寫在前面

之前的文章中已經(jīng)講過了遺傳算法的基本流程，并且用MATLAB實現(xiàn)過一遍了。這一篇文章主要面對的人群是看過了我之前的文章，因此我就不再贅述遺傳算法是什么以及基本的內(nèi)容了，假設(shè)大家已經(jīng)知道我是怎么寫遺傳算法的了。

Python的遺傳算法主函數(shù)

我的思想是，創(chuàng)建一個染色體的類，其中包括了兩個變量：染色體chrom與適應(yīng)度fitness。因此我們就可以通過直接建立對象來作為種群中的個體。

#染色體的類class Chrom:  chrom = []  fitness = 0  def showChrom(self):    print(self.chrom)  def showFitness(self):    print(self.fitness)

所以我們開始設(shè)置基礎(chǔ)參數(shù)。其中種群的表達方式我用的是字典，也就是用一個字典來保存種群內(nèi)的所有個體，這個也是我想出來的創(chuàng)建多個對象的方法。

將字典的索引為個體的標號，如：chrom1, chrom2等。字典索引的值就是一個對象。這個對象擁有兩個屬性，就是染色體與適應(yīng)度。

其實在這一方便來說，我覺得在思路上是優(yōu)于利用MATLAB的矩陣式編程的。因為這樣可以很直觀的將個體與個體的屬性這一種思想給表達出來，相比一堆矩陣來說，在邏輯上比較容易接受。

#基礎(chǔ)參數(shù)N = 200 #種群內(nèi)個體數(shù)目mut = 0.2 #突變概率acr = 0.2 #交叉概率pop = {} #存儲染色體的字典for i in range(N):  pop['chrom'+str(i)] = Chrom()chromNodes = 2 #染色體節(jié)點數(shù)（變量個數(shù)）iterNum = 10000 #迭代次數(shù)chromRange = [[0, 10], [0, 10]] #染色體范圍aveFitnessList = [] #平均適應(yīng)度bestFitnessList = [] #最優(yōu)適應(yīng)度

之后就是初始染色體了，其中就牽扯到了各種用來初始化種群、計算適應(yīng)度、找最優(yōu)等函數(shù)，我在這里分出了兩個文件，分別為Genetic.py與Fitness.py。

Genetic.py里面有八個函數(shù)，主要包含了作用于種群或者染色體操作的函數(shù)，分別為：

findBest函數(shù)，用于尋找種群中的最優(yōu)染色體； findworse函數(shù)，用于尋找種群中的最劣染色體； initialize函數(shù)，用于初始化種群； calAveFitness函數(shù)，用于計算種群的平均適應(yīng)度； mutChrom函數(shù)，用于對染色體進行變異； inRange函數(shù)，用于判斷染色體節(jié)點值是否越界； acrChrom函數(shù)，用于對染色體進行交叉； compareChrom函數(shù)，用于比較兩個染色體孰優(yōu)孰劣。

Fitness.py里面有兩個函數(shù)，主要包含了對適應(yīng)度操作的函數(shù)，分別為：

calFitness函數(shù)，用來迭代每一個個體，并計算適應(yīng)度（利用funcFitness函數(shù)計算）； funcFitness函數(shù)，計算單個個體的適應(yīng)度。

因此可以列出初始化代碼為

#初始染色體pop = Genetic.initialize(pop, chromNodes, chromRange)pop = Fitness.calFitness(pop) #計算適應(yīng)度bestChrom = Genetic.findBest(pop) #尋找最優(yōu)染色體bestFitnessList.append(bestChrom[1]) #將當前最優(yōu)適應(yīng)度壓入列表中aveFitnessList.append(Genetic.calAveFitness(pop, N)) #計算并存儲平均適應(yīng)度