Python实现遗传算法：基于面向对象与字典管理的完整代码解析

小岛来信

发布时间：2026-10-13| 3人浏览过

原创

本文详细介绍使用Python实现遗传算法的核心代码结构。通过定义Chromosome类封装染色体与适应度，并利用字典管理种群个体，实现了直观的对象化编程。文章解析了Genetic与Fitness模块中的关键函数，包括初始化、交叉、变异及最优解查找逻辑，并提供了完整的迭代优化与可视化示例，帮助开发者快速掌握遗传算法的工程实现。

前言

在前面的文章中，我们已经梳理了遗传算法的基本流程，并使用MATLAB进行了实现。本文的目标读者是已经阅读过前述内容、了解遗传算法基本概念的人群，因此不再重复解释算法原理，而是直接聚焦于Python环境下的具体实现细节。

Python遗传算法主程序架构

核心设计思路是构建一个染色体类，该类包含两个关键属性：染色体数据chrom与适应度fitness。通过直接实例化该对象，我们可以将种群中的每个个体表示为一个独立的对象，从而简化数据结构。

#染色体的类
class Chrom:
  chrom = []
  fitness = 0
  def showChrom(self):
    print(self.chrom)
  def showFitness(self):
    print(self.fitness)

接下来设定基础参数。种群的存储方式采用字典结构，即利用一个字典来保存种群内的所有个体。这种设计是我探索出的创建和管理多个对象的有效方法。

在字典中，索引设置为个体的标识符（如chrom1、chrom2等），而索引对应的值则是具体的对象实例。每个对象实例包含两个属性：染色体数据和适应度值。

从设计思路上看，这种方法优于MATLAB的矩阵式编程。它直观地表达了“个体”与其“属性”之间的关系，相比处理复杂的矩阵运算，这种逻辑更易于理解和接受。

#基础参数
N = 200 #种群内个体数目
mut = 0.2 #突变概率
acr = 0.2 #交叉概率

pop = {} #存储染色体的字典
for i in range(N):
  pop['chrom'+str(i)] = Chrom()
chromNodes = 2 #染色体节点数（变量个数）
iterNum = 10000 #迭代次数
chromRange = [[0, 10], [0, 10]] #染色体范围
aveFitnessList = [] #平均适应度
bestFitnessList = [] #最优适应度

随后涉及染色体的初始化过程，这包括种群初始化、适应度计算以及最优解搜索等函数。为了代码清晰，我将这些功能拆分为两个文件：Genetic.py和Fitness.py。

Genetic.py文件中包含八个主要函数，负责种群操作或染色体层面的处理，具体包括：

findBest函数：用于在种群中查找适应度最高的最优染色体；
findWorse函数：用于在种群中查找适应度最低的最劣染色体；
initialize函数：用于对种群进行初始化操作；
calAveFitness函数：用于计算整个种群的平均适应度；
mutChrom函数：用于对染色体执行变异操作；
inRange函数：用于判断染色体节点的值是否超出预设范围；
acrChrom函数：用于对染色体执行交叉操作；
compareChrom函数：用于比较两个染色体的优劣。

Fitness.py文件中包含两个主要函数，专注于适应度的计算，具体包括：

calFitness函数：用于遍历种群中的每个个体，并调用funcFitness函数计算其适应度；
funcFitness函数：用于计算单个特定染色体的适应度值。

基于上述模块，初始化代码的逻辑如下：

#初始染色体
pop = Genetic.initialize(pop, chromNodes, chromRange)
pop = Fitness.calFitness(pop) #计算适应度
bestChrom = Genetic.findBest(pop) #寻找最优染色体
bestFitnessList.append(bestChrom[1]) #将当前最优适应度压入列表中
aveFitnessList.append(Genetic.calAveFitness(pop, N)) #计算并存储平均适应度

迭代过程的思路与逻辑与MATLAB实现基本一致。

#开始迭代
for t in range(iterNum):
  #染色体突变
  pop = Genetic.mutChrom(pop, mut, chromNodes, bestChrom, chromRange)
  #染色体交换
  pop = Genetic.acrChrom(pop, acr, chromNodes)
  #寻找最优
  nowBestChrom = Genetic.findBest(pop)
  #比较前一个时间的最优和现在的最优
  bestChrom = Genetic.compareChrom(nowBestChrom, bestChrom)
  #寻找与替换最劣
  worseChrom = Genetic.findWorse(pop)
  pop[worseChrom[0]].chrom = pop[bestChrom[0]].chrom.copy()
  pop[worseChrom[0]].fitness = pop[bestChrom[0]].fitness
  #存储最优与平均
  bestFitnessList.append(bestChrom[1])
  aveFitnessList.append(Genetic.calAveFitness(pop, N))

