遗传算法(Genetic Algorithm，GA)的轮盘赌选择，python

小灰灰 2023-09-24 16:53 54阅读 0赞

## 遗传算法(Genetic Algorithm，GA)的轮盘赌选择，python ##

一个简单的例子说明在遗传算法中使用的轮盘赌方法。

（1）假设有一个 初始种群，01二进制编码十进制数值：

> s1= 13 (01101)
> 
> s2= 24 (11000)
> 
> s3= 8 (01000)
> 
> s4= 19 (10011)

（2）计算适应度，假设适应度函数为f(s)=s^2 ，则：

> f(s1) = f(13) = 13^2 = 169  
> f(s2) = f(24) = 24^2 = 576  
> f(s3) = f(8) = 8^2 = 64  
> f(s4) = f(19) = 19^2 = 361

接下来的，

（3）染色体选择概率：

![a639e311770d406d95946454e438ab10.jpeg][]

（4）染色体累积概率：

![5ffb94043000413dbec30b935439efb3.jpeg][]

选择概率形成的轮盘：

![e85e2f22ae454ed7a60b78922d7e966a.jpeg][]

显然，p(s2)=0.49概率最大，被选中的概率最高。下面用python写一个轮盘选择实现，验证我们的猜想：

import random
    
    p = [0.14, 0.49, 0.06, 0.31]
    
    #遗传算法-轮盘赌选择
    def rws():
        # r为0到1之间的随机数
        r = random.uniform(0, 1)
    
        idx = 0
        sm = 0
        for i in range(len(p)):
            # 产生的随机数在sm~sm+p[i]间则认为选中i
            # 因此i被选中的概率是p[i]
            sm = sm + p[i]
            if r <= sm:
                idx = i
                break
    
        return idx
    
    
    if __name__ == '__main__':
        for i in range(10):
            i = rws()
            print(p[i])

程序跑了10次，每一次在rws()函数中产生一个随机概率数值r，然后在rws()函数内部比较r与累积概率的大小，确定被选中的概率是p\[?\]

运行输出：

> 0.14  
> 0.31  
> 0.49  
> 0.31  
> 0.31  
> 0.49  
> 0.31  
> 0.14  
> 0.49  
> 0.49

输出结果证实了我们的猜想，p\[s2\]=0.49被选中的概率最高，在10次的随机筛选中，p\[s2\]=0.49被选中了4次(4/10)。

[a639e311770d406d95946454e438ab10.jpeg]: https://img-blog.csdnimg.cn/a639e311770d406d95946454e438ab10.jpeg
[5ffb94043000413dbec30b935439efb3.jpeg]: https://img-blog.csdnimg.cn/5ffb94043000413dbec30b935439efb3.jpeg
[e85e2f22ae454ed7a60b78922d7e966a.jpeg]: https://img-blog.csdnimg.cn/e85e2f22ae454ed7a60b78922d7e966a.jpeg