Fatal编程技术网
  • python/
  • Python 如何在网格板上实现遗传算法来寻找最优路径

Python 如何在网格板上实现遗传算法来寻找最优路径

python matrix

Python 如何在网格板上实现遗传算法来寻找最优路径,python,matrix,genetic-algorithm,path-finding,Python,Matrix,Genetic Algorithm,Path Finding,我正在准备在有障碍物的地形中寻找最佳路径的算法。到目前为止，我实现了Dijsktra和A*算法。现在我必须实现遗传算法，我有一个问题 首先，我将向您展示我的地图表示的外观。有7种不同的地形（0-起点、7-终点、1-4个可以通过的正常地形、5-6个不能通过）。下面是Python中的代码（在我看来，要理解这个问题，代码中最重要的部分是函数邻居）： class-Graph（）： 定义初始化（self，x=10，y=10）： self.width=x 自我高度=y self.board=（（1,1,1,

我正在准备在有障碍物的地形中寻找最佳路径的算法。到目前为止，我实现了Dijsktra和A*算法。现在我必须实现遗传算法，我有一个问题

首先，我将向您展示我的地图表示的外观。有7种不同的地形（0-起点、7-终点、1-4个可以通过的正常地形、5-6个不能通过）。下面是Python中的代码（在我看来，要理解这个问题，代码中最重要的部分是函数
邻居
）：


class-Graph（）：
定义初始化（self，x=10，y=10）：
self.width=x
自我高度=y
self.board=（（1,1,1,5,1,1,1,1,1,7），
(1, 1, 1, 5, 1, 1, 1, 1, 1, 1),
(1, 1, 1, 5, 1, 5, 1, 1, 1, 1),
(0, 1, 1, 1, 1, 5, 1, 1, 1, 1),
(1, 1, 1, 1, 1, 5, 1, 1, 1, 1),
(1, 1, 1, 1, 1, 1, 1, 1, 1, 1),
(1, 1, 1, 1, 1, 1, 1, 1, 1, 1),
(1, 1, 1, 1, 1, 1, 1, 1, 1, 1),
(1, 1, 1, 1, 1, 1, 1, 1, 1, 1),
(1, 1, 1, 1, 1, 1, 1, 1, 1, 1))
self.time={0:None，
1: 1,
2: 4,
3: 7,
4: 4,
7: 1}
def成本（自身、id）：
（x，y）=id
返回self.time.get（self.board[y][x]）
def CAN PASS（自我，id）：
（x，y）=id
返回自我板[y][x]！=5和self.board[y][x]！=6和self.board[y][x]！=0
def内边界（自身，id）：
（x，y）=id

return 0二维网格的一个简单的基于遗传算法的方法是将染色体（二进制字符串）分割成移动，例如：


00 = down
10 = left
01 = right
11 = up



run（chromose）
函数给定一个
chromose
，从起点（地图上的code
0
）执行移动，并返回到达的终点：


(f_y, f_x) = run(chromosome)


适应度函数是距离目标点的距离：


def fitness(chromosome):
    final = run(chromosome)
    return 1.0 - (distance(final, goal) / max_possible_distance)


或者：


# Returns negative values.
# Depending on the selection scheme, it can be problematic.
def fitness(chromosome):
    final = run(chromosome)
    return -distance(final, goal)


这两个适应度函数都假设越大越好

现在举个例子：


  • S
    是起点，
    F
    是终点，
    G
    是终点，
    *
    是一堵墙
    • 

  • 染色体
    是
    00 01 00 01 11
    即
    ↓ ↓ → → ↓ ↓ ↓ → → ↑
    • 

  • run（S，染色体）
    以以下方式运行：
    

    |---|---|---|---|---|---|
| S |   |***|   |   |   |
|-|-|---|---|---|---|---|
| | |   |***|   |   |   |
|-|-|---|---|---|---|---|
| +---+->***|   |***|***|
|---|-|-|---|---|---|---|
|   | | |***| F |   | G |
|---|-|-|---|-^-|---|---|
|   | +-------+ |***|   |
|---|-|-|---|---|---|---|

    
该函数只忽略不可能的移动
    • 

  • 健身是
    -2
    • 
可以使用标准（或其他形式），例如：
    

    ONE POINT CROSSOVER

00 00 01 01 00 00|00 01 01 11      PARENTS
11 11 01 01 00 00|01 01 11 01
-----------------^-----------
00 00 01 01 00 00|01 01 11 01      OFFSPRING
11 11 01 01 00 00|00 01 01 11

