import numpy as np

class Individual:
    def __init__(self, genes):
        self.genes = genes
        self.fitness = None

def mutate(individual, mutation_rate):
    new_genes = individual.genes + np.random.normal(0, mutation_rate, len(individual.genes))
    return Individual(new_genes)

def evaluate_fitness(individual):
    # 適応度関数の実装
    return sum(individual.genes ** 2)  # 例: 球関数の最小化

def evolutionary_programming(population_size, num_generations, mutation_rate):
    population = [Individual(np.random.rand(10)) for _ in range(population_size)]
    
    for generation in range(num_generations):
        # 突然変異と評価
        offspring = [mutate(ind, mutation_rate) for ind in population]
        for ind in population + offspring:
            ind.fitness = evaluate_fitness(ind)
        
        # 選択
        population = sorted(population + offspring, key=lambda x: x.fitness)[:population_size]
    
    return population[0]  # 最良個体を返す

best_solution = evolutionary_programming(population_size=100, num_generations=1000, mutation_rate=0.1)
print(f"Best solution: {best_solution.genes}, Fitness: {best_solution.fitness}")

上記のコードは進化的プログラミングの基本的な実装例を示しています。個体クラスや突然変異関数、適応度評価関数、そしてメインの進化ループを含んでいます。この実装では10次元の実数値ベクトルを個体として表現し、球関数の最小化問題を解いています。

実際の問題に適用する際は、個体の表現方法や適応度関数を問題に合わせて設計する必要があります。また、突然変異率や集団サイズなどのパラメータは問題の性質や求める解の精度に応じて調整することが重要です。

おすすめのPython研修一覧

Python研修を提供しているおすすめの企業・法人を一覧で掲載しております。

Python研修の一覧を見る

おすすめのDX研修一覧

DX研修を提供しているおすすめの企業・法人を一覧で掲載しております。

DX研修の一覧を見る

おすすめのJava研修一覧

Java研修を提供しているおすすめの企業・法人を一覧で掲載しております。

Java研修の一覧を見る

おすすめのJavaScript研修一覧

JavaScript研修を提供しているおすすめの企業・法人を一覧で掲載しております。

JavaScript研修の一覧を見る

進化的プログラミングの最適化問題への適用

進化的プログラミングは複雑な最適化問題に対して効果的なアプローチを提供します。特に、多峰性の関数や非線形の制約条件を持つ問題に適しているのが特徴。たとえばナップサック問題や巡回セールスマン問題などの組合せ最適化問題にも応用できます。

import numpy as np

def knapsack_fitness(individual, weights, values, max_weight):
    total_weight = np.sum(individual * weights)
    if total_weight > max_weight:
        return 0  # 制約違反
    return np.sum(individual * values)

def mutate_knapsack(individual, mutation_rate):
    return np.where(np.random.rand(len(individual)) < mutation_rate, 1 - individual, individual)

def solve_knapsack(num_items, weights, values, max_weight, population_size, num_generations, mutation_rate):
    population = [np.random.randint(2, size=num_items) for _ in range(population_size)]
    
    for generation in range(num_generations):
        offspring = [mutate_knapsack(ind, mutation_rate) for ind in population]
        all_individuals = population + offspring
        fitness_values = [knapsack_fitness(ind, weights, values, max_weight) for ind in all_individuals]
        
        # 選択
        sorted_indices = np.argsort(fitness_values)[::-1]
        population = [all_individuals[i] for i in sorted_indices[:population_size]]
    
    best_solution = population[0]
    return best_solution, knapsack_fitness(best_solution, weights, values, max_weight)

# ナップサック問題の例
weights = np.array([10, 20, 30, 40, 50])
values = np.array([60, 100, 120, 180, 200])
max_weight = 100

solution, fitness = solve_knapsack(5, weights, values, max_weight, 50, 100, 0.1)
print(f"Best solution: {solution}, Total value: {fitness}")

このコードでは進化的プログラミングをナップサック問題に適用しています。各個体は二進数のベクトルとして表現され、1はアイテムを選択、0は選択しないことを示します。突然変異では各ビットを一定の確率で反転させます。適応度関数は重量制約を満たす場合の合計価値として定義されています。

最適化問題への適用では、問題の制約条件を適応度関数に組み込むことが重要です。また、局所解に陥るのを防ぐために多様性を維持する戦略（例：エリート保存戦略）を導入することも効果的でしょう。問題の特性に応じて交叉操作を導入するなど、アルゴリズムをカスタマイズすることも考えられます。

機械学習との組み合わせ手法

進化的プログラミングは機械学習の様々な側面で活用されています。特に、ニューラルネットワークの構造最適化やハイパーパラメータチューニングにおいて有効です。ネットワークの層数やノード数、活性化関数などを進化的に探索することで問題に適した効率的なモデルを自動的に設計できます。

import numpy as np
from sklearn.neural_network import MLPClassifier
from sklearn.model_selection import train_test_split
from sklearn.datasets import make_classification

def evaluate_nn(hidden_layer_sizes, X_train, y_train, X_test, y_test):
    model = MLPClassifier(hidden_layer_sizes=hidden_layer_sizes, max_iter=500)
    model.fit(X_train, y_train)
    return model.score(X_test, y_test)

def mutate_architecture(architecture, mutation_rate):
    new_architecture = []
    for neurons in architecture:
        if np.random.rand() < mutation_rate:
            new_neurons = max(1, neurons + np.random.randint(-10, 11))
        else:
            new_neurons = neurons
        new_architecture.append(new_neurons)
    
    if np.random.rand() < mutation_rate:
        if np.random.rand() < 0.5 and len(new_architecture) > 1:
            new_architecture.pop()
        else:
            new_architecture.append(np.random.randint(1, 101))
    
    return tuple(new_architecture)

def evolve_nn_architecture(X_train, y_train, X_test, y_test, population_size, num_generations, mutation_rate):
    population = [tuple(np.random.randint(1, 101, size=np.random.randint(1, 5))) for _ in range(population_size)]
    
    for generation in range(num_generations):
        offspring = [mutate_architecture(arch, mutation_rate) for arch in population]
        all_architectures = population + offspring
        fitness_values = [evaluate_nn(arch, X_train, y_train, X_test, y_test) for arch in all_architectures]
        
        sorted_indices = np.argsort(fitness_values)[::-1]
        population = [all_architectures[i] for i in sorted_indices[:population_size]]
    
    best_architecture = population[0]
    return best_architecture, evaluate_nn(best_architecture, X_train, y_train, X_test, y_test)

# データセットの生成と分割
X, y = make_classification(n_samples=1000, n_features=20, n_classes=2, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

best_architecture, best_score = evolve_nn_architecture(X_train, y_train, X_test, y_test, 20, 50, 0.2)
print(f"Best architecture: {best_architecture}, Test accuracy: {best_score}")

このコードでは進化的プログラミングを用いて、多層パーセプトロンの隠れ層の構造を最適化しています。各個体はニューラルネットワークの隠れ層のアーキテクチャを表現し、突然変異ではニューロン数の変更や層の追加・削除を行います。適応度はテストデータに対する分類精度として定義されています。

機械学習と進化的プログラミングの組み合わせは、自動機械学習（AutoML）の分野でも注目されています。モデル選択や特徴量選択、ハイパーパラメータチューニングなど機械学習パイプライン全体を最適化する手法として研究が進められています。この方法はドメイン知識が限られている場合や、高度な自動化が求められる場合に特に有効でしょう。

※上記コンテンツの内容やソースコードはAIで確認・デバッグしておりますが、間違いやエラー、脆弱性などがある場合は、コメントよりご報告いただけますと幸いです。