人工智能十大算法 遗传算法,人工智能遗传算法的基本原理
本文主要为大家介绍AI和Python人工智能遗传算法的详细讲解教程。有需要的朋友可以借鉴一下，希望能有所帮助。祝大家进步很大，早日升职加薪。
00-1010什么是遗传算法？如何用GA进行优化？在机构优化阶段，安装必要的软件包，利用遗传算法实现求解。本章详细讨论了人工智能的遗传算法。
目录
遗传算法是一种基于自然选择和遗传概念的搜索算法。遗传算法是一个更大的计算分支的子集，称为进化计算。
由密歇根大学的加霍兰德和他的学生及同事开发的，其中最著名的是大卫e戈德堡。此后尝试了各种优化问题，取得了巨大成功。
在遗传算法中，我们有一组可能的解决方案来解决一个给定的问题。然后这些解经过重组和突变(就像在自然遗传学中一样)产生新的子代，这个过程重复很多代。给每个个体(或候选解)分配一个适应值(基于其目标函数值)，使更健康的个体有更高的机会交配产生更健康的个体。这符合达尔文的适者生存理论。
因此，它不断发展更好的个体或解决方案，直到达到停止标准。
遗传算法天生就足够随机，但它们比随机局部搜索(我们只是尝试随机解决方案并跟踪迄今为止的最佳解决方案)的性能更好，因为它们还利用了历史信息。
什么是遗传算法？
优化是使设计、情况、资源和系统尽可能有效的行动。以下框图显示了优化过程-
如何使用GA进行优化问题？
以下是优化问题的GA机制的一系列步骤。
步骤1-随机生成初始群体。步骤2-选择具有最佳适应值的初始解。步骤3-使用变异和交叉算子重组选择的解决方案。第四步-将后代插入种群。步骤5-现在，如果满足停止条件，则返回具有最佳适应值的解决方案。否则，请转到步骤2。
GA机制优化过程的阶段
为了用Python中的遗传算法来解决这个问题，我们将使用一个强大的遗传算法包DEAP。这是一个新的进化计算框架库，用于快速原型和思想测试。我们可以在命令提示符下用下面的命令安装这个包-
pip安装程序
如果您正在使用anaconda环境，您可以使用下面的命令来安装deap-
康达安装-康达锻造deap
安装必要的软件包
本节将介绍使用遗传算法实现解决方案的过程。
使用遗传算法实现解决方案
下面的例子显示了如何基于一个最大值问题生成15个字符串的位串。
如图所示导入必要的包-
随机导入
从deap导入基础、创建者、工具
定义评估函数。这是创建遗传算法的第一步。
def eval_func(个人):
target_sum=15
return len(个人)- abs(sum(个人)- target_sum)，
现在，用正确的参数创建工具箱-
def create_toolbox(位数):
creator.create(FitnessMax ，base。健身，体重=(1.0，)
creator.create(个人，列表，健身=创建者。FitnessMax)
初始化工具箱
ush:py;">toolbox = base.Toolbox()
toolbox.register("attr_bool", random.randint, 0, 1)
toolbox.register("individual", tools.initRepeat, creator.Individual,
toolbox.attr_bool, num_bits)
toolbox.register("population", tools.initRepeat, list, toolbox.individual)
注册评估运营商 -
toolbox.register("evaluate", eval_func)
现在，注册交叉运算符 -
toolbox.register("mate", tools.cxTwoPoint)
注册变异算子 -
toolbox.register("mutate", tools.mutFlipBit, indpb = 0.05)
定义繁殖的运营商 -
toolbox.register("select", tools.selTournament, tournsize = 3) return toolbox
if __name__ == "__main__":
num_bits = 45
toolbox = create_toolbox(num_bits)
random.seed(7)
population = toolbox.population(n = 500)
probab_crossing, probab_mutating = 0.5, 0.2
num_generations = 10
print(\nEvolution process starts)
评估整个人口 -
fitnesses = list(map(toolbox.evaluate, population))for ind, fit in zip(population, fitnesses):
ind.fitness.values = fit
print(\nEvaluated, len(population), individuals)
创造和迭代几代人 -
for g in range(num_generations):print("\n- Generation", g)
选择下一代个人 -
offspring = toolbox.select(population, len(population))
现在，克隆选定的个人 -
offspring = list(map(toolbox.clone, offspring))
在后代上应用交叉和变异 -
for child1, child2 in zip(offspring[::2], offspring[1::2]):if random.random() < probab_crossing:
toolbox.mate(child1, child2)
删除孩子的健身价值
del child1.fitness.valuesdel child2.fitness.values
现在，应用变异 -
for mutant in offspring:if random.random() < probab_mutating:
toolbox.mutate(mutant)
del mutant.fitness.values
评估健康状况不佳的人 -
invalid_ind = [ind for ind in offspring if not ind.fitness.valid]fitnesses = map(toolbox.evaluate, invalid_ind)
for ind, fit in zip(invalid_ind, fitnesses):
ind.fitness.values = fit
print(Evaluated, len(invalid_ind), individuals)
现在，用下一代个人取代人口 -
population[:] = offspring
打印当前世代的统计数据 -
fits = [ind.fitness.values[0] for ind in population]length = len(population)
mean = sum(fits) / length
sum2 = sum(x*x for x in fits)
std = abs(sum2 / length - mean**2)**0.5
print(Min =, min(fits), , Max =, max(fits))
print(Average =, round(mean, 2), , Standard deviation =,
round(std, 2))
print("\n- Evolution ends")
打印最终输出 -
best_ind = tools.selBest(population, 1)[0]print(\nBest individual:\n, best_ind)
print(\nNumber of ones:, sum(best_ind))
