Question

我用Python编写了我的第一个遗传算法。我特别关心优化和人口可扩展性。

import numpy as np
population = np.random.randint(-1, 2, size=(10,10))

这里我创建一个[10,10]数组，随机数介于-1和1之间现在我想为我的阵列的每个样本执行特定的突变（突变率取决于样本的适应性）。

例如，我有：

print population
[[ 0  0  1  1 -1  1  1  0  1  0]
[ 0  1 -1 -1  0  1 -1 -1  0 -1]
[ 0  0  0  0  0  0  0  0  0  0]
[ 0  0  0  0  0  0  0  0  0  0]
[ 0  0  0  0  0  0  0  0  0  0]
[ 0  1  1  0  0  0  1  1  0  1]
[ 1 -1  0  0  1  0 -1  1  1  0]
[ 1 -1  1 -1  0 -1  0  0  1  1]
[ 0  0  0  0  0  0  0  0  0  0]
[ 0  1  1  0  0  0  1 -1  1  0]]

我想对群体中每个子阵列的特定突变率执行此阵列的突变。我试试这个，但优化并不完美，我需要在群体（主阵列，“群体”）中为每个子阵列（每个子阵列是样本）执行不同的变异。

population[0][numpy.random.randint(0, len(population[0]), size=10/2)] = np.random.randint(-1, 2, size=10/2)

我正在寻找一种在所有主阵列上应用类似变异掩码的方法。这样的事情：

 population[array element select with the mutation rate] = random_array[with the same size]

我认为这是最好的方法（因为我们只选择数组并在用随机数组替换此选择之后），但我不知道如何执行此操作。如果你有其他解决方案我就在它上面^^。

Answer 1

我们假设您有一个数组fitness，其中包含每个标本的适合度，大小为len(population)。我们还说你有一个函数fitness_mutation_prob，对于给定的适应度，它给出了样本中每个元素的变异概率。例如，如果fitness的值介于0到1之间，则fitness_mutation_prob(fitness)可能类似于(1 - fitness)或np.square(1 - fitness)，或者其他类似值。然后你可以这样做：

r = np.random.random(size=population.shape)
mut_probs = fitness_mutation_prob(fitness)
m = r < mut_probs[:, np.newaxis]
population[m] = np.random.randint(-1, 2, size=np.count_nonzero(m))

Numpy Array随机变异

1 个答案: