R语言-GA算法脚本
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
|
#粗糙地计算总路程上界 UpperBound = function(disM) { mx = apply (disM, 1 , max ) #两城市间最长距离 return ( sum (mx) ) #最长旅行路径 } #生成随机染色体 rndDNA = function(n) { return ( seq( 1 ,n, 1 ) ) #随机生成n条旅行路径 } #对一个解计算总路程的距离 calcScores = function(dna,disM) { n = length(dna) #城市总数 tmp = cbind(dna[ 1 :n],c(dna[ 2 :n],dna[ 1 ])) #生成起始点城市 len = apply (tmp, 1 ,function(x) disM[x[ 1 ],x[ 2 ]]) len = sum ( len ) return ( len ) #返回此条旅行路径总距离 } #根据每条染色体的分数计算权重,并以此抽样 roller = function(scores,k) { scores = max (scores) - scores + 1 props = scores / sum (scores) N = length(scores) mxind = which. max (scores) #保留最优染色体 ans = sample(( 1 :N)[ - mxind],k - 1 ,replace = F,prob = props[ - mxind]) return (c(mxind,ans)) } #种群中的繁殖过程 crossEvolve = function(i,nGroup,crossGroup,prop) { a = nGroup[i,] b = crossGroup[i,] n = length(a) m = max ( 1 ,trunc(n * prop)) tmpa = a st = sample( 1 :n, 1 ) ind = st:(st + m) #indication 指示、索引 if (st + m>n) { bind = which(ind>n) ind[bind] = ind[bind] % % n + 1 } cross = intersect(b,a[ind]) tmpa[ind] = cross return (tmpa) } #染色体的自我变异 selfVariation = function(dna,prop) { n = length(dna) pos = which(runif(n)<prop) if (length(pos) = = 0 ) return (dna) pos = sample(pos, 1 ) newind = sample(( 1 :n)[ - pos], 1 ) if (pos>newind) { tmp = dna[newind:n] tmp = tmp[ - (pos - newind + 1 )] dna[newind] = dna[pos] dna[(newind + 1 ):n] = tmp } else { tmp = dna[ 1 :newind] tmp = tmp[ - pos] dna[newind] = dna[pos] dna[ 1 :(newind - 1 )] = tmp } return (dna) } #以某条染色体代表的解做图 drawIt = function(dots,dna,xlab = NULL,ylab = NULL,main = NULL,sub = NULL,col = NULL) { #win.graph(width=800, height=800, pointsize=12) x = dots[[ 1 ]] y = dots[[ 2 ]] z = dots[[ 4 ]] cols = dots[[ 5 ]] + 10 if ( is .null(main)) { scores = calcScores(dna,dots[[ 3 ]]) #画地图 plot(border,border = "#BBFFFF" ,col = "#FF7F00" ,ylim = c( 18 , 54 ), panel.first = grid(), main = paste( "总路程" ,scores, "公里" ),xlab = "经度" ,ylab = "纬度" ,sub = paste( '优化结束-第' ,sub, '代' )); #增加省会城市坐标点 points(x,y,pch = 19 ,col = cols) text(x,y,z,pos = 1 ,cex = 0.5 ) n = length(dna) for (i in 1 :(n - 1 )){ Sys.sleep( 0.3 ) lines(x[dna[i:(i + 1 )]],y[dna[i:(i + 1 )]],col = "#00FFFF" ,lwd = 3 )} lines(x[dna[c(n, 1 )]],y[dna[c(n, 1 )]],col = "#00FFFF" ,lwd = 3 ) } else { #画地图 plot(border,border = "#BBFFFF" ,col = "#FF7F00" ,ylim = c( 18 , 54 ),main = paste( "总路程" ,main, "公里" ), xlab = "经度" ,ylab = "纬度" ,sub = paste( '第' ,sub, '代' )) points(x,y,pch = 19 ,col = cols) if (sub = = 1 )Sys.sleep( 5 ) else { n = length(dna) for (i in 1 :(n - 1 )) lines(x[dna[i:(i + 1 )]],y[dna[i:(i + 1 )]],col = "#00FFFF" ,lwd = 3 ) lines(x[dna[c(n, 1 )]],y[dna[c(n, 1 )]],col = "#00FFFF" ,lwd = 3 ) }}} #Genetic Algorithm for Traveller Salesman Problem GA4TSP = function(dots,initDNA = NULL,N,cp,vp,maxIter,maxStay,maxElite,drawing) { disM = dots[[ 3 ]] n = nrow(disM) if (N % % 2 > 0 ) N = N + 1 Group = t(sapply(rep(n,N),rndDNA)) if (! is .null(initDNA)) Group[ 1 ,] = initDNA maxL = UpperBound(disM) stopFlag = FALSE iterCount = 1 stayCount = 0 allBest = maxL eliteBest = maxL elite = mat. or .vec(maxElite,n) elitecount = 0 eracount = 0 