为什么这个遗传算法需要太多的迭代？

Question

我正在学习遗传算法，为了更好地理解概念，我尝试使用 python 从头构建遗传算法，而不使用任何外部模块（只是标准库和一点点 numpy）

目标是找到一个目标字符串，所以如果我给它字符串 hello 并定义 26 个字符 + 一个空格，则有 26^5 种可能性，这是巨大的。因此需要使用遗传算法来解决这个问题。

我定义了以下函数：

生成总体：我们生成给定大小 n 的总体，我们生成具有随机字符 len(target) 的 n 个字符串的目标，我们将总体作为 str 列表返回

计算适应度分数：如果位置 i 处的字符等于目标位置 i 处的字符，我们会增加分数，代码如下：

def fitness(indiv,target):
    score = 0
    #print(indiv," vs ",target)
    for idx,char in enumerate(list(target)):

        if char == indiv[idx]:
            score += 1
        else:
            score = 0
    return score

选择父母，在父母之间交叉并产生新的孩子群体

以下是负责该功能的功能：

from numpy.random import choice

def crossover(p1,p2):
    # we define a crossover between p1 and p2 (single point cross over)
    point = random.choice([i for i in range (len(target))])
    #print("Parents:",p1,p2)
    # C1 and C2 are the new children, before the cross over point they are equalt to their prantes, after that we swap
    c = [p1[i] for i in range(point)]

    #print("Crossover point: ",point)

    for i in range(point,len(p1)):
        c.append(p2[i])
    #print("Offsprings:", c1," and ", c2)
    c = "".join(c)
    # we mutate c too
    c = mutate(c)
    return c


def mutate(ind):
    point = random.choice([i for i in range (len(target))])
    new_ind = list(ind)
    new_ind[point] = random.choice(letters)
    return "".join(new_ind)

def select_parent(new_pop,fit_scores):
    totale = sum(fit_scores)
    probs = [score/totale for score in fit_scores]
    parent = choice(new_pop,1,p=probs)[0]
    return parent

我通过计算每个人的概率（个人得分/总体得分）来选择父母，然后使用 加权随机选择 函数来选择父母（这是一个 numpy 函数） .

对于交叉，我正在生成一个子c 和一个随机分裂点，这个随机点之前的所有字符都是第一个父字符，分裂点之后的所有字符都是来自父字符的字符。

此外，我定义了一个名为 should_stop 的函数来检查我们是否找到了目标，并定义了 print_best 来从群体中选出最好的个体（最高适应度得分）。

然后我创建了一个使用上面定义的所有函数的查找函数：

def find(size,target,pop):
    scores = [fitness(ind,target) for ind in pop]
    #print("len of scores is ", len(scores))
    #good_indiv = select_individuals(pop,scores)
    #print("Length of good indivs is", len(good_indiv))
    new_pop = []
    # corssover good individuals
    for ind in pop:
        pa = select_parent(pop,scores)
        pb = select_parent(pop,scores)
        #print(pa,pb)
        child = crossover(pa,pb)
        #print(type(child))
        new_pop.append(child)
    best = print_best(new_pop,scores)
    print("********** The best individual is: ", best, " ********")
    return (new_pop,best)


n = 200
target = "hello"
popu = generate_pop(n,target)

#find(n,target,popu)


for i in range(1000):
    print(len(popu))
    data = find(n,target,popu)
    popu = data[0]
    print("iteration number is ", i)
    if data[1] == target:

        break

问题 问题在于生成 hello 需要的迭代次数过多（大多数时候迭代次数超过 200 次），而在本例中，它只需要很少的迭代次数： https://jbezerra.github.io/The-Shakespeare-and-Monkey-Problem/index.html

当然问题不是以相同的方式编码的，我使用 python 和一种程序方式来编码，但逻辑是相同的。那么我做错了什么？

Answer 1

遗传算法的理念支持最好的算法生存并创造新一代

首先，您应该为下一代保留每一代中最好的（例如，每一代中最好的 40% 继续生活在下一代中），并且您应该将这 40% 的人相互繁殖，并且只变异有限的数量每一代的个体中，这些数字应该很低，比如低于 5% 的个体发生突变，我相信这将减少世代的数量

Answer 2

我建议在字典中定义你的字符串并给它们一个数字 然后分析这个数组 例子

我的字典是

我：1 吃：23 想要：12 到：2

所以我想吃 转换为 [ 1 , 12, 2, 23] 所以随机性减少了一个因素。 这里的词是从字典中推断出来的 所以唯一的变量是你的字符串中出现的顺序和单词。

用字典重写你的算法 您的算法运行时间将提高一个因素。 带着敬意 光辉

Answer 3

你会 100% 发生变异。您选择可能产生适合后代的“合适”父母，但随后您应用的突变更有可能“抛弃它”。如果您将突变率提高到 100%，您提供的示例链接的行为方式相同。

突变的目的是如果您似乎陷入局部最优，则将搜索“推向”不同的方向，始终应用它会将其从进化算法转变为更接近随机搜索的算法。