遺伝的アルゴリズムで関数の最適値を求める（その２）

前回

前回作成したコード
https://qiita.com/nmat0031785/items/ceea6f78ab71e9956fce

最適化結果の記録

前回使用したalgorithms.eaSimpleは各世代の統計量しか残せない。
全個体の設計変数と適応度が残せるように改良する。

初期個体群の生成、評価

まずは初期個体のみ適応度を計算する。
その後、設計変数と適応度、世代（初期世代なので0）、個体番号をpd.DataFrameに保存する。

sample_GA.py

# 初期個体群を生成
pop = toolbox.population_guess()

# 初期個体の適応度の評価
fitnesses = toolbox.map(toolbox.evaluate, pop)
for ind, fit in zip(pop, fitnesses):
    ind.fitness.values = fit
fits = [ind.fitness.values[0] for ind in pop]

# 初期個体をlogbookに格納
logbook = pd.DataFrame([])
t1 = pd.DataFrame(pop)
t1.columns = ["x1", "x2"]
t1 = t1.assign(fits=fits, generation=0, ids=range(len(pop)))
logbook = logbook.append(t1)

進化ループ

進化ループに入る。offspring = toolbox.select(pop, POP_SIZE)で、POP_SIZE分の個体を初期個体群popから改めて選択し直している。これにより初期個体群と進化ループの個体群の数を変更する事が可能。
for分で各世代の個体に乱数を与え、CX_PB、MUT_PBに引っかかった個体を交叉、変異の対象としている。その後、新しい個体について適応度を再評価し、pd.DataFrameに追記していく。

sample_GA.py

# パラメータ
N_GEN = 20       # 繰り返し世代数
POP_SIZE = 100   # 集団内の個体数
CX_PB = 0.8      # 交叉確率
MUT_PB = 0.05    # 変異確率

# 進化ループ開始
g = 0
while g < N_GEN:
    g = g + 1
    
    # 次世代個体の選択・複製
    offspring = toolbox.select(pop, POP_SIZE)
    offspring = list(map(toolbox.clone, offspring))

    # 交叉
    for child1, child2 in zip(offspring[::2], offspring[1::2]):
        # 交叉させる個体を選択
        if random.random() < CX_PB:
            toolbox.mate(child1, child2)
            # 交叉させた個体は適応度を削除する
            del child1.fitness.values
            del child2.fitness.values

    # 変異
    for mutant in offspring:
        # 変異させる個体を選択
        if random.random() < MUT_PB:
            toolbox.mutate(mutant)
            # 変異させた個体は適応度を削除する
            del mutant.fitness.values

    # 適応度を削除した個体について適応度の再評価を行う
    invalid_ind = [ind for ind in offspring if not ind.fitness.valid]
    fitnesses = map(toolbox.evaluate, invalid_ind)
    for ind, fit in zip(invalid_ind, fitnesses):
        ind.fitness.values = fit
    
    # 個体集団を新世代個体集団で更新
    pop[:] = offspring

    # 新世代の全個体の適応度の抽出
    fits = [ind.fitness.values[0] for ind in pop]

    # logbookに格納
    t1 = pd.DataFrame(pop)
    t1.columns = ["x1", "x2"]
    t1 = t1.assign(fits=fits, generation=g, ids=range(POP_SIZE))
    logbook = logbook.append(t1)
    
    # デバッグ
    print(t1)

terminal

・
・
・
-- Generation 20 --
          x1        x2        fits  generation  ids
0  -1.582142 -3.130247 -106.764537          20    0
1  -1.582142 -3.130247 -106.764537          20    1
2  -1.582142 -3.130247 -106.764537          20    2
3  -1.582142 -3.130247 -106.764537          20    3
4  -1.582142 -3.130247 -106.764537          20    4
..       ...       ...         ...         ...  ...
95 -1.582142 -3.130247 -106.764537          20   95
96 -1.582142 -3.130247 -106.764537          20   96
97 -1.582142 -3.130247 -106.764537          20   97
98 -1.582142 -3.130247 -106.764537          20   98
99 -1.582142 -3.130247 -106.764537          20   99

[100 rows x 5 columns]

保存

結果をCSVで保存する。

sample_GA.py

logbook.to_csv("result.csv", sep=",", index=None, header=None)

まとめ

各個体の設計変数、適応度の出力。
次回は結果の可視化まで。