对于题目中的算法，相信大家最喜欢，或者最常见的就是优化领域。我见过很多伟大的大师，使用
python的算法是用来优化一些项目的，而大家对这个算法足够了解之后，也需要完成这个算法的优化，才能真正掌握这个算法，那么怎么做呢？我们如何开始优化？不知道的小伙伴一起来看看吧！
下面通过一组实例方法教大家哦
~
问题描述
一个名为
Robby的机器人生活在一个充满垃圾的二维网格世界中，周围有4堵墙（如下图所示）。这个项目的目标是发展一个控制策略，使他能够有效地捡垃圾，而不是撞墙。
问题图片所示：
涉及方法
任何
GA的优化步骤如下：
l
生成问题初始随机解的
“种群”
l
个体的
“拟合度”是根据它解决问题的程度来评估的
l
最合适的解决方案进行
“繁殖”并将“遗传”物质传递给下一代的后代
l
重复第
2步和第3步，直到我们得到一组优化的解决方案、
应用的遗传算法代码展示：
在下面的代码中，我们生成了机器人的初始种群，并让自然选择顺其自然。我应该提一下，当然有更快的方法来实现这个算法（例如利用并行化）。
# 初始种群
pop = [Robot() for x in range(pop_size)]
results = []
# 执行进化
for i in tqdm(range(num_gen)):
scores = np.zeros(pop_size)
# 遍历所有机器人
for idx, rob in enumerate(pop):
# 运行垃圾收集模拟并计算拟合度
score = rob.simulate(iter_per_sim, moves_per_iter)
scores[idx] = score
results.append([scores.mean(),scores.max()]) # 保存每一代的平均值和值
best_robot = pop[scores.argmax()] # 保存最好的机器人
# 限制那些能够交配的机器人的数量
inds = np.argpartition(scores, -num_breeders)[-num_breeders:] # 基于拟合度得到顶级机器人的索引
subpop = []
for idx in inds:
subpop.append(pop[idx])
scores = scores[inds]
# 平方并标准化
norm_scores = (scores - scores.min()) ** 2
norm_scores = norm_scores / norm_scores.sum()
# 创造下一代机器人
new_pop = []
for child in range(pop_size):
# 选择拟合度优秀的父母
p1, p2 = np.random.choice(subpop, p=norm_scores, size=2, replace=False)
new_pop.append(Robot(p1.dna, p2.dna))
pop = new_pop
效果展示：
根据上面的内容，你也可以清楚的看到，使用遗传算法优化的神奇内容不仅是能够面对冷码群，还有上面的生物内容，都可以使用遗传算法来实现，如果你是有兴趣不妨试试
~
本文为原创文章，版权归知行编程网所有，欢迎分享本文，转载请保留出处！
内容反馈