Mate60手機殼曝光 致敬自己的經(jīng)典設計
8月3日消息，今天下午博主數(shù)碼閑聊站帶來了華為Mate60的第三方手機殼圖，可以讓我們在真機發(fā)布之前看看這款華為全新旗艦的大致輪廓。從曝光的圖片看，Mate 60背后攝像頭面積依然
譯者 | 布加迪
審校 | 重樓
遺傳算法是一種基于自然選擇的技術，用于解決復雜問題。由于問題很復雜，遺傳算法（而不是其他方法）被用來得出解決問題的合理方案。本文介紹遺傳算法的基礎知識以及如何用Python來實現(xiàn)。
適應度函數(shù)衡量所考慮的解決方案與問題的最佳解決方案的接近程度。它為人群中的每個人提供了適應度水平，描述了當前一代人的質(zhì)量或效率。這個分值定義了選擇，而更高的適應度值表明是經(jīng)過優(yōu)化的解決方案。
比如說，假設我們在處理一個實際的函數(shù)f(x)，其中x是一組參數(shù)。要找到的最優(yōu)值是x，這樣f(x)就取最大值。
這個過程決定了當前一代人中哪些個體受到青睞，從而繁殖、為下一代做出貢獻。可以確定許多選擇方法，每種方法都有自己的特點和適合的上下文。
根據(jù)個體的適應度水平，選擇個體的概率也是最大的。
隨機抽取一組，選擇其中最好的。
根據(jù)適合度對人進行排序，選擇機會則根據(jù)適合度分數(shù)按比例分配。
交叉是遺傳算法的一個基本概念，其目的是交換兩個親本的遺傳信息，形成一個或多個后代。這個過程非常類似自然界中發(fā)生的生物的交叉和重組。運用遺傳的基本原理，交叉試圖產(chǎn)生具有雙親理想特征的后代，從而在下一代中有更好的適應性。交叉是一個比較寬泛的概念，可以分為幾種類型，每種類型都有其特點和可以有效運用的領域。
在遺傳算法中，突變之所以至關重要，是由于它提供了多樣性，多樣性是避免直接向最優(yōu)解區(qū)域收斂的關鍵因素。因此，獲得單個突變基因串的隨機變化，算法可以進入僅通過交叉操作無法企及的最優(yōu)解空間的其他區(qū)域。這個隨機過程保證了無論怎樣，人群都會進化，或者在遺傳算法確定的搜索空間區(qū)域內(nèi)移動其位置。
不妨用Python實現(xiàn)遺傳算法。
問題：對具體函數(shù)進行計算；f (x) = x^2f(x) = x^2，只對x值取整。
適應度函數(shù)：對于染色體二進制為x的情況，適應度函數(shù)的一個例子可能是f(x)= x^2。
def fitness(chromosome): x = int(''.join(map(str, chromosome)), 2) return x ** 2生成一個給定長度的隨機染色體。
def generate_chromosome(length): return [random.randint(0, 1) for _ in range(length)]def generate_population(size, chromosome_length): return [generate_chromosome(chromosome_length) for _ in range(size)]population_size = 10chromosome_length = 5population = generate_population(population_size, chromosome_length)評估人群中每個染色體的適應度。
fitnesses = [fitness(chromosome) for chromosome in population]使用輪盤選擇法根據(jù)適合度選擇親本染色體。
def select_pair(population, fitnesses): total_fitness = sum(fitnesses) selection_probs = [f / total_fitness for f in fitnesses] parent1 = population[random.choices(range(len(population)), selection_probs)[0]] parent2 = population[random.choices(range(len(population)), selection_probs)[0]] return parent1, parent2使用單點交叉，在父本基因串中選擇一個隨機的交叉位置，并在兩個基因串之間交換這個位置之后的所有基因值。
def crossover(parent1, parent2): point = random.randint(1, len(parent1) - 1) offspring1 = parent1[:point] + parent2[point:] offspring2 = parent2[:point] + parent1[point:] return offspring1, offspring2通過以一定的概率翻轉(zhuǎn)比特來實現(xiàn)突變。
def mutate(chromosome, mutation_rate): return [gene if random.random() > mutation_rate else 1 - gene for gene in chromosome]mutation_rate = 0.01總之，由于模擬物種進化，遺傳算法對于解決無法直接解決的優(yōu)化問題具有一致性和有效性。因此，一旦您掌握了遺傳算法的基本要素，并了解了如何用Python實現(xiàn)遺傳算法，解決復雜任務就會容易得多。選擇、交叉和突變使您能夠?qū)鉀Q方案進行修改，并不斷獲得最佳或接近最佳的答案。但愿您已準備好將遺傳算法運用到自己的任務中，從而在不同的任務和問題解決中得到改進。
原文標題：Understanding and Implementing Genetic Algorithms in Python，作者：Jayita Gulati
本文鏈接：http://www.tebozhan.com/showinfo-26-98420-0.htmlPython用戶寶典：了解并實現(xiàn)遺傳算法
聲明：本網(wǎng)頁內(nèi)容旨在傳播知識，若有侵權等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯(lián)系：2376512515@qq.com 津ICP備18001702號
津公網(wǎng)安備 12010102000574號