基因遺傳演算法是一種靈感源于達爾文自然進化理論的啟發式搜索演算法，該演算法反映了自然選擇的程序，即最適者被選定繁殖，并產生下一代，本文簡要地介紹了遺傳演算法的基本概念和實作，希望能為讀者展示啟發式搜索的魅力，_
如上圖（左）所示，遺傳演算法的個體由多條染色體組成，每條染色體由多個基因組成，上圖（右）展示了染色體分割和組合的方式，_
遺傳演算法的概念
自然選擇的程序從選擇群體中最適應環境的個體開始，后代繼承了父母的特性，并且這些特性將添加到下一代中，如果父母具有更好的適應性，那么它們的后代將更易于存活，迭代地進行該自然選擇的程序，最終，我們將得到由最適應環境的個體組成的一代，
這一概念可以被應用于搜索問題中，我們考慮一個問題的諸多解決方案，并從中搜尋出最佳方案，
遺傳演算法含以下五步：
-
初始化
-
個體評價（計算適應度函式）
-
選擇運算
-
交叉運算
-
變異運算
初始化
該程序從種群的一組個體開始，且每一個體都是待解決問題的一個候選解，
個體以一組引數（變數）為特征，這些特征被稱為基因，串聯這些基因就可以組成染色體（問題的解），
在遺傳演算法中，單個個體的基因組以字串的方式呈現，通常我們可以使用二進制（1 和 0 的字串）編碼，即一個二進制串代表一條染色體串，因此可以說我們將基因串或候選解的特征編碼在染色體中，
種群、染色體和基因
個體評價（計算適應度函式）
個體評價利用適應度函式評估了該個體對環境的適應度（與其它個體競爭的能力），每一個體都有適應度評分，個體被選中進行繁殖的可能性取決于其適應度評分，適應度函式值越大，解的質量就越高，適應度函式是遺傳演算法進化的驅動力，也是進行自然選擇的唯一標準，它的設計應結合求解問題本身的要求而定，
選擇運算
選擇運算的目的是選出適應性最好的個體，并使它們將基因傳到下一代中，基于其適應度評分，我們選擇多對較優個體（父母），適應度高的個體更易被選中繁殖，即將較優父母的基因傳遞到下一代，
交叉運算
交叉運算是遺傳演算法中最重要的階段，對每一對配對的父母，基因都存在隨機選中的交叉點，
舉個例子，下圖的交叉點為 3：
父母間在交叉點之前交換基因，從而產生了后代，
父母間交換基因，然后產生的新后代被添加到種群中，
變異運算
在某些形成的新后代中，它們的某些基因可能受到低概率變異因子的作用，這意味著二進制位串中的某些位可能會翻轉，
變異運算前后
變異運算可用于保持種群內的多樣性，并防止過早收斂，
終止
在群體收斂的情況下（群體內不產生與前一代差異較大的后代）該演算法終止，也就是說遺傳演算法提供了一組問題的解，
案例實作
種群的規模恒定，新一代形成時，適應度最差的個體凋亡，為后代留出空間，這些階段的序列被不斷重復，以產生優于先前的新一代，
這一迭代程序的偽代碼：
START
Generate the initial population
Compute fitness
REPEAT
Selection
Crossover
Mutation
Compute fitness
UNTIL population has converged
STOP
Java 中的實體實作
以下展示的是遺傳演算法在 Java 中的示例實作，我們可以隨意除錯和修改這些代碼，給定一組五個基因，每一個基因可以保存一個二進制值 0 或 1，這里的適應度是基因組中 1 的數量，如果基因組內共有五個 1，則該個體適應度達到最大值，
如果基因組內沒有 1，那么個體的適應度達到最小值，該遺傳演算法希望最大化適應度，并提供適應度達到最大的個體所組成的群體，注意：本例中，在交叉運算與突變運算之后，適應度最低的個體被新的，適應度最高的后代所替代，
import java.util.Random;
/**
*
* @author Vijini
*/
//Main class
public class SimpleDemoGA {
Population population = new Population();
Individual fittest;
Individual secondFittest;
int generationCount = 0;
public static void main(String[] args) {
Random rn = new Random();
SimpleDemoGA demo = new SimpleDemoGA();
//Initialize population
demo.population.initializePopulation(10);
//Calculate fitness of each individual
demo.population.calculateFitness();
System.out.println("Generation: " + demo.generationCount + " Fittest: " + demo.population.fittest);
//While population gets an individual with maximum fitness
while (demo.population.fittest < 5) {
++demo.generationCount;
//Do selection
demo.selection();
//Do crossover
demo.crossover();
//Do mutation under a random probability
if (rn.nextInt()%7 < 5) {
demo.mutation();
}
//Add fittest offspring to population
demo.addFittestOffspring();
//Calculate new fitness value
demo.population.calculateFitness();
System.out.println("Generation: " + demo.generationCount + " Fittest: " + demo.population.fittest);
}
System.out.println("\nSolution found in generation " + demo.generationCount);
System.out.println("Fitness: "+demo.population.getFittest().fitness);
System.out.print("Genes: ");
for (int i = 0; i < 5; i++) {
System.out.print(demo.population.getFittest().genes[i]);
}
System.out.println("");
}
//Selection
void selection() {
//Select the most fittest individual
fittest = population.getFittest();
//Select the second most fittest individual
secondFittest = population.getSecondFittest();
}
//Crossover
void crossover() {
Random rn = new Random();
//Select a random crossover point
int crossOverPoint = rn.nextInt(population.individuals[0].geneLength);
//Swap values among parents
for (int i = 0; i < crossOverPoint; i++) {
