标准遗传算法（实数编码 python实现）模拟二进制交叉SBX 多项式变异（自然数编码的遗传算法）

标准遗传算法（实数编码 python实现）模拟二进制交叉SBX 多项式变异（自然数编码的遗传算法）

代码地址：

,

变异操作　为　多项式变异。

​​real_sga​​​/​​crossover​​/crossover.py

#实数编码,SBX交叉def crossover(population, pcross_real, V, minRealVal, maxRealVal, eta_c): for i in xrange(0, len(population), 2): #如果随机概率大于交叉概率则不进行交叉操作 if random.random()>pcross_real: continue #对两个个体执行SBX交叉操作 for j in xrange(V): #对某自变量交叉 ylow=minRealVal[j] yup=maxRealVal[j] y1=population[i][j] y2=population[i+1][j] r=random.random() if r<=0.5: betaq=(2*r)**(1.0/(eta_c+1.0)) else: betaq=(0.5/(1.0-r))**(1.0/(eta_c+1.0)) child1=0.5*( (1+betaq)*y1+(1-betaq)*y2 ) child2=0.5*( (1-betaq)*y1+(1+betaq)*y2 ) child1=min(max(child1, ylow), yup) child2=min(max(child2, ylow), yup) population[i][j]=child1 population[i+1][j]=child2

以上代码是根据相关论文所写，是原始方式的化简版本。

以下给出官方的原始代码的　Ｐython２.7  　重构版。

#实数编码,SBX交叉def crossover(population, pcross_real, V, minRealVal, maxRealVal, eta_c): for i in xrange(0, len(population), 2): #如果随机概率大于交叉概率则不进行交叉操作 if random.random()>pcross_real: continue #对两个个体执行SBX交叉操作 for j in xrange(V): #判断是否对某自变量交叉 if random.random()>0.5: continue #如果两个体某自变量相等则不操作 if population[i][j]==population[i+1][j]: continue #对某自变量交叉 y1=min(population[i][j], population[i+1][j]) y2=max(population[i][j], population[i+1][j]) ylow=minRealVal[j] yup=maxRealVal[j] r=random.random() beta=1.0+(2.0*(y1-ylow)/(y2-y1)) alpha=2.0-beta**( -(eta_c+1.0) ) if r<=(1.0/alpha): betaq=(r*alpha)**(1.0/(eta_c+1.0)) else: betaq=(1.0/(2.0-r*alpha))**(1.0/(eta_c+1.0)) child1=0.5*( (y1+y2)-betaq*(y2-y1) ) beta=1.0+(2.0*(yup-y2)/(y2-y1)) alpha=2.0-beta**( -(eta_c+1.0) ) if r<=(1.0/alpha): betaq=(r*alpha)**(1.0/(eta_c+1.0)) else: betaq=(1.0/(2.0-r*alpha))**(1.0/(eta_c+1.0)) child2=0.5*( (y1+y2)-betaq*(y2-y1) ) child1=min(max(child1, ylow), yup) child2=min(max(child2, ylow), yup) population[i][j]=child1 population[i+1][j]=child2

多项式变异：

​​real_sga​​​/​​mutation​​/mutation.py

#Routine for real polynomial mutation of an individual#实数编码的常规多项式变异def mutation(population, pmut_real, V, minRealVal, maxRealVal, eta_m): for i in xrange(len(population)): for j in xrange(V): r=random.random() #对个体某变量进行变异 if r<=pmut_real: y=population[i][j] ylow=minRealVal[j] yup=maxRealVal[j] delta1=1.0*(y-ylow)/(yup-ylow) delta2=1.0*(yup-y)/(yup-ylow) #delta=min(delta1, delta2) r=random.random() mut_pow=1.0/(eta_m+1.0) if r<=0.5: xy=1.0-delta1 val=2.0*r+(1.0-2.0*r)*(xy**(eta_m+1.0)) deltaq=val**mut_pow-1.0 else: xy=1.0-delta2 val=2.0*(1.0-r)+2.0*(r-0.5)*(xy**(eta_m+1.0)) deltaq=1.0-val**mut_pow y=y+deltaq*(yup-ylow) y=min(yup, max(y, ylow)) population[i][j]=y

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。