geatpy - 遗传和进化算法相关算子的库函数（python）

Geatpy

The Genetic and Evolutionary Algorithm Toolbox for Python

Introduction

• Website (including documentation): http://www.geatpy.com
• Tutorial pdf: https://github.com/geatpy-dev/geatpy/tree/master/geatpy/doc/Geatpy-tutorials   （推荐看！）
• Demo : https://github.com/geatpy-dev/geatpy/tree/master/geatpy/demo
• Pypi page : https://pypi.org/project/geatpy/
• Contact us: http://www.geatpy.com/support
• Source code: https://github.com/geatpy-dev/geatpy/tree/master/geatpy/source-code
• Bug reports: https://github.com/geatpy-dev/geatpy/issues
• Franchised blog: https://blog.csdn.net/qq_33353186
• github：https://github.com/geatpy-dev/geatpy

推荐一个博客：https://blog.csdn.net/qq_33353186 写的很详细！！

Geatpy提供了许多已实现的遗传和进化算法相关算子的库函数，如初始化种群、选择、交叉、变异、重插入、多种群迁移、多目标优化非支配排序等，并且提供开放式的进化算法框架来实现多样化的进化算法。其执行效率高于Matlab遗传算法工具箱和Matlab第三方遗传算法工具箱Gaot、gatbx、GEATbx，学习成本低。

Geatpy支持二进制/格雷码编码种群、实数值种群、整数值种群、排列编码种群。支持轮盘赌选择、随机抽样选择、锦标赛选择。提供单点交叉、两点交叉、洗牌交叉、部分匹配交叉(PMX)、线性重组、离散重组、中间重组等重组算子。提供简单离散变异、实数值变异、整数值变异、互换变异等变异算子。支持随机重插入、精英重插入。支持awGA、rwGA、nsga2、快速非支配排序等多目标优化的库函数、提供进化算法框架下的常用进化算法模板等。

 

看了tutorials之后，我选择了sga_new_code_templet 这个模板库

输入的控制变量可以自己选择是实数或整数（后面会提到这个参数）。以下面的例子为例，Phen为传入的控制变量矩阵，它本身不需要定义具体数值。因为自变量的范围在main.py里会定义。

 -*- coding: utf-8 -*-
"""
aimfc.py - 目标函数demo
描述:
Geatpy的目标函数遵循本案例的定义方法， 传入种群表现型矩阵Phen， 以及可行性
列向量LegV
若没有约束条件， 也需要返回LegV（种群个体的可行性列向量，若未定义惩罚函数，则可以不定义）
若要改变目标函数的输入参数、 输出参数的格式， 则需要修改或自定义算法模板
"""
import numpy as np
def aimfuc(Phen, LegV):
x1 = Phen[:, [0]]
x2 = Phen[:, [1]]
f = 21.5 + x1 * np.sin(4 * np.pi * x1) + x2 * np.sin(20 * np.pi *
x2)
return [f, LegV]
# -*- coding: utf-8 -*-
"""
执行脚本main.py
描述：
该demo是展示如何计算无约束的单目标优化问题
本案例通过调用sga_new_code_templet算法模板来解决该问题
其中目标函数写在aimfuc.py文件中
本案例调用了“sga_new_code_templet” 这个算法模板， 其详细用法可利用help命
令查看， 或是在github下载并查看源码
调用算法模板时可以设置drawing=2， 此时算法模板将在种群进化过程中绘制动画，
但注意执行前要在Python控制台执行命令matplotlib qt5。
"""
import numpy as np
import geatpy as ga
# 获取函数接口地址
AIM_M = __import__('aimfuc')
# 变量设置
x1 = [-3, 12.1] # 自变量1的范围
x2 = [4.1, 5.8] # 自变量2的范围
b1 = [1, 1] # 自变量1是否包含下界和上界（0：不包括，1：包括）
b2 = [1, 1] # 自变量2是否包含上界
codes = [0, 0] # 自变量的编码方式， 0表示采用标准二进制编码
precisions = [4, 4] #自变量的精度(精度不宜设置太高， 否则影响搜索性能和效果)
scales = [0, 0] # 是否采用对数刻度
ranges=np.vstack([x1, x2]).T # 生成自变量的范围矩阵
borders = np.vstack([b1, b2]).T # 生成自变量的边界矩阵
# 生成区域描述器
FieldD = ga.crtfld(ranges, borders, precisions, codes, scales)
# 调用编程模板
[pop_trace, var_trace, times] = ga.sga_new_code_templet(AIM_M,
'aimfuc', None, None, FieldD, problem = 'R', maxormin = -1, MAXGEN
= 1000, NIND = 100, SUBPOP = 1, GGAP = 0.8, selectStyle = 'sus',
recombinStyle = 'xovdp', recopt = None, pm = None, distribute =
True, drawing = 1)

在github上找到这个模板的代码如下：

https://github.com/geatpy-dev/geatpy/blob/master/geatpy/source-code/templets/sga_new_code_templet.py