最后，我们需要绘制迭代过程的图像以观察收敛情况。

plt.figure(1)
plt.plot(x, aveFitnessList)
plt.plot(x, bestFitnessList)
plt.show()

在代码最前端引入所需的库文件和模块后，即可运行整个程序。

import Genetic
import Fitness
import matplotlib.pyplot as plt
import numpy as np

开发心得

主要的感悟在于染色体类的封装。虽然Genetic.py和Fitness.py中的函数也可以包装成类，但这会导致主文件过于臃肿，且在外部再次封装显得多余。鉴于这是一个小型程序，当前的写法更为简洁。

深刻体会到面向对象编程的优势。在逻辑处理上，只需关注对象的属性，省去了许多底层细节的复杂思考，编程体验更加顺畅。

另一个感悟是关于创建多个对象的方法。起初我困惑于如何在Python中实现类似C++的对象数组，经过搜索和尝试，最终找到了利用字典索引来管理对象的方法。

关于这一方法的具体细节，后续有机会再详细展开，本文暂告一段落。

补充剩余函数的实现细节

首先是Genetic.py中八个函数的具体实现：

import random

#寻找最优染色体
def findBest(pop):
  best = ['1', 0.0000001]
  for i in pop:
    if best[1] < pop[i].fitness:
      best = [i, pop[i].fitness]
  return best

#寻找最劣染色体
def findWorse(pop):
  worse = ['1', 999999]
  for i in pop:
    if worse[1] > pop[i].fitness:
      worse = [i, pop[i].fitness]
  return worse

#赋初始值
def initialize(pop, chromNodes, chromRange):
  for i in pop:
    chromList = []
    for j in range(chromNodes):
      chromList.append(random.uniform(chromRange[j][0], chromRange[j][1]+1))
    pop[i].chrom = chromList.copy()
  return pop

#计算平均适应度
def calAveFitness(pop, N):
  sumFitness = 0
  for i in pop:
    sumFitness = sumFitness + pop[i].fitness
  aveFitness = sumFitness / N
  return aveFitness

#进行突变
def mutChrom(pop, mut, chromNodes, bestChrom, chromRange):
  for i in pop:
    #如果随机数小于变异概率（即可以变异)
    if mut > random.random():
      mutNode = random.randrange(0,chromNodes)
      mutRange = random.random() * (1-pop[i].fitness/bestChrom[1])**2
      pop[i].chrom[mutNode] = pop[i].chrom[mutNode] * (1+mutRange)
      #判断变异后的范围是否在要求范围内
      pop[i].chrom[mutNode] = inRange(pop[i].chrom[mutNode], chromRange[mutNode])
  return pop

#检验便宜范围是否在要求范围内
def inRange(mutNode, chromRange):
  if chromRange[0] < mutNode < chromRange[1]:
    return mutNode
  elif mutNode-chromRange[0] > mutNode-chromRange[1]:
    return chromRange[1]
  else:
    return chromRange[0]

#进行交叉
def acrChrom(pop, acr, chromNodes):
  for i in pop:
    for j in pop:
      if acr > random.random():
        acrNode = random.randrange(0, chromNodes)
        #两个染色体节点进行交换
        pop[i].chrom[acrNode], pop[j].chrom[acrNode] = pop[j].chrom[acrNode], pop[i].chrom[acrNode]
  return pop

#进行比较
def compareChrom(nowbestChrom, bestChrom):
  if bestChrom[1] > nowbestChrom[1]:
    return bestChrom
  else:
    return nowbestChrom

接着是Fitness.py中两个函数的具体实现：

import math

def calFitness(pop):
  
  for i in pop:
    #计算每个染色体的适应度
    pop[i].fitness = funcFitness(pop[i].chrom)

  return pop

def funcFitness(chrom):
  #适应度函数
  fitness = math.sin(chrom[0])+math.cos(chrom[1])+0.1*(chrom[0]+chrom[1])

以上就是本文的全部内容，希望对各位的学习有所帮助，也欢迎大家继续支持本站。