睿智的智能优化算法4——进化策略(Evolution Strategy)

2023-11-01 08:40

本文主要是介绍睿智的智能优化算法4——进化策略(Evolution Strategy),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

睿智的智能优化算法4——进化策略(Evolution Strategy)

  • 1、算法思路
    • 1.1、杂交方式
    • 1.2、基因突变
    • 1.3、淘汰低适应度个体。
  • 2、与遗传算法对比
    • 2.1、相同点:
    • 2.2、不同点:
  • 实现代码
  • GITHUB下载连接

遗传算法是一种基于达尔文进化论的与基因相关的优化算法,但由于其编码方式需要用到01编码,所以其存在实数处理方面的局限性;本文将介绍遗传算法的姊妹,进化策略,其可以用于实数处理。关于什么是遗传算法,及其实现方式,大家可以关注我的另一篇博文睿智的智能优化算法2——遗传算法的python实现
在这里插入图片描述

1、算法思路

进化策略的思路与遗传算法相似,二者都是利用进化理论进行优化,即利用遗传信息一代代传承变异,通过适者生存的理论,保存适应度高的个体,得到最优解。
了解进化策略,首先要从进化策略的个体入手。
进化策略的每个个体都具有两个特点。
1、基因,通过基因进行运算可以得到每个个体的适应度。
2、变异强度,变异强度则是每次基因杂交完,基因变化的一个范围。
假设一个种群有四个个体,四个个体的参数如图所示:
在这里插入图片描述
进化策略的更新方式主要分为两个部分:
1、通过现有的种群,更新后代,其中需要经过杂交、基因突变两个过程。
2、将生成的后代与他们的父母辈合成一个种群,在其中淘汰低适应度个体。
接下来我将详细讲述杂交、基因突变、淘汰低适应度个体的过程。

1.1、杂交方式

与遗传算法不同,进化策略的杂交方式主要分为 步:
1、随机选择双亲。
2、从双亲身上分别取指定位置的基因,二者组合成为新基因。
3、从双亲身上分别取指定位置的杂交强度,二者组合成为新的变异强度。
其执行示意图如下:
在这里插入图片描述
执行代码如下所示:

# 杂交,随机选择父母
p1, p2 = np.random.choice(self.pop_size, size=2, replace=False)
# 选择杂交点
cp = np.random.randint(0, 2, self.gene_size, dtype=np.bool)
# 当前孩子基因的杂交结果
kv[cp] = self.pop['DNA'][p1, cp]
kv[~cp] = self.pop['DNA'][p2, ~cp]
# 当前孩子变异强度的杂交结果
ks[cp] = self.pop['mut_strength'][p1, cp]
ks[~cp] = self.pop['mut_strength'][p2, ~cp]

1.2、基因突变

在算法中,每次个体杂交完,都会进行一定的变异,变异的多少由个体的变异强度决定,其变异的代码如下。其中np.random.randn()满足正态分布。

# kv代表DNA,ks代表变异强度
kv += ks * np.random.randn()

变异的示意图如下:
在这里插入图片描述
由于算法最终要收敛,所以变异强度需要不断变小,但不可以低于0,变小方式如下:

# 变异强度要大于0,并且不断缩小
ks[:] = np.maximum(ks + (np.random.rand()-0.5), 0.)    

1.3、淘汰低适应度个体。

淘汰低适应度个体前首先需要合并父种群和子种群

# 进行vertical垂直叠加
for key in ['DNA', 'mut_strength']:self.pop[key] = np.vstack((self.pop[key], self.kids[key]))

再计算整个种群的适应度:

# 计算fitness
self.pred = F(self.pop['DNA'])
fitness = self.get_fitness()

最后对整个适应度进行,获得适应度从大到小的索引,并选择适应度最大的POP_SIZE个个体:

# 读出按照降序排列fitness的索引
max_index = np.argsort(-fitness)
# 选择适应度最大的POP_SIZE个个体
good_idx = max_index[:POP_SIZE]   
for key in ['DNA', 'mut_strength']:self.pop[key] = self.pop[key][good_idx]

其整体的执行过程如图所示:
在这里插入图片描述

2、与遗传算法对比

2.1、相同点:

