Python实现简单遗传，粒子群，蚁群，模拟退火算法

Python 粒子群和遗传解决函数最值，模拟退火和蚁群解决TSP。

import random
import math
import matplotlib.pyplot as plt
import numpy as np
pop_size = 30
chorm_length = 10
Max_value = 2
pc = 0.6
pm = 0.015
pop = []
pop_X = []  # 对应十进制数
pop_fit = []
bestvalue = []
meanvalue = []
Var = []


def encode（）:
    for i in range（pop_size）:
        pop_i = []
        for j in range（chorm_length）:
            pop_i.append（random.randint（0 1））
        pop.append（pop_i）


def decode（）:
    pop_X.clear（）
    for i in range（pop_size）:
        value = 0
        for j in range（chorm_length）:
            value += pop[i][j]*（2**（chorm_length - 1 - j））
        pop_X.append（value * Max_value / （2**chorm_length - 1））


def cal_fit（）:
    decode（）
    pop_fit.clear（）
    fit_sum = 0
    value = []
    for i in range（pop_size）:
        f_value = pop_X[i] * math.sin（10 * 3.1415 * pop_X[i]） + 2
        if f_value > 0.0:
            pop_fit.append（f_value）
            value.append（f_value）
        else:
            pop_fit.append（0.0）
            value.append（0.0）
        fit_sum += pop_fit[i]
    for i in range（pop_size）:
        pop_fit[i] = pop_fit[i] / fit_sum
    for i in range（1 pop_size）:
        pop_fit[i] += pop_fit[i - 1]
    pop_fit[-1] = 1
    return value  # 返回初始版本的值


def selection（）:
    random_selection = []
    for i in range（pop_size）:
        random_selection.append（random.random（））
    random_selection.sort（）
    new = []
    selection_id = 0
    global pop
    for i in range（pop_size）:
        while selection_id < pop_size and random_selection[selection_id] < pop_fit[i]:
            new.append（pop[i]）
            selection_id += 1
    pop = new


def cross（）:
    for i in range（0 pop_size - 1 2）:
        if random.random（） < pc:
            point = random.randint（0 chorm_length - 1）
            t1 = []
            t2 = []
            t1.extend（pop[i][0:point]）
            t1.extend（pop[i + 1][point:]）
            t2.extend（pop[i + 1][0:point]）
            t2.extend（pop[i][point:]）
            pop[i] = t1
            pop[i+1] = t2


def abrupt（）:
    for i in range（pop_size）:
        if random.random（） < pm:
            point = random.randint（0 chorm_length - 1）
            if pop[i][point] == 0:
                pop[i][point] = 1
            else:
                pop[i][point] = 0


encode（）
N = 100
for step in range（N）:
    decode（）
    eachvalue = cal_fit（）
    meanvalue.append（sum（eachvalue）/pop_size）
    bestvalue.append（max（eachvalue））
    Var.append（np.var（eachvalue））
    plt.scatter（[step + 1] * pop_size eachvalue）
    selection（）
    cross（）
    abrupt（）
print（bestvalue）
plt.plot（range（1 N + 1） bestvalue color=‘c‘ label=‘Best  ‘+str（bestvalue[-1]））
plt.plot（range（1 N + 1） meanvalue color=‘b‘ label=‘Mean  ‘+str（meanvalue[-1]））
plt.plot（range（1 N + 1） Var color=‘r‘ label=‘Var  ‘+str（Var[-1]））
# plt.title（‘X - Y‘）
# plt.xlabel（‘X‘）
# plt.ylabel（‘Y‘）
plt.legend（）
plt.show（）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-06-03 10:06  Algorithm\
     文件       28666  2018-06-02 15:29  Algorithm\GA 100.png
     文件       31569  2018-06-02 15:30  Algorithm\GA 1000.png
     文件        3025  2018-06-03 10:03  Algorithm\GA.py
     文件        2994  2018-06-03 09:21  Algorithm\模拟退火.py
     文件       41369  2018-06-03 08:29  Algorithm\粒子群   当前最优 平均 方差.png
     文件       28854  2018-06-02 23:33  Algorithm\粒子群.png
     文件        3252  2018-06-03 09:48  Algorithm\粒子群.py
     文件       92733  2018-06-02 15:33  Algorithm\蚁群 100.png
     文件      100638  2018-06-02 15:39  Algorithm\蚁群 1000.png
     文件        5528  2018-06-03 09:16  Algorithm\蚁群.py