我该怎么做 numpy where(2d array ==0, 1d array, 1d array)

Question

我正在研究遗传算法的变异函数，但我对 numpy 还很陌生。

默认的变异方法如下所示：

whereMutate = np.random.rand(np.shape(population)[0],np.shape(population)[1])
population[np.where(whereMutate < self.mutationProb)] = 1 - population[np.where(whereMutate < self.mutationProb)]

默认的 mutationprob 设置为 1/染色体长度。种群每行包含一条不同的染色体，染色体长561条，每个位置有0或1。

我试图做的是根据该染色体的 0 和 1 的频率来设置突变概率，这样当一个 1 很少的染色体发生突变时，它就有可能将 0 切换为 1因为它是走另一条路。

目前我有这样的事情：

mProbOne = 0.5/np.count_nonzero(population, axis=1)
mProbZero = 0.5/np.count_nonzero(population == 0, axis=1)
probs = np.where(population == 0, mProbZero, mProbOne)
# Something like the above ought to give me a 2d array 
# with probability of mutation for each position in the chromosome,
# separately for each chromosome
whereMutate = np.random.rand(np.shape(population)[0],np.shape(population)[1]
population[np.where(whereMutate < probs)] = 1-population[np.where(whereMutate < self.mutationProb)]

最后两行与当前存在的两行相同，用于突变概率固定的情况。 我的问题是上面的第 3 行。 mProbZero 和 mProbOne 是 1d numpy 数组。我得到了一个

ValueError: operands could not be broadcast together with shapes (2,5) (2,) (2,)

跟进：下面的代码似乎可以工作，虽然它可能比必要的多 4 行...有什么办法可以更好地做到这一点？

mProbZero = 0.5/np.count_nonzero(population == 0, axis=1)
mProbOne = 0.5/np.count_nonzero(population, axis=1)
probs = np.zeros(np.shape(population))
probs[np.where(population == 0)] = mProbZero[np.where(population == 0)[0]]
probs[np.where(population == 1)] = mProbOne[np.where(population == 1)[0]]
whereMutate = np.random.rand(np.shape(population)[0],np.shape(population)[1])
population[np.where(whereMutate < self.mutationProb)] = 1 - population[np.where(whereMutate < self.mutationProb)]

Answer 1

具有 (2,1) 值的 (2,3) 条件：

In [470]: np.where(np.array([[1,0,1],[0,1,1]]), np.array([['a'],['b']]), np.array([['c'],['d']]))    
Out[470]: 
array([['a', 'c', 'a'],
       ['d', 'b', 'b']], dtype='<U1')

使用 (3,) 值（通过广播 (1,3)）：

In [471]: np.where(np.array([[1,0,1],[0,1,1]]), np.array(['a','b','c']), np.array(['d','e','f']))    
Out[471]: 
array([['a', 'e', 'c'],
       ['d', 'b', 'c']], dtype='<U1')

在这两种情况下，结果形状都与条件匹配。

Answer 2

我相信您使用的是二进制遗传算法。这意味着在您的突变中，您需要将 1 转换为 0 并将 0 转换为 1。我不知道您的人口是什么样的。 对于一个简单的方法，您可以修改此代码。这里我使用选择随机位置，你可以更改为变异概率。

   def binary_mutation(parent1):
        posi = random.randint(0, len(parent1)-1)
        if parent1[posi] == 1:
            parent1[posi] = 0
        elif parent1[posi] == 0:
            parent1[posi] = 1
        return parent1