它的一些参数，里面有定义，可以在main.py里修改。

本模板实现改进单目标编程模板(二进制/格雷编码)，将父子两代合并进行选择，增加了精英保留机制
语法：
    该函数除了参数drawing外，不设置可缺省参数。当某个参数需要缺省时，在调用函数时传入None即可。
    比如当没有罚函数时，则在调用编程模板时将第3、4个参数设置为None即可，如：
    sga_new_code_templet(AIM_M, 'aimfuc', None, None, ..., maxormin)
输入参数：
    AIM_M - 目标函数的地址，由AIM_M = __import__('目标函数所在文件名')语句得到
            目标函数规范定义：[f,LegV] = aimfuc(Phen,LegV)
            其中Phen是种群的表现型矩阵, LegV为种群的可行性列向量,f为种群的目标函数值矩阵

    AIM_F : str - 目标函数名

    PUN_M - 罚函数的地址，由PUN_M = __import__('罚函数所在文件名')语句得到
            罚函数规范定义： newFitnV = punishing(LegV, FitnV)
            其中LegV为种群的可行性列向量, FitnV为种群个体适应度列向量
            一般在罚函数中对LegV为0的个体进行适应度惩罚，返回修改后的适应度列向量newFitnV

    PUN_F : str - 罚函数名

    FieldD : array  - 二进制/格雷码种群区域描述器，
        描述种群每个个体的染色体长度和如何解码的矩阵，它有以下结构:

        [lens;        (int) 每个控制变量编码后在染色体中所占的长度
         lb;        (float) 指明每个变量使用的下界
         ub;        (float) 指明每个变量使用的上界
         codes;    (0:binary     | 1:gray) 指明子串是怎么编码的,
                                          0为标准二进制编码,1为各类编码
         scales;  (0: rithmetic | 1:logarithmic) 指明每个子串是否使用对数或算术刻度,
                                                 1为使用对数刻度，2为使用算术刻度
         lbin;        (0:excluded   | 1:included)
         ubin]        (0:excluded   | 1:included)

        lbin和ubin指明范围中是否包含每个边界。
        选择lbin=0或ubin=0,表示范围中不包含相应边界。
        选择lbin=1或ubin=1,表示范围中包含相应边界。

    problem : str - 表明是整数问题还是实数问题，'I'表示是整数问题，'R'表示是实数问题               

    maxormin int - 最小最大化标记，1表示目标函数最小化；-1表示目标函数最大化

    MAXGEN : int - 最大遗传代数

    NIND : int - 种群规模，即种群中包含多少个个体

    SUBPOP : int - 子种群数量，即对一个种群划分多少个子种群

    GGAP : float - 代沟，本模板中该参数为无用参数，仅为了兼容同类的其他模板而设

    selectStyle : str - 指代所采用的低级选择算子的名称，如'rws'(轮盘赌选择算子)

    recombinStyle: str - 指代所采用的低级重组算子的名称，如'xovsp'(单点交叉)

    recopt : float - 交叉概率

    distribute : bool - 是否增强种群的分布性（可能会造成收敛慢）

    pm : float - 重组概率

    drawing : int - (可选参数)，0表示不绘图，1表示绘制最终结果图。默认drawing为1
输出参数：
    pop_trace : array - 种群进化记录器(进化追踪器),
                        第0列记录着各代种群最优个体的目标函数值
                        第1列记录着各代种群的适应度均值
                        第2列记录着各代种群最优个体的适应度值

    var_trace : array - 变量记录器，记录着各代种群最优个体的变量值，每一列对应一个控制变量

    times     : float - 进化所用时间
模板使用注意：
    1.本模板调用的目标函数形如：[ObjV,LegV] = aimfuc(Phen,LegV),
      其中Phen表示种群的表现型矩阵, LegV为种群的可行性列向量(详见Geatpy数据结构)
    2.本模板调用的罚函数形如: newFitnV = punishing(LegV, FitnV),
      其中FitnV为用其他算法求得的适应度
    若不符合上述规范，则请修改算法模板或自定义新算法模板
    3.关于'maxormin': geatpy的内核函数全是遵循“最小化目标”的约定的，即目标函数值越小越好。
      当需要优化最大化的目标时，需要设置'maxormin'为-1。
      本算法模板是正确使用'maxormin'的典型范例，其具体用法如下：
      当调用的函数传入参数包含与“目标函数值矩阵”有关的参数(如ObjV,ObjVSel,NDSetObjV等)时，
      查看该函数的参考资料(可用'help'命令查看，也可到官网上查看相应的教程)，
      里面若要求传入前对参数乘上'maxormin',则需要乘上。
      里面若要求对返回参数乘上'maxormin'进行还原，
      则调用函数返回得到的相应参数需要乘上'maxormin'进行还原，否则其正负号就会被改变。
"""

最后，实验室师兄一开始给我安利了 Jmetal 这个库（Java和Python两个版本），下面是文档网站链接，也可以在github上找到源码，然后安装。但是文档写的实在是不清晰，搞得我对它定义得参数一头雾水。后面就放弃用它了。

https://jmetalpy.readthedocs.io/en/latest/examples/ea.html#moea-d

最近看论文发现有作者用的是pymoo这个库和 pymop : This framework provides a collection of test problems in Python.

据说deap这个遗传算法库也不错，不过我没用过 :)