一文读懂遗传算法工作原理！

简介

前些日子，我开始处理一个具体难题——大型商场的销售情况。运用了几个基础方法进行了数据加工，我在竞赛中取得了第 219 位的成绩。

取得的成绩还算理想，不过我仍渴望有更出色的表现。为此，我着手探寻能够提升评分的改进措施。幸运的是，我确实发现了一种有效途径，这种方法被称作遗传算法。当运用到零售商的销售额分析上时，我的表现分数立刻在相关榜单中大幅攀升，位列顶尖行列。

确实，仅运用遗传算法，我就从 219 人中直接跃升至 15 人行列，这很惊人吧！相信在读完这篇文章之后，你也能熟练运用遗传算法，而且会发觉，当将它运用到你正在处理的事项上时，成效会有显著改善。

目录

1、遗传算法理论的由来

2、生物学的启发

3、遗传算法定义

4、遗传算法具体步骤

5、遗传算法的应用

6、实际应用

7、结语

1、遗传算法理论的由来

我们先从查尔斯·达尔文的一句名言开始：

能够存活下来的，常常不是力量最强的生物，也不是头脑最灵光的生物，而是最能融入环境的生物。

你或许在思索：此言与遗传算法存在何种联系？事实上，遗传算法的全部构思正是由此而来。

让我们用一个基本例子来解释 ：

我们设想一个场景，此刻你是一位君主，为了让你的疆域远离祸患，你推行了一项政策：

这个情形虽然可能性不大，但我举它是为了让你明白原理。换句话说，我们调整初始条件（比如：人口数量），就能得到更理想的成果（比如：更优越的国家）。现在，我料想你已对原理有个基本认识，觉得遗传算法的内涵应当与生物学相关。那么我们简要探讨几个要点，以便串联起整体认知。

2、生物学的启发

你一定还记得那句名言：生命体都以细胞为基本单位。由此可见，任何生物体里的每一个细胞，都包含着一套一模一样的遗传物质。这种遗传物质，其实是一种由 DNA 构成的复杂结构。

这些染色体通常能够用包含零与一的序列来描述，这种序列由数字零和数字一构成。

一条染色体包含基因，基因是 DNA 的基础构造，DNA 上的每个基因负责决定一个特定特征，例如头发或眼睛的色泽，请你阅读下文前，先回顾一下刚才提及的生物学知识，这部分内容到此结束，现在我们探讨一下遗传算法究竟是什么。

3、遗传算法定义

首先我们回到前面讨论的那个例子，并总结一下我们做过的事情。

起初，我们确定了全体人民的起始数量。接着，我们创建了一个方法，用来分辨正直之人与奸恶之徒。随后，我们挑选出正直之人，并让他们繁衍子孙后代。最终，这些子孙从原有的国民中替换掉部分奸恶之徒，并且持续进行这一步骤。

遗传算法运作方式确实如此，它主要是在一定层面上模仿生物进化的流程。

所以，要明确遗传算法的规范表述，可以视其为一种改进途径，这种途径旨在探寻特定参数，借助这些参数便能获取最优的输出数值或成效。遗传算法的运作机制借鉴了生物学的原理，详细步骤参见图示。

那么现在我们来逐步理解一下整个流程。

4、遗传算法具体步骤

为了使说明更加清晰，我们先来认识一下称作经典组合数学难题的「背包问题」。倘若对这问题尚存疑惑，此处提供一种个人阐述的方式。

譬如，你打算外出旅行一个月，然而你所能携带的背包最大承重仅三十公斤。目前你拥有若干必备物品，每件物品都对应着特定的「存活指数」（详细数据见附表）。所以，你的任务是在背包重量限制范围内，尽可能提升整体的「存活指数」。

4.1 初始化

在此，我们借助遗传算法来处理背包难题。首要步骤是确立我们的种群。种群由多个个体构成，每个个体都携带一套独特的基因序列。

我们清楚，染色体能够转化成由二进制数字构成的序列，在此情形下，数值一表示后续位置上的基因是存在的，数值零则说明该位置上的基因已经缺失。作者在此处运用染色体与基因的概念来处理先前的背包难题，特定位置上的基因对应背包问题表格中的物件，例如首个位置代表睡袋，那么在染色体的相应位置上，该染色体的首个基因便体现这一物件。

现在，我们将图中的 4 条染色体看作我们的总体初始值。

4.2 适应度函数

类似地，对于 A2 染色体

001110

来说，有：

这个问题上，我们觉得，染色体如果拥有更高的生存指数，就表明它的生存能力更优越。

因此，由图可知，染色体 1 适应性强于染色体 2。

4.3 选择

此刻，能够从整体里挑选出合适的基因链，让它们彼此『结合』，繁衍出子孙后代了。这是实施挑选过程的基本思路，然而这般做法会使基因链在几代之后彼此相似度增加，丧失了差异性。所以，我们通常采用「轮盘赌选择法」（Roulette Wheel Selection method）。

