python中遗传算法优化过程的实例

小编给大家分享一下python中遗传算法优化过程的实例，希望大家阅读完这篇文章后大所收获，下面让我们一起去探讨吧！

问题描述

一个名为Robby的机器人生活在一个充满垃圾的二维网格世界中，周围有4堵墙（如下图所示）。这个项目的目标是发展一个最佳的控制策略，使他能够有效地捡垃圾，而不是撞墙。

问题图片所示：

涉及方法

任何GA的优化步骤如下：

l 生成问题初始随机解的“种群”

l 个体的“拟合度”是根据它解决问题的程度来评估的

l 最合适的解决方案进行“繁殖”并将“遗传”物质传递给下一代的后代

l 重复第2步和第3步，直到我们得到一组优化的解决方案、

应用的遗传算法代码展示：

在下面的代码中，我们生成一个初始的机器人种群，让自然选择来运行它的过程。我应该提到的是，当然有更快的方法来实现这个算法（例如利用并行化）。

# 初始种群 pop = [Robot() for x in range(pop_size)] results = []   # 执行进化 for i in tqdm(range(num_gen)):     scores = np.zeros(pop_size)       # 遍历所有机器人     for idx, rob in enumerate(pop):         # 运行垃圾收集模拟并计算拟合度         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最大值       best_robot = pop[scores.argmax()] # 保存最好的机器人       # 限制那些能够交配的机器人的数量     inds = np.argpartition(scores, -num_breeders)[-num_breeders:] # 基于拟合度得到顶级机器人的索引     subpop = []     for idx in inds:         subpop.append(pop[idx])     scores = scores[inds]       # 平方并标准化     norm_scores = (scores - scores.min()) ** 2     norm_scores = norm_scores / norm_scores.sum()       # 创造下一代机器人     new_pop = []     for child in range(pop_size):         # 选择拟合度优秀的父母         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：

看完了这篇文章，相信你对python中遗传算法优化过程的实例有了一定的了解，想了解更多相关知识，欢迎关注亿速云行业资讯频道，感谢各位的阅读！