小編給大家分享一下python中遺傳算法優化過程的實例，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討吧！

讓客戶滿意是我們工作的目標，不斷超越客戶的期望值來自于我們對這個行業的熱愛。我們立志把好的技術通過有效、簡單的方式提供給客戶，將通過不懈努力成為客戶在信息化領域值得信任、有價值的長期合作伙伴，公司提供的服務項目有：域名與空間、虛擬空間、營銷軟件、網站建設、井研網站維護、網站推廣。

問題描述

一個名為Robby的機器人生活在一個充滿垃圾的二維網格世界中，周圍有4堵墻（如下圖所示）。這個項目的目標是發展一個很好的控制策略，使他能夠有效地撿垃圾，而不是撞墻。

問題圖片所示：

涉及方法

任何GA的優化步驟如下：

l 生成問題初始隨機解的“種群”

l 個體的“擬合度”是根據它解決問題的程度來評估的

l 最合適的解決方案進行“繁殖”并將“遺傳”物質傳遞給下一代的后代

l 重復第2步和第3步，直到我們得到一組優化的解決方案、

應用的遺傳算法代碼展示：

在下面的代碼中，我們生成一個初始的機器人種群，讓自然選擇來運行它的過程。我應該提到的是，當然有更快的方法來實現這個算法（例如利用并行化）。

# 初始種群
pop = [Robot() for x in range(pop_size)]
results = []
 
# 執行進化
for i in tqdm(range(num_gen)):
    scores = np.zeros(pop_size)
 
    # 遍歷所有機器人
    for idx, rob in enumerate(pop):
        # 運行垃圾收集模擬并計算擬合度
        score = rob.simulate(iter_per_sim, moves_per_iter)
        scores[idx] = score
 
    results.append([scores.mean(),scores.max()]) # 保存每一代的平均值和較大值
 
    best_robot = pop[scores.argmax()] # 保存好的機器人
 
    # 限制那些能夠交配的機器人的數量
    inds = np.argpartition(scores, -num_breeders)[-num_breeders:] # 基于擬合度得到頂級機器人的索引
    subpop = []
    for idx in inds:
        subpop.append(pop[idx])
    scores = scores[inds]
 
    # 平方并標準化
    norm_scores = (scores - scores.min()) ** 2
    norm_scores = norm_scores / norm_scores.sum()
 
    # 創造下一代機器人
    new_pop = []
    for child in range(pop_size):
        # 選擇擬合度優秀的父母
        p1, p2 = np.random.choice(subpop, p=norm_scores, size=2, replace=False)
        new_pop.append(Robot(p1.dna, p2.dna))
 
pop = new_pop

效果展示：

看完了這篇文章，相信你對python中遺傳算法優化過程的實例有了一定的了解，想了解更多相關知識，歡迎關注創新互聯行業資訊頻道，感謝各位的閱讀！

標題名稱：python中遺傳算法優化過程的實例-創新互聯
當前鏈接：http://vcdvsql.cn/article8/csesop.html

成都網站建設公司_創新互聯，為您提供微信小程序、品牌網站建設、全網營銷推廣、網站建設、電子商務、做網站

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