LastEra = maxL outputRecorder = NULL GenerationRecorder = NULL showScore = FALSE eliteInto = FALSE #初始化结束 while (!stopFlag) { cat( 'Generation:' ,iterCount, 'Era:' ,eracount, 'Elite:' ,elitecount) scores = apply (Group, 1 ,calcScores,disM) bestScore = min (scores) mind = which. min (scores) bestDNA = Group[mind,] #记录最佳染色体 #更新时代、精英的信息 if (bestScore<eliteBest) { stayCount = 0 eliteBest = bestScore eliteDNA = bestDNA if (eliteBest<allBest) { allBest = eliteBest allDNA = eliteDNA outputRecorder = rbind(outputRecorder,allDNA) GenerationRecorder = c(GenerationRecorder,iterCount) if (drawing) drawIt(dots,allDNA,main = as.character(allBest),sub = iterCount) } } else stayCount = stayCount + 1 if (stayCount = = maxStay) { stayCount = 0 eliteBest = maxL elitecount = elitecount + 1 elite[elitecount,] = eliteDNA scores = apply (Group, 1 ,calcScores,disM) a = which(scores = = min (scores)) nind = sample(( 1 :N)[ - a],length(a)) Group[a,] = Group[nind,] eliteInto = TRUE scores = apply (Group, 1 ,calcScores,disM) bestScore = min (scores) mind = which. min (scores) bestDNA = Group[mind,] } if (elitecount = = maxElite) { Group[ 1 :elitecount,] = elite elite = mat. or .vec(maxElite,n) elitecount = 0 stayCount = 0 eliteBest = maxL eracount = eracount + 1 maxStay = maxStay + 20 showScore = TRUE scores = apply (Group, 1 ,calcScores,disM) bestScore = min (scores) mind = which. min (scores) bestDNA = Group[mind,] } #对种群计算分数,产生繁殖与变异 succind = roller(scores,N / 2 ) nGroup = Group[succind,] #取最优和一半高权重优秀基因 crossind = sample(succind,N / 2 ) crossGroup = Group[crossind,] #取最优和一半高权重优秀基因,打乱顺序 crossans = t(sapply( 1 :(N / 2 ),crossEvolve,nGroup,crossGroup,cp)) crossGroup = rbind(nGroup,crossans) Group = t( apply (crossGroup, 1 ,selfVariation,vp)) if (eliteInto) eliteInto = FALSE else Group[ 1 ,] = bestDNA stopFlag = (iterCount> = maxIter) iterCount = iterCount + 1 cat( ' Best:' ,bestScore, 'All:' ,allBest, 'Stay:' ,paste(stayCount, '/' ,maxStay,sep = ' '),' \n') if (showScore) { scores = apply (Group, 1 ,calcScores,disM) show(scores[ 1 :(N / 2 )]) show(scores[(N / 2 + 1 ):(N)]) #Sys.sleep(1) showScore = FALSE } } if (drawing) drawIt(dots,allDNA,sub = maxIter) return ( list (DNA = outputRecorder,Generation = GenerationRecorder)) } #生成初始染色体 CreatDNA = function(data,i) { hc = hclust(dist(data[, 1 : 2 ])) data\(col</code><code class="python keyword">=</code><code class="python plain">cutree(hc, k </code><code class="python keyword">=</code> <code class="python plain">i) </code><code class="python comments">#k = 1 is trivial</code></div><div class="line number250 index249 alt1"><code class="python plain">INITDNA</code><code class="python keyword">=</code><code class="python plain">data[order(data\)col),] rownames(INITDNA) = NULL return (INITDNA) } |
反馈与建议
- Author:
商丰瑞
- 邮箱:
shangfengrui@gmail.com
- date:
2015年10月26日
感谢您阅读这份文档,分享。
R语言-GA算法脚本的更多相关文章
- R语言分类算法之随机森林
R语言分类算法之随机森林 1.原理分析: 随机森林是通过自助法(boot-strap)重采样技术,从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练集样本集合,然后根据自助样本集生成k个决策 ...
- R语言 神经网络算法
人工神经网络(ANN),简称神经网络,是一种模仿生物神经网络的结构和功能的数学模型或计算模型.神经网络由大量的人工神经元联结进行计算.大多数情况下人工神经网络能在外界信息的基础上改变内部结构,是一种自 ...
