zgimszhd61 / evolutionary-algorithm-quickstart

evolutionary-algorithm-quickstart

进化算法是一类模拟自然选择和遗传机制的优化算法。它们通常用于解决寻找最优解或近似最优解的问题，特别是在解空间庞大或复杂的情况下。这种算法的基本**是通过模拟“适者生存”的自然选择过程来迭代优化候选解。

进化算法的主要组成部分包括：

1. 种群初始化：随机生成一定数量的候选解。
2. 适应度函数：评估每个候选解的质量或适应度。
3. 选择：根据适应度选择较好的候选解进行繁殖。
4. 交叉（杂交）：通过组合两个候选解的特征生成新的候选解。
5. 变异：随机改变候选解的某些部分，以增加种群的多样性。
6. 迭代：重复上述步骤直到满足停止条件（如达到指定的迭代次数或适应度阈值）。

确实，进化算法可以在Colab或任何Python环境中实现和运行。以下是一个简单的进化算法实例，用于寻找一个简单函数的最大值：

import numpy as np

# 适应度函数
def fitness(x):
    return x**2

# 初始化种群
def initialize_population(size, x_boundaries):
    return np.random.uniform(x_boundaries[0], x_boundaries[1], size)

# 选择函数
def selection(population, fitnesses, num_parents):
    parents_idx = np.argsort(fitnesses)[-num_parents:]
    return population[parents_idx]

# 杂交函数
def crossover(parents, num_offspring):
    offspring = []
    crossover_point = np.random.randint(1, parents.shape[1])
    for _ in range(num_offspring):
        parent1_idx = np.random.randint(0, parents.shape[0])
        parent2_idx = np.random.randint(0, parents.shape[0])
        child = np.concatenate([parents[parent1_idx, :crossover_point],
                                parents[parent2_idx, crossover_point:]])
        offspring.append(child)
    return np.array(offspring)

# 变异函数
def mutation(offspring):
    for idx in range(offspring.shape[0]):
        mutation_idx = np.random.randint(0, offspring.shape[1])
        offspring[idx, mutation_idx] = offspring[idx, mutation_idx] + np.random.uniform(-1, 1)
    return offspring

# 进化算法主函数
def evolutionary_algorithm():
    population_size = 10
    num_generations = 20
    num_parents = 4
    num_offspring = population_size - num_parents
    
    # 初始化种群
    population = initialize_population(population_size, x_boundaries=(-10, 10))
    
    for _ in range(num_generations):
        # 计算适应度
        fitnesses = fitness(population)
        # 选择
        parents = selection(population, fitnesses, num_parents)
        # 杂交
        offspring = crossover(parents, num_offspring)
        # 变异
        offspring = mutation(offspring)
        # 新一代种群
        population[:num_parents] = parents
        population[num_parents:] = offspring
    
    # 输出最好的结果
    best_idx = np.argmax(fitness(population))
    print("Best solution:", population[best_idx])
    print("Best solution fitness:", fitness(population[best_idx]))

# 运行算法
evolutionary_algorithm()

这段代码定义了一个简单的进化算法，寻找函数 ( f(x) = x^2 ) 在给定范围内的最大值。你可以在Google Colab或任何支持Python的环境中运行这段代码。