我该怎么做像numpy where2darray == 0，1darray，1darray

问题描述

我正在为遗传算法开发一个变异函数，但是我对numpy还是很陌生。

默认的突变方法如下：

whereMutate = np.random.rand(np.shape(population)[0],np.shape(population)[1])
population[np.where(whereMutate < self.mutationProb)] = 1 - population[np.where(whereMutate < self.mutationProb)]

默认的mutationprob设置为1 /染色体长度。种群每行包含不同的染色体，染色体长561，在每个位置都有0或1。

我试图做的是基于该染色体的0s和1s的频率来设置突变的概率，这样当1s很少的染色体发生突变时，将0转换为1的可能性就很高。就是相反。

目前我有这样的东西：

mProbOne = 0.5/np.count_nonzero(population,axis=1)
mProbZero = 0.5/np.count_nonzero(population == 0,axis=1)
probs = np.where(population == 0,mProbZero,mProbOne)
# Something like the above ought to give me a 2d array 
# with probability of mutation for each position in the chromosome,# separately for each chromosome
whereMutate = np.random.rand(np.shape(population)[0],np.shape(population)[1]
population[np.where(whereMutate < probs)] = 1-population[np.where(whereMutate < self.mutationProb)]

对于固定突变概率的情况，最后两行与当前存在的两行相同。 我的问题是上面的第3行。 mProbZero和mProbOne是一维numpy数组。我得到一个

ValueError: operands could not be broadcast together with shapes (2,5) (2,) (2,)

跟进：以下代码似乎可以工作，尽管可能比必要多了四行...有什么办法可以更好地做到这一点？

mProbZero = 0.5/np.count_nonzero(population == 0,axis=1)
mProbOne = 0.5/np.count_nonzero(population,axis=1)
probs = np.zeros(np.shape(population))
probs[np.where(population == 0)] = mProbZero[np.where(population == 0)[0]]
probs[np.where(population == 1)] = mProbOne[np.where(population == 1)[0]]
whereMutate = np.random.rand(np.shape(population)[0],np.shape(population)[1])
population[np.where(whereMutate < self.mutationProb)] = 1 - population[np.where(whereMutate < self.mutationProb)]

解决方法

具有（2,1）值的（2,3）条件：

In [470]: np.where(np.array([[1,1],[0,1,1]]),np.array([['a'],['b']]),np.array([['c'],['d']]))    
Out[470]: 
array([['a','c','a'],['d','b','b']],dtype='<U1')

具有（3，）个值（通过广播的（1,3））：

In [471]: np.where(np.array([[1,np.array(['a','c']),np.array(['d','e','f']))    
Out[471]: 
array([['a','c'],'c']],dtype='<U1')

在两种情况下，结果形状都与条件的形状匹配。

,

我相信您正在使用二进制遗传算法。这意味着在您的突变中，您需要将1切换为0，将0切换为1。我不知道您的总体情况如何。 对于简单的方法，可以修改此代码。这里我使用选择随机位置，您可以更改为突变概率。

   def binary_mutation(parent1):
        posi = random.randint(0,len(parent1)-1)
        if parent1[posi] == 1:
            parent1[posi] = 0
        elif parent1[posi] == 0:
            parent1[posi] = 1
        return parent1