遗传算法实战：5步教你找到函数最大值！（附Python代码）

最新推荐文章于 2025-07-11 13:50:06 发布

digitalpath

最新推荐文章于 2025-07-11 13:50:06 发布

阅读量341

点赞数 5

CC 4.0 BY-SA版权

文章标签： python 开发语言

本文链接：https://blog.csdn.net/digitalpath/article/details/147598820

一、这个算法有点意思！

大家有没有遇到过这样的情况——想找一个复杂函数的最高点，用常规方法试了半天就是找不到？（举个手让我看看🙋）今天要介绍的遗传算法（Genetic Algorithm），就像生物进化一样神奇，能帮我们找到函数的最优解！

先给大家看个例子：假设我们要找函数 f(x) = x² 在 [0,31] 区间的最大值。传统方法可能需要遍历所有整数，但遗传算法只需要几代"进化"就能找到正确答案！（后面会揭晓具体实现）

二、遗传算法的核心四步走

1. 编码：把问题装进DNA里

二进制编码：把x值转成5位二进制（比如15→01111）
重要技巧：编码长度决定精度，这里5位对应32种可能值
（新手注意！）编码方案直接影响算法效率

2. 初始种群：随机生成第一代

import random

def create_population(size):
    return [random.randint(0, 31) for _ in range(size)]

population = create_population(10)  # 初始10个个体

3. 选择：优胜劣汰的时刻到了！

轮盘赌选择法：适应度高的个体有更大存活概率

def selection(population):
    fitness = [x**2 for x in population]
    total = sum(fitness)
    return random.choices(population, weights=fitness, k=len(population))

4. 交叉：基因交换产生新生命

单点交叉：随机选个位置交换父母基因

def crossover(parent1, parent2):
    point = random.randint(1,4)
    mask = (0b11111 >> point) << point
    child1 = (parent1 & mask) | (parent2 & ~mask)
    child2 = (parent2 & mask) | (parent1 & ~mask)
    return child1, child2

5. 变异：给进化加点意外

def mutation(child):
    if random.random() < 0.1:  # 10%变异概率
        bit = 1 << random.randint(0,4)
        return child ^ bit
    return child

三、参数调校的三大黄金法则

种群数量：20-100是常用范围（太小容易早熟，太大计算慢）
变异概率：0.001-0.1之间（太高会破坏优秀基因）
停止条件的三种设置方式：
- 固定迭代次数（比如100代）
- 连续N代没有改进
- 达到目标适应度

（实测发现！）对于我们的x²问题，以下参数组合效果最佳：

种群大小：20
交叉概率：0.8
变异概率：0.05
迭代次数：50

四、你可能遇到的三大坑（附解决方案）

1. 早熟收敛（整个种群过早趋同）

对策：增加变异概率，使用精英保留策略

2. 收敛速度慢

对策：采用自适应交叉/变异概率

3. 陷入局部最优

# 解决方法：引入移民策略
def immigration(population, rate=0.1):
    new_blood = [random.randint(0,31) for _ in range(int(len(population)*rate))]
    return population[:-len(new_blood)] + new_blood

五、完整代码大公开

def genetic_algorithm():
    population = create_population(20)
    for _ in range(50):
        # 选择
        selected = selection(population)
        # 交叉
        new_pop = []
        for i in range(0, len(selected), 2):
            p1, p2 = selected[i], selected[i+1]
            c1, c2 = crossover(p1, p2)
            new_pop.extend([mutation(c1), mutation(c2)])
        # 移民
        population = immigration(new_pop)
        # 记录最佳
        best = max(population, key=lambda x: x**2)
    return best

print(f"找到的最大值是：{genetic_algorithm()}")  # 应该输出31！

六、升级你的算法装备

想要更上一层楼？试试这些进阶技巧：

实数编码：适合连续函数优化
NSGA-II：多目标优化神器
并行计算：用多核加速进化过程

（个人经验分享）在实际项目中，建议先用简单参数快速测试，找到大致方向后再精细调参。记得保存每代的进化数据，这对分析算法行为超有帮助！

七、总结

通过这个案例，我们发现：

遗传算法特别适合复杂、多峰的函数优化
参数设置需要平衡探索与开发的矛盾
生物进化思想在计算机领域的完美应用

下次遇到棘手的优化问题，不妨试试这个"仿生算法"。说不定它会给你带来意想不到的惊喜！（就像我当年第一次用它优化神经网络参数时的震撼😉）

最后留个思考题：如果把x的范围扩展到[0,1023]，需要多少位二进制编码？欢迎在评论区讨论！