int temp = fittest.genes[i];
fittest.genes[i] = secondFittest.genes[i];
secondFittest.genes[i] = temp;
}
}
//Mutation
void mutation() {
Random rn = new Random();
//Select a random mutation point
int mutationPoint = rn.nextInt(population.individuals[0].geneLength);
//Flip values at the mutation point
if (fittest.genes[mutationPoint] == 0) {
fittest.genes[mutationPoint] = 1;
} else {
fittest.genes[mutationPoint] = 0;
}
mutationPoint = rn.nextInt(population.individuals[0].geneLength);
if (secondFittest.genes[mutationPoint] == 0) {
secondFittest.genes[mutationPoint] = 1;
} else {
secondFittest.genes[mutationPoint] = 0;
}
}
//Get fittest offspring
Individual getFittestOffspring() {
if (fittest.fitness > secondFittest.fitness) {
return fittest;
}
return secondFittest;
}
//Replace least fittest individual from most fittest offspring
void addFittestOffspring() {
//Update fitness values of offspring
fittest.calcFitness();
secondFittest.calcFitness();
//Get index of least fit individual
int leastFittestIndex = population.getLeastFittestIndex();
//Replace least fittest individual from most fittest offspring
population.individuals[leastFittestIndex] = getFittestOffspring();
}
}
//Individual class
class Individual {
int fitness = 0;
int[] genes = new int[5];
int geneLength = 5;
public Individual() {
Random rn = new Random();
//Set genes randomly for each individual
for (int i = 0; i < genes.length; i++) {
genes[i] = rn.nextInt() % 2;
}
fitness = 0;
}
//Calculate fitness
public void calcFitness() {
fitness = 0;
for (int i = 0; i < 5; i++) {
if (genes[i] == 1) {
++fitness;
}
}
}
}
//Population class
class Population {
int popSize = 10;
Individual[] individuals = new Individual[10];
int fittest = 0;
//Initialize population
public void initializePopulation(int size) {
for (int i = 0; i < individuals.length; i++) {
individuals[i] = new Individual();
}
}
//Get the fittest individual
public Individual getFittest() {
int maxFit = Integer.MIN_VALUE;
for (int i = 0; i < individuals.length; i++) {
if (maxFit <= individuals[i].fitness) {
maxFit = i;
}
}
fittest = individuals[maxFit].fitness;
return individuals[maxFit];
}
//Get the second most fittest individual
public Individual getSecondFittest() {
int maxFit1 = 0;
int maxFit2 = 0;
for (int i = 0; i < individuals.length; i++) {
if (individuals[i].fitness > individuals[maxFit1].fitness) {
maxFit2 = maxFit1;
maxFit1 = i;
} else if (individuals[i].fitness > individuals[maxFit2].fitness) {
maxFit2 = i;
}
}
return individuals[maxFit2];
}
//Get index of least fittest individual
public int getLeastFittestIndex() {
int minFit = 0;
for (int i = 0; i < individuals.length; i++) {
if (minFit >= individuals[i].fitness) {
minFit = i;
}
}
return minFit;
}
//Calculate fitness of each individual
public void calculateFitness() {
for (int i = 0; i < individuals.length; i++) {
individuals[i].calcFitness();
}
getFittest();
}
}
本文經機器之心（微信公眾號：almosthuman2014）授權轉載，禁止二次轉載
作者：MallawaarachchiFollow
原文：https://medium.com/towards-data-science/introduction-to-genetic-algorithms-including-example-code-e396e98d8bf3
機器之心編譯，參與：俞云開、蔣思源
近期熱文推薦：
1.終于靠開源專案弄到 IntelliJ IDEA 激活碼了，真香！
2.我用 Java 8 寫了一段邏輯，同事直呼看不懂，你試試看，，
3.吊打 Tomcat ，Undertow 性能很炸！！
4.國人開源了一款超好用的 Redis 客戶端，真香！！
5.《Java開發手冊（嵩山版）》最新發布，速速下載！
覺得不錯，別忘了隨手點贊+轉發哦！
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/111753.html
標籤：Java