利用深度学习模型基于遗传算法（GA）寻求最优解

深度学习模型的训练前面的文章已经记录过，深度学习-LSTM预测未来值，训练好后的模型如何使用呢？其中一个用途就是用来寻求最优解，优化算法的种类也有很多，本文选用比较经典的遗传算法。

遗传算法（GA)：遗传算法具有良好的全局搜索能力，可以快速地将解空间中的全体解搜索出，而不会陷入局部最优解的快速下降陷阱；并且利用它的内在并行性，可以方便地进行分布式计算，加快求解速度。但是遗传算法的局部搜索能力较差，导致单纯的遗传算法比较费时，在进化后期搜索效率较低。在实际应用中，遗传算法容易产生早熟收敛的问题。采用何种选择方法既要使优良个体得以保留，又要维持群体的多样性，一直是遗传算法中较难解决的问题。

粒子群算法（PSO）：具有相当快的逼近最优解的速度，可以有效的对系统的参数进行优化，PSO算法的优势在于求解一些连续函数的优化问题。最主要问题的是它容易产生早熟收敛（尤其是在处理复杂的多峰搜索问题中）、局部寻优能力较差等。PSO算法陷入局部最小，主要归咎于种群在搜索空间中多样性的丢失。

蚁群算法（ACO）：在求解性能上，具有很强的鲁棒性（对基本蚁群算法模型稍加修改，便可以应用于其他问题）和搜索较好解的能力。蚁群算法收敛速度慢、易陷入局部最优。蚁群算法中初始信息素匮乏。蚁群算法一般需要较长的搜索时间，其复杂度可以反映这一点；而且该方法容易出现停滞现象，即搜索进行到一定程度后，所有个体发现的解完全一致，不能对解空间进一步进行搜索，不利于发现更好的解。

还有模拟退火算法、鱼群算法、鲸鱼优化算法等，可以参考这篇粒子群、遗传、蚁群、模拟退火和鲸群算法优缺点比较。

整体的思路比较简单，就是将训练好的深度学习模型作为遗传算法的目标函数，关于如何训练存储深度学习模型，可以参考深度学习-LSTM预测未来值。

一、遗传算法的主要实现过程如下：

二、首先还是导入所需要的库，并定义一些人为设定的关键参数：

三、导入训练好的模型，我这里由于没有模型和代码不在同一个文件夹，修改了一下工作路径：

四、这里使用的方法中，没有编码部分，之所以要编码是因为要与十进制相对应，但实际上不编码依旧可以进行对应。例如，以十位二进制数来表示【-1，1】之间的数，十位二进制数对应十进制可以表示0-1023，那么可以把【-1，1】这个区间切割成1023份，一份表示2/1023，就可以精确表示【-1，1】之间的数了。举个例子，0000000011对应十进制为3，占3份，则它在【-1，1】中表示3*([1-(1)]/1023)=0.005865。即基因0000000011表示0.005865。参考：遗传算法详解 附python代码实现。依上述，则有如下代码：

五、交叉变异部分就是模仿生物学中的父代母代基因对下一代的遗传，以及可能出现的变异，可以参考：遗传算法关于多目标优化python（详解）。

代码：

六、 **最重要的部分：将适应度函数替换成深度学习模型。**小tips:因为根据适者生存规则在求最小值问题上，函数值越小的可能解对应的适应度应该越大，同时适应度也不能为负值，先将适应度减去最大预测值，将适应度可能取值区间压缩为[ n p . m i n ( p r e d ) ? n p . m a x ( p r e d ) , 0 ] [np.min(pred)-np.max(pred), 0][np.min(pred)?np.max(pred),0]，然后添加个负号将适应度变为正数，同理为了不出现0，最后在加上一个很小的正数。

根据适应度进行选择：

输出结果：

用遗传算法对训练好的深度学习的模型进行最优化求解，对工程上的最佳参数选择有很重要的意义，本文的核心部分是将遗传算法的目标函数替换成了深度学习模型。关于模型如何存储导入，tensorflow2.0版本以上的可以参考：tensorflow2.0。如果是tensorflow2.1版本遇到无法用model.save存储的问题，可能是因为版本文件的错误，可以参考：keras存储报错。关于如何训练模型可以参考：深度学习-LSTM预测未来值。