python - Numpy 数组随机变异

Question

我正在用 Python 编写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))

这里我做了一个[10,10]数组，随机数在-1到1之间。
现在我想为我的阵列中的每个标本执行一个特定的突变(突变率取决于标本适应度)。

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]]

我想对人口中的每个子阵列执行具有特定突变率的阵列突变。我尝试了这个，但优化并不完美，我需要对种群(主数组，“种群”)中的每个子数组(每个子数组都是一个样本)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突变掩码之类的方法。类似的东西:

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

我认为这是最好的方法(因为我们只选择了一个数组，然后用随机数组替换了这个选择)，但我不知道如何执行此操作。如果您有其他解决方案，我会考虑 ^^。

Answer 1

假设您有一个数组fitness，其中包含每个标本的适应度，大小为len(population)。我们还假设您有一个函数 fitness_mutation_prob，对于给定的适应度，它会为您提供样本中每个元素的突变概率。例如，如果 fitness 的值范围从 0 到 1，则 fitness_mutation_prob(fitness) 可能类似于 (1 - fitness)，或者np.square(1 - fitness)，或其他。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))