Following would be the output:
Evolution process starts
Evaluated 500 individuals
- Generation 0
Evaluated 295 individuals
Min = 32.0 , Max = 45.0
Average = 40.29 , Standard deviation = 2.61
- Generation 1
Evaluated 292 individuals
Min = 34.0 , Max = 45.0
Average = 42.35 , Standard deviation = 1.91
- Generation 2
Evaluated 277 individuals
Min = 37.0 , Max = 45.0
Average = 43.39 , Standard deviation = 1.46
… … … …
- Generation 9
Evaluated 299 individuals
Min = 40.0 , Max = 45.0
Average = 44.12 , Standard deviation = 1.11
- Evolution ends
Best individual:
[0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 1,
1, 0, 0, 0, 1, 0, 0, 0, 1, 1, 0, 0, 0, 1, 0, 0, 0,
1, 0, 0, 1, 1, 1, 0, 0, 1, 0, 1]
Number of ones: 15
符号回归问题
这是遗传编程中最着名的问题之一。所有符号回归问题都使用任意数据分布，并尝试使用符号公式拟合最准确的数据。通常，像RMSE（均方根误差）这样的度量用于衡量个体的适应度。这是一个经典的回归问题，在这里我们使用等式5x 3 -6x 2 + 8x = 1。我们需要遵循上面示例中的所有步骤，但主要部分是创建原始集，因为它们是个人的构建块，因此评估可以开始。在这里，我们将使用经典的基元集。
以下Python代码详细解释了这一点 -
import operatorimport math
import random
import numpy as np
from deap import algorithms, base, creator, tools, gp
def division_operator(numerator, denominator):
if denominator == 0:
return 1
return numerator / denominator
def eval_func(individual, points):
func = toolbox.compile(expr=individual)
return math.fsum(mse) / len(points),
def create_toolbox():
pset = gp.PrimitiveSet("MAIN", 1)
pset.addPrimitive(operator.add, 2)
pset.addPrimitive(operator.sub, 2)
pset.addPrimitive(operator.mul, 2)
pset.addPrimitive(division_operator, 2)
pset.addPrimitive(operator.neg, 1)
pset.addPrimitive(math.cos, 1)
pset.addPrimitive(math.sin, 1)
pset.addEphemeralConstant("rand101", lambda: random.randint(-1,1))
pset.renameArguments(ARG0 = x)
creator.create("FitnessMin", base.Fitness, weights = (-1.0,))
creator.create("Individual",gp.PrimitiveTree,fitness=creator.FitnessMin)
toolbox = base.Toolbox()
toolbox.register("expr", gp.genHalfAndHalf, pset=pset, min_=1, max_=2)
toolbox.expr)
toolbox.register("population",tools.initRepeat,list, toolbox.individual)
toolbox.register("compile", gp.compile, pset = pset)
toolbox.register("evaluate", eval_func, points = [x/10. for x in range(-10,10)])
toolbox.register("select", tools.selTournament, tournsize = 3)
toolbox.register("mate", gp.cxOnePoint)
toolbox.register("expr_mut", gp.genFull, min_=0, max_=2)
toolbox.register("mutate", gp.mutUniform, expr = toolbox.expr_mut, pset = pset)
toolbox.decorate("mate", gp.staticLimit(key = operator.attrgetter("height"), max_value = 17))
toolbox.decorate("mutate", gp.staticLimit(key = operator.attrgetter("height"), max_value = 17))
return toolbox
if __name__ == "__main__":
random.seed(7)
toolbox = create_toolbox()
population = toolbox.population(n = 450)
hall_of_fame = tools.HallOfFame(1)
stats_fit = tools.Statistics(lambda x: x.fitness.values)
stats_size = tools.Statistics(len)
mstats = tools.MultiStatistics(fitness=stats_fit, size = stats_size)
mstats.register("avg", np.mean)
mstats.register("std", np.std)
mstats.register("min", np.min)
mstats.register("max", np.max)
probab_crossover = 0.4
probab_mutate = 0.2
number_gen = 10
population, log = algorithms.eaSimple(population, toolbox,
probab_crossover, probab_mutate, number_gen,
stats = mstats, halloffame = hall_of_fame, verbose = True)
请注意，所有基本步骤与生成位模式时使用的步骤相同。该程序将在10代之后给出输出为min，max，std（标准偏差）。
以上就是AI与Python人工智能遗传算法的详细内容，更多关于AI Python遗传算法的资料请关注盛行IT软件开发工作室其它相关文章！
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。