorithm
遺傳算法(Genetic Algorithm, GA)是Holland在20世紀60年代末提出的,是受遺傳學中自然選擇和遺傳機制啟發發展起來的一種搜尋算法。它的基本思想是使用模拟生物和人類進化的方法求解複雜的優化問題,因而也稱為模拟進化優化算法。模拟進化優化算法在計算原理上是自适應的,結構上是并行的,而且模仿了人的智能處理特征,因而成為人工智能的一個重要研究領域。
導言
- 在TSPLIB中選一個大于100個城市數的TSP問題,使用遺傳算法求解TSP問題
- 實驗環境
+Win 10
Python 3
GA算法流程
Code
# 初始化種群
population = initPopulation(cities, numOfCity)
# 演化
curGen = 0
while curGen < MAXGENS:
random.shuffle(population)
# 選擇
population = select(population, numOfCity)
# 交叉
population = crosscover(population, numOfCity)
# 變異
population = mutate(population, numOfCity)
# 引入局部搜尋,加強進化
population = localSearch(population, numOfCity)
初始化種群
關于種群初始化,其實預設是比較容易的,即随機生成種群即可。但是實驗起來發現随機生成初始種群,其收斂效果很差并且效率很低。是以在初始化種群的時候加入部分貪心生成的個體,加快種群成熟速度,也保證了種群中個體的多樣性。對于貪心個體的生成,直接使用貪心算法生成,每個結點都選擇下一個未被加入路徑的最近結點,但是經過測試,發現加入貪心個體的數目不宜過多,否則将導緻過于早熟。
# Initial population
def initPopulation(cities, numOfCity):
population = []
individual = [i for i in range(numOfCity)]
for _ in range(int(POPSIZE * 2 / 10)):
random.shuffle(individual)
population.append(individual[:])
for _ in range(int(POPSIZE - len(population))):
start = random.randint(0, numOfCity-1)
gIndividual = []
gIndividual.append(start)
j = 1
while j < numOfCity:
mixDis = float_info.max
i, bestId = 0, 0
while i < numOfCity:
if (i not in gIndividual) and i != gIndividual[-1] and distance[gIndividual[-1]][i] < mixDis:
bestId = i
mixDis = distance[gIndividual[-1]][i]
i += 1
j = j + 1
gIndividual.append(bestId)
population.append(gIndividual[:])
random.shuffle(population)
return population
個體适應度計算
關于适應度評估,其适應度等于該路徑的的倒數,即
1 / totalDistance
# calculate indibidual fitness
def evaluate(individual):
fitness = 0.0
for i in range(len(individual) - 1):
fitness += distance[individual[i]][individual[i+1]]
# back to starting point
fitness += distance[individual[len(individual)-1]][individual[0]]
return fitness
選擇
使用比較通用的輪盤賭,同時選擇其他的選擇政策的效果也是不錯的
# selection operation
def select(population, numOfCity):
newPopulation = []
best = float_info.max
bestId = 0
fitness = []
sumOfFitness = 0.0
# evalute
for i in range(POPSIZE):
fit = evaluate(population[i])
fitness.append(1 / fit)
sumOfFitness += 1 / fit
if (best > fit) :
best = fit
bestId = i
# choosing the best individual to directly inherit to the next generation
newPopulation.append(population[bestId])
# cumulative probability
cumPro = []
for i in range(POPSIZE):
if i == 0:
cumPro.append(fitness[i] / sumOfFitness)
else:
cumPro.append(fitness[i] / sumOfFitness + cumPro[i-1])
# roulette selection of offspring
for i in range(POPSIZE-1):
pro = random.random()
for j in range(POPSIZE):
if cumPro[j] >= pro:
newPopulation.append(population[j])
break
return newPopulation
交叉
關于交叉操作,取随機的兩條染色體i,j,有一定的機率進行交叉。這部分使用次序交叉法(Order Crossover)
# order crossover
subPopulation = []
for i in range(POPSIZE):
