📜  带Python的AI –遗传算法

📅  最后修改于: 2020-12-11 05:48:46             🧑  作者: Mango


本章详细讨论了AI的遗传算法。

什么是遗传算法?

遗传算法(GA)是基于搜索的算法,基于自然选择和遗传学的概念。 GA是称为进化计算的更大计算分支的子集。

GA由John Holland和密歇根大学的学生和同事开发,最著名的是David E. Goldberg。此后,它已在各种优化问题上得到了成功的尝试。

在GA中,我们为给定问题提供了可能的解决方案池。这些溶液然后进行重组和突变(就像在自然遗传学中一样),产生了新的孩子,并且这一过程重复了好几代。为每个个体(或候选解决方案)分配一个适应度值(基于其目标函数值),使钳工个体有更高的机会交配并产生钳工个体。这与适者生存的达尔文生存理论一致。

因此,它会不断发展更好的个人或解决方案,直到达到停止标准为止。

遗传算法本质上具有足够的随机性,但它们的性能也比随机局部搜索(我们只尝试随机解,跟踪迄今为止的最佳方案)要好得多,因为它们也利用了历史信息。

如何使用GA解决优化问题?

优化是使设计,情况,资源和系统尽可能有效的一种动作。以下框图显示了优化过程-

优化问题

遗传算法优化过程的各个阶段

以下是GA机制用于优化问题时的一系列步骤。

  • 步骤1-随机生成初始种群。

  • 步骤2-选择具有最佳适应性值的初始解。

  • 步骤3-使用变异和交叉运算符选定的解决方案。

  • 步骤4-将后代插入种群。

  • 步骤5-现在,如果满足停止条件,则以最佳适应度值返回解决方案。否则转到步骤2。

安装必要的软件包

为了通过在Python使用遗传算法解决问题,我们将使用一种功能强大的GA软件包DEAP 。它是一个新颖的进化计算框架库,用于思想的快速原型制作和测试。我们可以在命令提示符下的以下命令的帮助下安装此软件包-

pip install deap

如果您使用anaconda环境,那么可以使用以下命令来安装deap-

conda install -c conda-forge deap

使用遗传算法实施解决方案

本节说明使用遗传算法的解决方案的实现。

生成位模式

以下示例显示了如何根据一个最大问题生成一个包含15个位字符串的位字符串。

如图所示导入必要的程序包-

import random
from deap import base, creator, tools

定义评估函数。这是创建遗传算法的第一步。

def eval_func(individual):
   target_sum = 15
   return len(individual) - abs(sum(individual) - target_sum),

现在,使用正确的参数创建工具箱-

def create_toolbox(num_bits):
   creator.create("FitnessMax", base.Fitness, weights=(1.0,))
   creator.create("Individual", list, fitness=creator.FitnessMax)

初始化工具箱

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)

注册评估运算符-

toolbox.register("evaluate", eval_func)

现在,注册交叉运算符-

toolbox.register("mate", tools.cxTwoPoint)

注册一个变异运算符-

toolbox.register("mutate", tools.mutFlipBit, indpb = 0.05)

定义育种运算符-

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')

几代人创建和迭代-

for g in range(num_generations):
   print("\n- Generation", g)

选择下一代人-

offspring = toolbox.select(population, len(population))

现在,克隆所选的个人-

offspring = list(map(toolbox.clone, offspring))

对子代进行交叉和突变-

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.values
del child2.fitness.values

现在,应用突变-

for mutant in offspring:
   if random.random() < probab_mutating:
   toolbox.mutate(mutant)
   del mutant.fitness.values

评估个人的无效适应度-

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,用下一代个人代替人口-

population[:] = offspring

打印当前几代的统计信息-

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

它是基因编程中最著名的问题之一。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,使用诸如RMSE(均方根误差)之类的量度来衡量个人的健康状况。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 。我们需要按照上面示例中的所有步骤进行操作,但是主要部分是创建原始集,因为它们是个体的构建块,因此可以开始评估。在这里,我们将使用经典的原语集。

以下Python代码详细解释了这一点-

import operator
import 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,所有基本步骤都与生成位模式时使用的步骤相同。该程序将在十代后提供给我们输出的最小值,最大值,std(标准偏差)。