- R语言 推荐算法 recommenderlab包
recommend li_volleyball 2016年3月20日 library(recommenderlab) library(ggplot2) # data(MovieLense) dim(M ...
- 用GA算法设计22个地点之间最短旅程-R语言实现
数据挖掘入门与实战 公众号: datadw 相关帖子 转载︱案例 基于贪心算法的特征选择 用GA算法设计22个地点之间最短旅程-R语言实现 ----------------------------- ...
- GA算法-R语言实现
旅行商问题 北工商-经研143班共有30位同学,来自22个地区,我们希望在假期来一次说走就走的旅行,将所有同学的家乡走一遍.算起来,路费是一笔很大的花销,所以希望设计一个旅行方案,确保这一趟走下来的总 ...
- PageRank算法R语言实现
PageRank算法R语言实现 Google搜索,早已成为我每天必用的工具,无数次惊叹它搜索结果的准确性.同时,我也在做Google的SEO,推广自己的博客.经过几个月尝试,我的博客PR到2了,外链也 ...
- R语言进行机器学习方法及实例(一)
版权声明:本文为博主原创文章,转载请注明出处 机器学习的研究领域是发明计算机算法,把数据转变为智能行为.机器学习和数据挖掘的区别可能是机器学习侧重于执行一个已知的任务,而数据发掘是在大数据中寻找有 ...
- 决策树ID3原理及R语言python代码实现(西瓜书)
决策树ID3原理及R语言python代码实现(西瓜书) 摘要: 决策树是机器学习中一种非常常见的分类与回归方法,可以认为是if-else结构的规则.分类决策树是由节点和有向边组成的树形结构,节点表示特 ...
- 几种经典排序算法的R语言描述
1.数据准备 # 测试数组 vector = c(,,,,,,,,,,,,,,) vector ## [] 2.R语言内置排序函数 在R中和排序相关的函数主要有三个:sort(),rank(),ord ...
随机推荐
- Android开发实践:编译VLC-for-android
最近在Android做流媒体相关的开发,一直想学习一下强大的VLC,正好趁此机会研究研究VLC-for-android的代码,看看优秀的开源音视频播放器是如何实现的.本文总结下在Linux平台下如何编 ...
- 包管理器Bower
今天自己用Angular写东西的时候,下载了Angular-seed项目,发现需要用到bower,之前也使用过,没有仔细了解,今天趁机了解到一些. bower的官网地址: http://bower.i ...
- Unity3D 游戏前端开发技能树(思维导图)
如果做游戏也是一种游戏,那么这个游戏的自由度实在是太高了.(导图源文件链接:http://pan.baidu.com/s/1eSHpH5o 密码:qzl5) 最近要用思维导图软件Xmind把自己的思路 ...
- AngularJS in Action读书笔记3——走近Services
试着想想这些问题:如果一个controller只关心自己所控制的view页面,那么对于整个application来说,你如何调用想要的function:如果controller从来都不会和其他cont ...
- vs2010快捷键
vs的快捷键包含部分代码的自动生成 VS2010 快捷键 全屏:Shift+Alt+Enter 注释选定内容:Ctrl+E+C/Crtr+E+U 代码格式化:ctrl+E+F VS2008 使用小技巧 ...
- 敏捷个人-认识自我,管理自我 v0.8.pdf 下载
2009年我在blog上写了个人管理系列的一些blog,其中一些文章深受大家的喜欢.想到写这个系列是源于在实施敏捷Scrum方法时,对方法实施是否对人的水平需要高要求的一些思考.自组织团队是建立在敏捷 ...
- Android之Activity的生命周期
PS:写一发关于Activity的生命周期,也算是面试的重点内容. 学习内容: 1.Activity的生命周期 2.面对多种情况的时候Activity的生命周期 3.onSaveInstanceSta ...
- Elasticsearch DSL中Query与Filter的不同
Elasticsearch支持很多查询方式,其中一种就是DSL,它是把请求写在JSON里面,然后进行相关的查询. 举个DSL例子 GET _search { "query": { ...
- SQL Server代理(12/12):多服务器管理
SQL Server代理是所有实时数据库的核心.代理有很多不明显的用法,因此系统的知识,对于开发人员还是DBA都是有用的.这系列文章会通俗介绍它的很多用法. 在这一系列的上一篇,我们查看了维护计划,一 ...
- RegularHelper
private const string m_NumberPattm = @"^[-+]?(0{1}|(([1-9]){1}[0-9]{0,6}))?$"; private con ...