Ich verwende GA Package, um eine Funktion zu minimieren. Im Folgenden sind einige Phasen, die ich implementiert habe.Genetischer Algorithmus - Crossover und Mutation funktionieren nicht
0. Bibliotheken und Dataset
library(clusterSim) ## for index.DB()
library(GA) ## for ga()
data("data_ratio")
dataset2 <- data_ratio
set.seed(555)
1. Binäre Codierung und Anfangspopulation erzeugen.
initial_population <- function(object) {
## generate a population where for each individual, there will be number of 1's fixed between three to six
population <- t(replicate([email protected], {i <- sample(3:6, 1); sample(c(rep(1, i), rep(0, [email protected] - i)))}))
return(population)
}
2. Fitness-Funktion Minimiert Davies-Bouldin (DB) Index.
DBI2 <- function(x) {
## number of 1's will represent the initial selected centroids and hence the number of clusters
cl <- kmeans(dataset2, dataset2[x == 1, ])
dbi <- index.DB(dataset2, cl=cl$cluster, centrotypes = "centroids")
score <- -dbi$DB
return(score)
}
3. Benutzerdefinierte Crossover-Operator. Diese Crossover-Methode vermeidet Situationen, in denen keine Cluster eingeschaltet sind. Der Pseudocode kann here gefunden werden.
pairwise_crossover <- function(object, parents){
fitness <- [email protected][parents]
parents <- [email protected][parents, , drop = FALSE]
n <- ncol(parents)
children <- matrix(as.double(NA), nrow = 2, ncol = n)
fitnessChildren <- rep(NA, 2)
## finding the min no. of 1's between 2 parents
m <- min(sum(parents[1, ] == 1), sum(parents[2, ] == 1))
## generate a random int from range(1,m)
random_int <- sample(1:m, 1)
## randomly select 'random_int' gene positions with 1's in parent[1, ]
random_a <- sample(1:length(parents[1, ]), random_int)
## randomly select 'random_int' gene positions with 1's in parent[1, ]
random_b <- sample(1:length(parents[2, ]), random_int)
## union them
all <- sort(union(random_a, random_b))
## determine the union positions
temp_a <- parents[1, ][all]
temp_b <- parents[2, ][all]
## crossover
parents[1, ][all] <- temp_b
children[1, ] <- parents[1, ]
parents[2, ][all] <- temp_a
children[2, ] <- parents[2, ]
out <- list(children = children, fitness = fitnessChildren)
return(out)
}
4. Mutation.
k_min <- 2
k_max <- ceiling(sqrt(75))
my_mutation <- function(object, parent){
pop <- parent <- as.vector([email protected][parent, ])
for(i in 1:length(pop)){
if((sum(pop == 1) < k_max) && pop[i] == 0 | (sum(pop == 1) > k_min && pop[i] == 1)) {
pop[i] <- abs(pop[i] - 1)
return(pop)
}
}
}
5. zusammen die Stücke Putting. Mit Roulette-Rad Auswahl, Crossover Prob. = 0,8, Mutationsprob. = 0,1
g2<- ga(type = "binary",
population = initial_population,
fitness = DBI2,
selection = ga_rwSelection,
crossover = pairwise_crossover,
mutation = my_mutation,
pcrossover = 0.8,
pmutation = 0.1,
popSize = 100,
nBits = nrow(dataset2))
ich meine erste Bevölkerung in einer Art und Weise geschaffen haben, dass in der Bevölkerung für jeden einzelnen, gibt es Zahl der 1's insgesamt drei bis sechs fixiert sein. Der Crossover- und Mutationsoperator soll sicherstellen, dass die Lösung nicht zu viele Cluster (1's) aufweist, die "eingeschaltet" sind. Ich habe meine Crossover- und Mutationsfunktionen separat ausprobiert, bevor ich sie integrieren konnte, und sie scheinen gut zu funktionieren.
Idealerweise die Endlösung Anzahl von 1's + haben wird - = 1 von der Anfangspopulation, d.h, wenn ein Individuum drei 1's in seinem Chromosom hat, wird es am Ende mit dem Zufallsprinzip entweder zwei, drei oder vier 1's. Aber ich habe stattdessen diese Lösung, die zeigt, dass 12 Cluster (1's) "angeschaltet" sind, was bedeutet, dass die Crossover- und Mutationsoperatoren gut ausgegangen sind.
> sum([email protected]==1)
[1] 12
Das Problem hier ist reproduzierbar durch Kopieren des gesamten Codes. Wer mit dem GA-Paket vertraut ist, kann mir hier helfen?
[EDITED]
mit einem anderen Daten-Set Der Versuch iris, hat mich in den folgenden Fehler.(Geändert nur die Daten, blieb der Rest der Einstellungen)
0. Bibliotheken und Dataset
library(clusterSim) ## for index.DB()
library(GA) ## for ga()
## removed last column since it is a categorical data
dataset2 <- iris[-5]
set.seed(555)
> Error in kmeans(dataset2, centers = dataset2[x == 1, ]) :
initial centers are not distinct
Ich habe versucht, in die code suchen, und fand heraus, dieser Fehler verursacht wurde durch if(any(duplicated(centers))). Was würde es möglicherweise bedeuten?
können Sie Ihre Probe Anfangspopulation Daten gemeinsam nutzen? –
Es ist in der 'initial_population' Funktion, in der es eine 100 x 75 binäre Matrix zurückgibt. Ich bin nicht sicher, wie man mit dem ga-Paket darauf zugreifen kann, aber man kann es mit 'population <- t (replicate (100, {i <- Probe (3: 6, 1); Probe (c (rep (1, i), rep (0, 75 - i)))})) ' –
' k_max' und 'k_min'? –