Flowable工作流引擎的科普與實踐
一.引言當我們在日常工作和業務中需要進行各種審批流程時，可能會面臨一系列技術和業務上的挑戰。手動處理這些審批流程可能會導致開發成本的增加以及業務復雜度的上升。在這
譯者 | 布加迪
審校 | 重樓
遺傳算法是一種基于自然選擇的技術，用于解決復雜問題。由于問題很復雜，遺傳算法（而不是其他方法）被用來得出解決問題的合理方案。本文介紹遺傳算法的基礎知識以及如何用Python來實現。
適應度函數衡量所考慮的解決方案與問題的最佳解決方案的接近程度。它為人群中的每個人提供了適應度水平，描述了當前一代人的質量或效率。這個分值定義了選擇，而更高的適應度值表明是經過優化的解決方案。
比如說，假設我們在處理一個實際的函數f(x)，其中x是一組參數。要找到的最優值是x，這樣f(x)就取最大值。
這個過程決定了當前一代人中哪些個體受到青睞，從而繁殖、為下一代做出貢獻。可以確定許多選擇方法，每種方法都有自己的特點和適合的上下文。
根據個體的適應度水平，選擇個體的概率也是最大的。
隨機抽取一組，選擇其中最好的。
根據適合度對人進行排序，選擇機會則根據適合度分數按比例分配。
交叉是遺傳算法的一個基本概念，其目的是交換兩個親本的遺傳信息，形成一個或多個后代。這個過程非常類似自然界中發生的生物的交叉和重組。運用遺傳的基本原理，交叉試圖產生具有雙親理想特征的后代，從而在下一代中有更好的適應性。交叉是一個比較寬泛的概念，可以分為幾種類型，每種類型都有其特點和可以有效運用的領域。
在遺傳算法中，突變之所以至關重要，是由于它提供了多樣性，多樣性是避免直接向最優解區域收斂的關鍵因素。因此，獲得單個突變基因串的隨機變化，算法可以進入僅通過交叉操作無法企及的最優解空間的其他區域。這個隨機過程保證了無論怎樣，人群都會進化，或者在遺傳算法確定的搜索空間區域內移動其位置。
不妨用Python實現遺傳算法。
問題：對具體函數進行計算；f (x) = x^2f(x) = x^2，只對x值取整。
適應度函數：對于染色體二進制為x的情況，適應度函數的一個例子可能是f(x)= x^2。
def fitness(chromosome): x = int(''.join(map(str, chromosome)), 2) return x ** 2生成一個給定長度的隨機染色體。
def generate_chromosome(length): return [random.randint(0, 1) for _ in range(length)]def generate_population(size, chromosome_length): return [generate_chromosome(chromosome_length) for _ in range(size)]population_size = 10chromosome_length = 5population = generate_population(population_size, chromosome_length)評估人群中每個染色體的適應度。
fitnesses = [fitness(chromosome) for chromosome in population]使用輪盤選擇法根據適合度選擇親本染色體。
def select_pair(population, fitnesses): total_fitness = sum(fitnesses) selection_probs = [f / total_fitness for f in fitnesses] parent1 = population[random.choices(range(len(population)), selection_probs)[0]] parent2 = population[random.choices(range(len(population)), selection_probs)[0]] return parent1, parent2使用單點交叉，在父本基因串中選擇一個隨機的交叉位置，并在兩個基因串之間交換這個位置之后的所有基因值。
def crossover(parent1, parent2): point = random.randint(1, len(parent1) - 1) offspring1 = parent1[:point] + parent2[point:] offspring2 = parent2[:point] + parent1[point:] return offspring1, offspring2通過以一定的概率翻轉比特來實現突變。
def mutate(chromosome, mutation_rate): return [gene if random.random() > mutation_rate else 1 - gene for gene in chromosome]mutation_rate = 0.01總之，由于模擬物種進化，遺傳算法對于解決無法直接解決的優化問題具有一致性和有效性。因此，一旦您掌握了遺傳算法的基本要素，并了解了如何用Python實現遺傳算法，解決復雜任務就會容易得多。選擇、交叉和突變使您能夠對解決方案進行修改，并不斷獲得最佳或接近最佳的答案。但愿您已準備好將遺傳算法運用到自己的任務中，從而在不同的任務和問題解決中得到改進。
原文標題：Understanding and Implementing Genetic Algorithms in Python，作者：Jayita Gulati
本文鏈接：http://www.www897cc.com/showinfo-26-98420-0.htmlPython用戶寶典：了解并實現遺傳算法
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號