进化策略的思路与遗传算法相似,二者都是利用进化理论进行优化,即利用遗传信息一代代传承变异,通过适者生存的理论,保存适应度高的个体,得到最优解。

2.2、不同点:

1、遗传算法采用二进制编码杂交;而进化策略使用实数。
2、遗传算法采用二进制0->1,1->实现变异;而进化策略则使用变异强度实现变异。

3、遗传算法仅需要一条编码链,用于存储个体的基因;进化策略在编码时,不仅要有实数编码链,还要有变异强度编码链。

4、遗传算法在交叉繁殖的时候,仅实现基因的交叉;进化策略则要实现两条链的交叉,父母辈的实数链交叉形成子辈的实数链,变异强度编码链交叉形成子辈的变异强度编码链。

5、遗传算法在变异时,随机选择基因段变异;进化策略则是将实数链上的实数值看作正态分布的均值μ,将变异强度编码链上变异强度值看作正态分布的标准差σ。

6、遗传算法在自然选择时,通过轮盘赌实现自然选择;进化策略则将子种群加入到父种群中,按照适应度排序,直接选出适应度最大的pop_size个个体。

实现代码

本次实现代码源自莫烦python,但我将其改成了class的形式。

import numpy as np
import matplotlib.pyplot as plt# 每个个体的长度
GENE_SIZE = 1
# 每个基因的范围
GENE_BOUND = [0, 5]    
# 200代   
N_GENERATIONS = 200
# 种群的大小
POP_SIZE = 100          
# 每一代生成50个孩子
N_KID = 50  # 寻找函数的最大值
def F(x): return np.sin(10*x)*x + np.cos(2*x)*x    class ES():def __init__(self,gene_size,pop_size,n_kid):# 基因长度代表字符串的长度self.gene_size = gene_size# 种群的大小代表种群中有几个个体self.pop_size = pop_sizeself.n_kid = n_kidself.init_pop()print(self.pop)# 降到一维def get_fitness(self): return self.pred.flatten()# 初始化种群def init_pop(self):self.pop = dict(DNA=5 * np.random.rand(1, self.gene_size).repeat(POP_SIZE, axis=0),mut_strength=np.random.rand(POP_SIZE, self.gene_size))# 更新后代def make_kid(self):# DNA指的是当前孩子的基因# mut_strength指的是变异强度self.kids = {'DNA': np.empty((self.n_kid, self.gene_size)),'mut_strength': np.empty((self.n_kid, self.gene_size))}for kv, ks in zip(self.kids['DNA'], self.kids['mut_strength']):# 杂交,随机选择父母p1, p2 = np.random.choice(self.pop_size, size=2, replace=False)# 选择杂交点cp = np.random.randint(0, 2, self.gene_size, dtype=np.bool)# 当前孩子基因的杂交结果kv[cp] = self.pop['DNA'][p1, cp]kv[~cp] = self.pop['DNA'][p2, ~cp]# 当前孩子变异强度的杂交结果ks[cp] = self.pop['mut_strength'][p1, cp]ks[~cp] = self.pop['mut_strength'][p2, ~cp]# 变异强度要大于0,并且不断缩小ks[:] = np.maximum(ks + (np.random.rand()-0.5), 0.)    kv += ks * np.random.randn()# 截断kv[:] = np.clip(kv,GENE_BOUND[0],GENE_BOUND[1])   # 淘汰低适应度后代def kill_bad(self):# 进行vertical垂直叠加for key in ['DNA', 'mut_strength']:self.pop[key] = np.vstack((self.pop[key], self.kids[key]))# 计算fitnessself.pred = F(self.pop['DNA'])fitness = self.get_fitness()# 读出按照降序排列fitness的索引max_index = np.argsort(-fitness)# 选择适应度最大的50个个体good_idx = max_index[:POP_SIZE]   for key in ['DNA', 'mut_strength']:self.pop[key] = self.pop[key][good_idx]test1 = ES(gene_size = GENE_SIZE,pop_size = POP_SIZE,n_kid = N_KID)plt.ion()     
x = np.linspace(*GENE_BOUND, 200)
plt.plot(x, F(x))for _ in range(N_GENERATIONS):# 画图部分if 'sca' in globals(): sca.remove()sca = plt.scatter(test1.pop['DNA'], F(test1.pop['DNA']), s=200, lw=0, c='red', alpha=0.5)plt.pause(0.05)# ES更新kids = test1.make_kid()pop = test1.kill_bad()plt.ioff(); plt.show()