    
第一个孩子（
    00 00 01 00 01 01 11 01
    ）的健康状况比父母双方都好（
    -1
    ）：
    
注释
    

      

    • 与忽略不可能的移动（如上例所示）不同，该方案可以使用基因修复算子进行扩展，该算子删除错误的移动并添加随机移动以填充染色体（更复杂，但它利用了完整的可用长度）
      • 

    • 通常，在遗传算法中，染色体具有固定长度：允许长度比最佳路径长30%-40%是个好主意
      • 

    • 任何通往目标的道路都被视为符合标准。搜索最佳路径需要在适应度函数中添加与最短路径偏差的惩罚项，例如：
      

        def fitness(chromosome):
      final = run(chromosome)
      return -distance(final, goal) - length_of_path(chromosome) / 100.0

      

      • 

    • 一种完全不同的方法是使用遗传算法优化A*（Ryan Leigh、Sushil J.Louis和Chris Miles在中提供了更多详细信息）
      • 

    • 第三种选择，从人工智能的角度来看可能是最有趣的，是遗传编程（参见Rick Strom的例子）
      • 

    • 这是遗传算法灵活性的一个很好的例子，但是a*更好
      • 

        二维网格的一种简单的基于遗传算法的方法是将染色体（二进制字符串）分割成移动，例如：
        

        00 = down
10 = left
01 = right
11 = up

        

        run（chromose）
        函数给定一个
        chromose
        ，从起点（地图上的code
        0
        ）执行移动，并返回到达的终点：
        

        (f_y, f_x) = run(chromosome)

        
适应度函数是距离目标点的距离：
        

        def fitness(chromosome):
    final = run(chromosome)
    return 1.0 - (distance(final, goal) / max_possible_distance)

        
或者：
        

        # Returns negative values.
# Depending on the selection scheme, it can be problematic.
def fitness(chromosome):
    final = run(chromosome)
    return -distance(final, goal)

        
这两个适应度函数都假设越大越好
        
现在举个例子：
        

      • S
        是起点，
        F
        是终点，
        G
        是终点，
        *
        是一堵墙
        • 

      • 染色体
        是
        00 01 00 01 11
        即
        ↓ ↓ → → ↓ ↓ ↓ → → ↑
        • 

      • run（S，染色体）
        以以下方式运行：
        

        |---|---|---|---|---|---|
| S |   |***|   |   |   |
|-|-|---|---|---|---|---|
| | |   |***|   |   |   |
|-|-|---|---|---|---|---|
| +---+->***|   |***|***|
|---|-|-|---|---|---|---|
|   | | |***| F |   | G |
|---|-|-|---|-^-|---|---|
|   | +-------+ |***|   |
|---|-|-|---|---|---|---|

        
该函数只忽略不可能的移动
        • 

      • 健身是
        -2
        • 
可以使用标准（或其他形式），例如：
        

        ONE POINT CROSSOVER

00 00 01 01 00 00|00 01 01 11      PARENTS
11 11 01 01 00 00|01 01 11 01
-----------------^-----------
00 00 01 01 00 00|01 01 11 01      OFFSPRING
11 11 01 01 00 00|00 01 01 11

        
第一个孩子（
        00 00 01 00 01 01 11 01
        ）的健康状况比父母双方都好（
        -1
        ）：
        
注释
        

          

        • 与忽略不可能的移动（如上例所示）不同，该方案可以使用基因修复算子进行扩展，该算子删除错误的移动并添加随机移动以填充染色体（更复杂，但它利用了完整的可用长度）
          • 

        • 通常，在遗传算法中，染色体具有固定长度：允许长度比最佳路径长30%-40%是个好主意
          • 

        • 任何通往目标的道路都被视为符合标准。搜索最佳路径需要在适应度函数中添加与最短路径偏差的惩罚项，例如：
          

            def fitness(chromosome):
      final = run(chromosome)
      return -distance(final, goal) - length_of_path(chromosome) / 100.0

          

          • 

        • 一种完全不同的方法是使用遗传算法优化A*（Ryan Leigh、Sushil J.Louis和Chris Miles在中提供了更多详细信息）
          • 

        • 第三种选择，从人工智能的角度来看可能是最有趣的，是遗传编程（参见Rick Strom的例子）
          • 

        • 这是遗传算法灵活性的一个很好的例子，但是a*更好
          • 

        我个人的意见是，只要你能使用像A*这样的东西，你就应该坚持使用，而不是