if random.random() <= PXOVER:
chromosomeFir = random.randint(0, POPSIZE - 1)
chromosomeSec = random.randint(0, POPSIZE - 1)
while chromosomeFir == chromosomeSec:
chromosomeSec = random.randint(0, POPSIZE - 1)
start = random.randint(0, numOfCity - 2)
end = random.randint(start + 1, numOfCity - 1)
newIndividual_i = []
newIndividual_j = []
k = 0
for j in range(numOfCity):
if j >= start and j < end:
newIndividual_i.append(population[chromosomeFir][j])
j = end
else:
while k < numOfCity:
if population[chromosomeSec][k] not in population[chromosomeFir][start:end]:
newIndividual_i.append(population[chromosomeSec][k])
k += 1
break
k += 1
k = 0
for j in range(numOfCity):
if population[chromosomeSec][j] in population[chromosomeFir][start:end]:
newIndividual_j.append(population[chromosomeSec][j])
else:
if k == start:
k = end
newIndividual_j.append(population[chromosomeFir][k])
k += 1
subPopulation.append(newIndividual_i[:])
subPopulation.append(newIndividual_j[:])
但是對于結果生成的子代,并非都直接将其替換父代加入,而是再将生成的子代與父代進行一定的競争,如果不進行篩選的話,算法的收斂速度太慢
# competition
subPopulation.sort(key = lambda x: evaluate(x))
for i in range(len(subPopulation)):
for j in range(POPSIZE):
if evaluate(subPopulation[i]) < evaluate(population[j]):
population[j] = subPopulation[i]
break
變異
關于變異,使用兩種變異操作。種群中每個個體的每個結點看作一個基因,第一種變異操作為将兩個基因之間的基因片段反轉,第二種變異操作則隻是将兩個基因的位置對換
# mutation operation
def mutate(population, numOfCity):
for i in range(len(population)):
if random.random() <= PMUTATION:
geneFir = random.randint(1,numOfCity-2)
geneSec = random.randint(geneFir+1, numOfCity-1)
population[i][geneFir:geneSec] = population[i][geneSec-1:geneFir-1:-1]
if random.random() <= PMUTATION:
geneFir = random.randint(0,numOfCity-1)
geneSec = random.randint(0, numOfCity-1)
while geneFir == geneSec:
geneSec = random.randint(0, numOfCity-1)
population[i][geneFir], population[i][geneSec] = population[i][geneSec], population[i][geneFir]
return population
效果
- 測試
TSP - ch130
-
Optimal solutions for symmetric TSPs - ch130: 6110
- 設定
- 種群大小
50
- 遺傳代數
1000
- 交叉機率
0.9
- 變異機率
0.2
- 種群大小
- 運作結果
- 算法本次測試結果為
,參考最佳結果為6637(8.63%)
。大多數情況下,算法與最優參考解的平均內插補點為6110
,最優的結果為9%
,誤差為6627.0
。8.5%
總結
遺傳算法的優化思路
- 控制參數的選取方面。對于種群規模的設定上,一般情況為
,對于問題規模比較大的情況,其含有比較多的模式,我們需要提供足夠的模式采樣容量,這樣也可以防止在成熟期前就收斂。交叉機率的選擇上,一般取20~200
,交叉率越高,群體中新結構的引入越快,已獲得的優良的基因結果的丢失速度也相應升高,而交叉機率太低則可能導緻搜尋效率阻塞。變異機率一般取0.6~1.0
。0.005~0.2
- 在初始化種群的時候可以加入部分貪心算法生成的個體,這樣可以使得種群的收斂比較好。但是貪心生成的個體的比列不宜過高,否則可能導緻提前收斂,陷入局部最優,此時得到的最優解近似貪心生成的最優個體的解。
- 合理有效的交叉操作。一個合理有效的交叉操作對于遺傳算法的效率有着比較大的影響。初始本來使用單點交叉、兩點交叉以及多點交叉,但是效果都相當的差,現在使用的是順序交叉,效果可以達到與問題最優解內插補點10%以内,但是效率仍然不是很理想。
- 引入局部搜尋,增強進化的方向。
GA與SA的比較
所設計的
遺傳算法(GA)
與
模拟退火算法(SA)
相比,
GA
的效率比
SA
低,個人認為主要是目前所設計的交叉操作仍然不夠理想,使得其在後期導緻搜尋阻滞,未能夠得到一個更優解。但是
GA
的改進空間比
SA
應該是更大的,在解決問題上,
GA
提供了更多的可選模式,可以多個模式進行一系列操作進行改進,
SA
則是在目前模式上進行操作,
GA
更容易跳出局部最優。