设想一个圆盘，现在我们把它分成 m 段，这里的 m 指的是全部染色体的数量。每条染色体在圆盘上占据的范围大小，会依据其适应度值按比例确定。

基于上图中的值，我们建立如下「轮盘」。

此刻，这个轮盘开始转动，我们将依据图中不变的指示点（fixed point）所对准的那块地方，挑选出首个亲本。接下来，对第二个亲本，我们执行相同的步骤。偶尔，我们也会在过程中标示出两个固定的指示点，如图所示

运用这种手段，我们能在单次过程中挑选出两个亲本个体，并将此方法命名为「随机普遍选择法」。

4.4 交叉

先前环节已筛选出具备繁殖能力的亲本基因链，所谓基因重组，从生物角度解读即为繁衍过程。接下来，我们针对步骤中确定的染色体1与染色体4实施重组，具体情形参见图示。

这是最基础的杂交方式，我们称之为「单点杂交」。在此过程中，我们随机确定一个杂交位点开元ky888棋牌官网版，接着，将此位点两侧的基因片段，在不同的染色体之间进行互换，从而创造出新的后代。

如果确定两个相交位置，这种做法称作「多点相交」，参考附图。

4.5 变异

从生命科学的角度审视此事，试问：经由前述机制繁衍的后代，其体态特征会与双亲完全一致吗？答案是否定的。在子代发育期间，其内部遗传物质会经历若干调整，因而形成与亲代相异的形态。这种现象称作「变异」，它指的是染色体系列发生的随机性更迭，正因存在变异现象，生物群落才会呈现丰富的差异性。

下图为变异的一个简单示例：

变化实现之后，便形成了全新生物，发展也就终止了，整体流程如图所示

经过「遗传变异」环节，我们借助适应度函数来检测新生成的后代，一旦函数确认它们的适应程度达标，便会用这些个体替换掉那些适应能力偏低的基因序列，存在一个疑问开yun体育app入口登录，我们究竟该依据何种准则来判定后代已经达到最优适应程度呢？

一般来说，有如下几个终止条件：

迭代 X 次之后，整体情况变化不大。 事先已经为算法设定了进化次数。 适应度函数值抵达了预设标准。

现在，我们假定你已大致掌握了遗传算法的核心思想，接下来，就让我们借助这一方法，在数据科学领域进行实践操作。

5、遗传算法的应用

5.1 特征选取

设想一下在数据科学竞赛中，你将如何挑选出对目标变量预测有显著作用的特征呢？你通常会评估模型里各个特征的重要性，然后人为确定一个标准，把重要性超过这个标准的特征挑选出来。

那么，有没有什么途径能够更妥善应对这个状况呢？事实上，针对特征挑选工作而言，遗传算法算是最前沿的方法之一。

我们先前解决背包问题的思路完全可以借鉴过来。首先，需要构建一套「染色体」的基本框架，这里的染色体本质上还是由二进制数字构成，其中「1」代表模型采纳了某个特征，而「0」则意味着模型舍弃了该特征。

但是有一点需要调整，就是我们的评价标准必须更新。这个评价标准要依据这次竞赛的准确度来设定。具体来说，当染色体的预测结果越准确，那么它的评价就会越好。

现在我想你大概明白了这个方法的意思。接下来我不会立刻说明如何处理这个问题，而是先让我们尝试用 TPOT 库来完成它。

5.2 用 TPOT 库来实现

这部分就是你最初阅读本文时内心最终期望达成的那个目的。就是：达成。那么我们首先简要了解一下 TPOT 库，也就是 Tree-based Pipeline Optimisation Technique，即树形传递优化技术，这个库是建立在 scikit-learn 库之上的。接下来展示的是一种基础的流程构造图。

图中那个深色部分是借助 TPOT 库自动完成的。完成这一部分的自动化操作必须应用遗传学方法。

我们只做直接运用，不作详细阐释。若要运用 TPOT 库，必须先配置 TPOT 所依赖的若干 python 库。接下来立刻进行安装。

安装深度进化算法工具包，升级检查模块，以及进度条库

安装deap软件包，同时更新检查器组件，以及下载进度条工具

# installling TPOT

pip install tpot

这里，我选用了 Big Mart Sales（数据集地址：https://datahack.analyticsvidhya.com/contest/practice-problem-big-mart-sales-iii/）数据集，为后续工作做筹备，我们需先迅速获取训练和测试文件，具体实现方法如下，这是相关的 python 代码：

# import basic libraries

importnumpy asnp

importpandas aspd

importmatplotlib.pyplot asplt

%matplotlib inline

从scikit-learn库中导入预处理模块

从sklearn.metrics库中导入mean_squared_error函数

## preprocessing

### mean imputations

train

'Item_Weight'

.fillna((train

'Item_Weight'

.mean), inplace= True)

test

'Item_Weight'

.fillna((test

'Item_Weight'

.mean), inplace= True)

脂肪含量仅分为两种类型

train

'Item_Fat_Content'

= train

'Item_Fat_Content'

.replace(

'low fat', 'LF'

'Low Fat', 'Low Fat'

train

'Item_Fat_Content'

= train

'Item_Fat_Content'

.replace(

'reg'

