打卡Day12

@浙大疏锦行

知识点：

遗传算法：

• 来源于自然界中的生物进化和基因遗传思想：模拟生物进化过程，通过 “选择（保留优秀解）、交叉（组合解的特征）、变异（引入新特征）” 迭代优化
• 我想培养出一只超级泰迪犬？该怎么办呢？
• 首先，我有一群泰迪犬，但是小泰迪们的各种基因不同，形态各色，我只想要一只高大、卷毛和聪明的泰迪。（这是初始解的集合，也是案例学习代码中，我们所设定的随机森林中的一堆的参数范围）
• 接着，我开始挑选符合上述特征的泰迪，让他们进行交配，其它作绝育处理，来饲养。符合我理想的泰迪活了下来，能交配。（这群没被绝育的泰迪，适应度很高，符和我们的理想。也就是案例代码中，准确率高的参数组合）
• 接着，这些泰迪开始交配，生出小泰迪们。（基因会交叉）父代的基因交叉
• 为了避免泰迪们的基因出问题，比如近狗交配，我会时不时引入新的泰迪犬进入种群。（按照一定的比例产生新的基因，变异产生新的基因特征，也就是改变参数组合中的一部分）
• 接着，重复上述过程，整个种群的特征都是我想要的了，得到了最优解。
• 代码

• #遗传算法借鉴于生物遗传，那么我也写个选择最优泰迪基因的算法。
  #本人作为爱狗人士希望培育出自己理想的犬种：泰迪“熊”犬！体型庞大的泰迪：
  import numpy as np
  teddy_genes=np.random.uniform(low=1, high=10, size=(100, 4)).round(2)
  teddy_population = [
      {
          "size": row[0],
          "curly_fur": row[1],
          "smart": row[2],
          "life_length": row[3]
      }
      for row in teddy_genes
  ]
  #我有了一百只泰迪
  #定义好泰迪评估函数
  def good_teddy(individual):
      size,curly_fur,smart,life_length=individual
      fitness=0.4*size+0.3*curly_fur+0.3*smart-0.2*life_length
      return fitness,
  
  #泰迪有四个特征
  from deap import base, creator, tools, algorithms # DEAP是一个用于遗传算法和进化计算的Python库
  import random
  size_range = (1, 10)
  curly_fur_range = (1, 10)
  smart_range = (1, 10)
  life_length_range = (1, 10)
  creator.create("FitnessMax", base.Fitness, weights=(1.0,))
  creator.create("Individual", list, fitness=creator.FitnessMax)
  toolbox = base.Toolbox()
  #设置基因生成函数，从泰迪基因中随机抽取
  toolbox.register("attr_size", random.randint, *size_range)
  toolbox.register("attr_curly_fur", random.randint, *curly_fur_range)
  toolbox.register("attr_smart", random.randint, *smart_range)
  toolbox.register("attr_life_length", random.randint, *life_length_range)
  #生成泰迪个体：存放四个基因在容器中
  toolbox.register("individual", tools.initCycle, creator.Individual,
                   (toolbox.attr_size, toolbox.attr_curly_fur,
                    toolbox.attr_smart, toolbox.attr_life_length), n=1)  
  toolbox.register("population", tools.initRepeat, list, toolbox.individual)
  #注册一下函数评估器
  toolbox.register("evaluate", good_teddy)
  #遗传注册
  toolbox.register("mate", tools.cxTwoPoint)
  toolbox.register("mutate", tools.mutUniformInt, low=[size_range[0], curly_fur_range[0],
                                                       smart_range[0], life_length_range[0]],
                   up=[size_range[1], curly_fur_range[1],
                    smart_range[1], life_length_range[1]], indpb=0.1)
  #锦标赛选取最好的值
  toolbox.register("select", tools.selTournament, tournsize=3)
  NGEN = 50  # 迭代代数
  POP_SIZE = 100  # 种群大小
  CXPB = 0.7  # 交叉概率
  MUTPB = 0.3  # 变异概率
  pop = toolbox.population(n=POP_SIZE)
  for gen in range(NGEN):
      offspring = algorithms.varAnd(pop, toolbox, cxpb=CXPB, mutpb=MUTPB)
      fits = toolbox.map(toolbox.evaluate, offspring)
      for fit, ind in zip(fits, offspring):
          ind.fitness.values = fit
      pop = toolbox.select(offspring, k=len(pop))
      best_ind = tools.selBest(pop, k=1)[0]
      best_size, best_curly_fur, best_smart, best_life_length = best_ind
      print(f"第{gen}代最优解：{best_ind}，适应度值：{best_ind.fitness.values[0]}")