遗传算法在实际应用中的作用

遗传算法在复杂问题求解、机器学习以及一些进化问题中经常会用到，应用领域非常广泛，比如非线性动态系统中的预测和数据分析、设计神经网络的结构和权重、基因编程、机器人路线规划、策略制定、寻找蛋白质分子的形状、进化作图和谱曲等。

遗传算法因为使用多个个体用于状态空间的搜索，所以有一个很大的好处——并行性，不容易陷入局部极值。另外，它也比较容易实现，如果已经有了遗传算法，只需要写几个用于解决问题的新的染色体；如果使用相同的编码方式，只需要修改适应度函数。遗传算法应用的难点主要在于选择编码方式和适应度函数上。

下面通过一些例子来说明遗传算法的具体用法。

例5.2　已知二元函数表达式如下：

x，y的取值区间都为［-10，10］，用遗传算法求函数的最大值。

解　（1）编码。

先考虑用二进制编码法，假设求解精度为小数点后6位，也就是要将［-10，10］区间除以20后再除以106，那么二进制位数需要达到25位（225-1=33 554 431），用0 0000 0000 0000 0000 0000 0000到1 1111 1111 1111 1111 1111 1111来代表［-10，10］区间的所有取值。因为有x，y两个变量，所以染色体编码为50位，前25位代表x，后25位代表y。

将编码还原为［-10，10］区间的实数值的方法为

Python参考代码为：

其中，interval是用列表表示的区间，interval=［-10，10］；chromosome Length为编码长度；chromosome为染色体编码。

（2）适应度函数。

不难判断，f（x，y）≥0，所以按照式（5.2），直接使用f（x，y）作为适应度函数。(www.xing528.com)

（3）评估方法。

对将种群中每个染色体代入函数所求得的值进行累加，然后用每个个体的值除以累加的和，得到的值就可以看作是每个染色体被选中的概率，这时就可以用轮盘赌选择策略选择两个染色体进行重组了。参考代码如下：

（4）重组。

采用单点重组方式，其实现参考代码如下：

在实际使用时，需要对染色体里的x部分和y部分分别进行重组和突变。

（5）突变。

随机选择某一位，对其取反。

（6）参数设置。

参数的设置可以根据程序调试的实际情况进行调整，本例中设置如下：

种群大小populationSize=50，染色体编码长度chromosome Length=25，重组概率crossover Rate=0.8，突变概率mutation Rate=0.05。

完整代码请参考本书附带程序p5_2/p5_2_GA01.py，Plot TheFunction.py用于绘制函数图形。