'Regular'

test

'Item_Fat_Content'

= test

'Item_Fat_Content'

.replace(

'low fat', 'LF'

'Low Fat', 'Low Fat'

test

'Item_Fat_Content'

= test

'Item_Fat_Content'

.replace(

'reg'

'Regular'

train

'Outlet_Establishment_Year'

= 2013- train

'Outlet_Establishment_Year'

test

'Outlet_Establishment_Year'

= 2013- test

'Outlet_Establishment_Year'

train

'Outlet_Size'

用空值替换为Small，并且立即生效

test

'Outlet_Size'

.fillna( 'Small',inplace= True)

train

'Item_Visibility'

= np.sqrt(train

'Item_Visibility'

test

'Item_Visibility'

= np.sqrt(test

'Item_Visibility'

col =

商品出口规模，销售网点地理位置，店铺经营类别，商品脂肪含量情况

test

'Item_Outlet_Sales'

将测试集添加到训练集中，针对每一列执行以下操作：

combi

= number.fit_transform(combi

.astype( 'str'))

combi

= combi

.astype( 'object')

train = combi

:train.shape

test = combi

train.shape

test删除了名为商品销售额的列，操作范围是横向，并且更改了原始数据集

## removing id variables

tpot_train = train.drop(

编号标识, 商品种类, 物品编号

,axis= 1)

tpot_test = test.drop(

'Outlet_Identifier', 'Item_Type', 'Item_Identifier'

,axis= 1)

target = tpot_train

'Item_Outlet_Sales'

tpot_train删除了名为Item_Outlet_Sales的列，操作影响原数据集，此列不再保留。

最终借助tpot库来构建模型

fromtpot importTPOTRegressor

X_train, X_test, y_train, y_test分别通过train_test_split函数从tpot_train和目标值中分割得到,

划分比例为百分之七十五用于训练，百分之二十五用于测试

tpot是一个对象, 它基于TPOTRegressor创建, 参数设置为代数为5, 种群大小为50, 信息输出级别为2

tpot.fit(X_train, y_train)

输出tpot在测试数据集上的评分结果, 使用X_test和y_test作为输入参数

tpot将处理流程导出为名为tpot_boston_pipeline.py的文件

这些代码执行过后，tpot_exported_pipeline.py 文件中便会包含执行路径优化的相关代码片段。经过观察，ExtraTreeRegressor 模型最为适合处理该问题。

进行预测，借助经过tpot优化的流程

tpot预测测试集的结果赋值给tpot_pred变量

sub1等于一个数据框，里面装着tpot_pred的数据

将sub1.index设置为从0到test长度再加1的连续整数序列

sub1将列名'0'更改为'Item_Outlet_Sales',这一操作在sub1对象中进行,目的是为了提升数据列的命名清晰度

sub1

'Item_Identifier'

= test

'Item_Identifier'

sub1

'Outlet_Identifier'

= test

'Outlet_Identifier'

sub1.columns =

销售额明细, 商品唯一码, 店铺唯一码

sub1 = sub1

物品唯一编号，店铺唯一编号，商品销售额

将数据保存为CSV文件，文件名为tpot，不包含行索引

若你递交了这份表格，便会察觉先前承诺的诸多功能尚未完全兑现。这是否意味着我在误导大家？绝非如此。事实上，TPOT 库遵循一条基本准则。倘若未对 TPOT 运行足够长时间，它便无法为你的课题寻得最优解决方案。

因此，你需要提升算法的迭代次数，端着咖啡到户外活动一番，其他方面就由 TPOT 来完成。不仅如此，这个工具同样适用于解决分类类任务。想要了解更多详情，可以查阅这个网址：http://rhiever.github.io/tpot/。除了参与竞赛，日常工作和生活中也存在许多能够运用遗传算法的场合。

6、 实际应用

遗传算法在现实生活里用途广泛。在此列举了若干引人入胜的实例，不过受限于篇幅，无法对每一个都进行详尽说明。

6.1 工程设计

工程设计极需借助计算机建模与模拟，以便让设计流程既迅速又节省成本。遗传算法在此能够实现优化，并产生一个相当理想的效果。

相关资源：

第六部分涉及出行与水路通道的选择，这属于经典路径优化课题，具体是指寻找最优旅行方案，要求从出发地出发，经过所有指定地点，最终返回原点，并且全程总距离最短，该领域在运筹学中被称为遍历销售者难题

此乃一个广为人知的事务，众多商业机构借助其优化物流，实现时间与成本的双重节省，应对该议题同样需借助基因方法。

6.3 机器人

遗传算法在机器人技术中运用十分普遍，当前正借助该算法研发具备自主学习和人类行为能力的机器人，这些机器人能够完成诸如烹饪、清洁衣物等任务。

相关资源：

7、结语

通过这篇文章的讲解，你应当已经充分掌握了遗传算法开元ky888棋牌官方版，并且能够借助 TPOT 库来应用它了。然而，如果缺乏实际操作，这些理论知识仍然十分有限。

因此，各位读者朋友们务必在数据科学竞赛或者日常生活中，自己动手去完成它