GITHUB下载连接

https://github.com/bubbliiiing/Optimization_Algorithm

希望得到朋友们的喜欢。
有问题的朋友可以提问噢。

这篇关于睿智的智能优化算法4——进化策略(Evolution Strategy)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/321821

相关文章

MySQL索引的优化之LIKE模糊查询功能实现

《MySQL索引的优化之LIKE模糊查询功能实现》:本文主要介绍MySQL索引的优化之LIKE模糊查询功能实现,本文通过示例代码给大家介绍的非常详细,感兴趣的朋友一起看看吧... 目录一、前缀匹配优化二、后缀匹配优化三、中间匹配优化四、覆盖索引优化五、减少查询范围六、避免通配符开头七、使用外部搜索引擎八、分

Python实现word文档内容智能提取以及合成

《Python实现word文档内容智能提取以及合成》这篇文章主要为大家详细介绍了如何使用Python实现从10个左右的docx文档中抽取内容,再调整语言风格后生成新的文档,感兴趣的小伙伴可以了解一下... 目录核心思路技术路径实现步骤阶段一:准备工作阶段二:内容提取 (python 脚本)阶段三:语言风格调

SpringRetry重试机制之@Retryable注解与重试策略详解

《SpringRetry重试机制之@Retryable注解与重试策略详解》本文将详细介绍SpringRetry的重试机制,特别是@Retryable注解的使用及各种重试策略的配置,帮助开发者构建更加健... 目录引言一、SpringRetry基础知识二、启用SpringRetry三、@Retryable注解

openCV中KNN算法的实现

《openCV中KNN算法的实现》KNN算法是一种简单且常用的分类算法,本文主要介绍了openCV中KNN算法的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的... 目录KNN算法流程使用OpenCV实现KNNOpenCV 是一个开源的跨平台计算机视觉库,它提供了各

MySQL 分区与分库分表策略应用小结

《MySQL分区与分库分表策略应用小结》在大数据量、复杂查询和高并发的应用场景下,单一数据库往往难以满足性能和扩展性的要求,本文将详细介绍这两种策略的基本概念、实现方法及优缺点,并通过实际案例展示如... 目录mysql 分区与分库分表策略1. 数据库水平拆分的背景2. MySQL 分区策略2.1 分区概念

Python通过模块化开发优化代码的技巧分享

《Python通过模块化开发优化代码的技巧分享》模块化开发就是把代码拆成一个个“零件”,该封装封装,该拆分拆分,下面小编就来和大家简单聊聊python如何用模块化开发进行代码优化吧... 目录什么是模块化开发如何拆分代码改进版:拆分成模块让模块更强大:使用 __init__.py你一定会遇到的问题模www.

springboot+dubbo实现时间轮算法

《springboot+dubbo实现时间轮算法》时间轮是一种高效利用线程资源进行批量化调度的算法,本文主要介绍了springboot+dubbo实现时间轮算法,文中通过示例代码介绍的非常详细,对大家... 目录前言一、参数说明二、具体实现1、HashedwheelTimer2、createWheel3、n

SpringBoot首笔交易慢问题排查与优化方案

《SpringBoot首笔交易慢问题排查与优化方案》在我们的微服务项目中,遇到这样的问题:应用启动后,第一笔交易响应耗时高达4、5秒,而后续请求均能在毫秒级完成,这不仅触发监控告警,也极大影响了用户体... 目录问题背景排查步骤1. 日志分析2. 性能工具定位优化方案:提前预热各种资源1. Flowable

SpringBoot3实现Gzip压缩优化的技术指南

《SpringBoot3实现Gzip压缩优化的技术指南》随着Web应用的用户量和数据量增加,网络带宽和页面加载速度逐渐成为瓶颈,为了减少数据传输量,提高用户体验,我们可以使用Gzip压缩HTTP响应,... 目录1、简述2、配置2.1 添加依赖2.2 配置 Gzip 压缩3、服务端应用4、前端应用4.1 N

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战:从入门到进阶优化1. MyBatis