Geatpy是一个高性能的Python遗传算法库以及开放式进化算法框架，由华南理工大学、华南农业大学、德州奥斯汀公立大学的学生联合团队开发。

它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、i-awGA、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。

关于遗传算法、进化算法的学习资料，在官网中https://www.geatpy.com (repairing)有详细讲解以及相关的学术论文链接。同时网上也有很多资料。

闲话少说……下面分享一下近几个星期以来的学习心得：

先说一下安装方法：

首先是要windows系统，Python要是3.5，3.6或3.7版本 ，并且安装了pip。只需在控制台执行

pip install geatpy

即可安装成功。或者到github上下载：https://github.com/geatpy-dev/geatpy 推荐是直接用pip的方式安装。因为这样有利于后续的更新。我为了方便运行demo代码以及查看源码和官方教程文档，因此另外在github上也下载了(但仍用pip方式安装)。

有些初学Python的读者反映还是不知道怎么安装，或者安装之后不知道怎么写代码。这里推荐安装Anaconda，它集成了Python的许多常用的运行库，比如Numpy、Scipy等。其内置的Spyder风格跟Matlab类似，给人熟悉的感觉，更容易上手。

再说一下更新方法：

(注意：项目改组后，Geatpy已于2018.09.20更新至1.0.6版本，新版本解决了一些版权问题。请及时更新。)

Geatpy在持续更新。可以通过以下命令使电脑上的版本与官方最新版保持一致：

pip install --upgrade geatpy

Geatpy提供2种方式实现遗传算法。先来讲一下第一种最基本的实现方式：编写编程脚本。

1. 编写脚本实现遗传算法：

用过谢菲尔德大学的Matlab遗传算法库Gatbx以及其升级版——GEATbx的朋友应该非常熟悉下面的Matlab脚本：

%% matlab_gatbx_test.m

%遗传算法求f(x)=x*sin(10*pi*x)+2.0,在[-1,2]上的最大值

figure(1);

fplot(@(variable)variable.*sin(10*pi*variable)+2.0,[-1,2]); %画出函数曲线

tic %开始计时

%定义遗传算法参数

NIND=40; %个体数目(Number of individuals)

MAXGEN=25; %最大遗传代数(Maximum number of generations)

PRECI=20; %变量的二进制位数(Precision of variables)

GGAP=0.9; %代沟(Generation gap)说明子代与父代的重复率为0.1

trace=zeros(MAXGEN,2); %寻优结果的初始值

FieldD=[20;-1;2;1;0;1;1]; %区域描述器(Build field descriptor),第2、3行为自变量的下界和上界

Chrom=crtbp(NIND, PRECI); %定义初始种群

gen=0; %代计数器

variable=bs2rv(Chrom, FieldD); %计算初始种群的十进制转换

ObjV=shang(variable); %计算目标函数值

while gen

FitnV=ranking(-ObjV); %分配适应度值(Assign fitness values)ranking函数的功能就是目标值越小的分配值越大，

%本例求解最大值，应该要是他的适应度值更大，故必须使得ranking内的数越小，这样分配的适应度值才能大

SelCh=select('sus', Chrom, FitnV, GGAP); %选择，使用sus方式，也可以改用rws方式

SelCh=recombin('xovsp', SelCh, 0.7); %重组，选用xovsp方式

SelCh=mut(SelCh); %变异

variable=bs2rv(SelCh, FieldD); %子代个体的十进制转换，把染色体变为十进制

ObjVSel=shang(variable); %计算子代的目标函数值

[Chrom ObjV]=reins(Chrom, SelCh, 1, 1, ObjV, ObjVSel); %重插入子代的新种群

variable=bs2rv(Chrom, FieldD); %子代个体的十进制转换，转为十进制

gen=gen+1; %代计数器增加

%输出最优解及其序号，并在目标函数图像中标出，Y为最优解,I为种群的序号

[Y, I]=max(ObjV);hold on;

plot(variable(I), Y, 'ro');

trace(gen,1)=max(ObjV); %遗传算法性能跟踪，把当代的最优值放入trace矩阵的第一行第目前代数列

trace(gen,2)=sum(ObjV)/length(ObjV); %把当代种群目标函数的均值，放入trace矩阵的第二行第目前代数列

end

variable=bs2rv(Chrom, FieldD); %最优个体的十进制转换，转回十进制，以便输出

result = max(trace(:,1)) %输出搜索到的目标函数最大值

toc %结束计时

hold on;

grid on;

plot(variable,ObjV,'b*');

figure(2);

plot(trace(:,1)); %把trace矩阵的第一列画出来(记录的是每一代的最优值)

hold on;

plot(trace(:,2),'-.');grid %把trace矩阵的第2列画出来(记录的是每一代种群目标函数均值)

legend('解的变化','种群均值的变化')

function z=shang(x) % 目标函数的核心部分(即缺省了优化目标的纯函数)

z=x.*sin(10*pi*x)+2.0;

end

这是在Matlab的gatbx工具箱下实现简单遗传算法搜索f(x)=x*sin(10*pi*x)+2.0,在[-1,2]上的最大值的脚本程序，运行结果如下：

result =

3.8500

时间已过 0.081932 秒。

再看一下在Geatpy上如何编写脚本：

"""demo.py"""

import numpy as np

import geatpy as ga # 导入geatpy库

import matplotlib.pyplot as plt

import time

"""============================目标函数============================"""

def aim(x): # 传入种群染色体矩阵解码后的基因表现型矩阵

return x * np.sin(10 * np.pi * x) + 2.0

x = np.linspace(-1, 2, 200)

plt.plot(x, aim(x)) # 绘制目标函数图像

start_time = time.time() # 开始计时

"""============================变量设置============================"""

x1 = [-1, 2] # 自变量范围

b1 = [1, 1] # 自变量边界

codes = [1] # 变量的编码方式，2个变量均使用格雷编码

precisions =[5] # 变量的精度

scales = [0] # 采用算术刻度

ranges=np.vstack([x1]).T # 生成自变量的范围矩阵

borders=np.vstack([b1]).T # 生成自变量的边界矩阵

"""========================遗传算法参数设置========================="""

NIND = 40; # 种群个体数目

MAXGEN = 25; # 最大遗传代数

GGAP = 0.9; # 代沟：说明子代与父代的重复率为0.1

"""=========================开始遗传算法进化========================"""

FieldD = ga.crtfld(ranges,borders,precisions,codes,scales) # 调用函数创建区域描述器

Lind = np.sum(FieldD[0, :]) # 计算编码后的染色体长度

Chrom = ga.crtbp(NIND, Lind) # 根据区域描述器生成二进制种群

variable = ga.bs2rv(Chrom, FieldD) #对初始种群进行解码

ObjV = aim(variable) # 计算初始种群个体的目标函数值

pop_trace = (np.zeros((MAXGEN, 2)) * np.nan) # 定义进化记录器，初始值为nan

ind_trace = (np.zeros((MAXGEN, Lind)) * np.nan) # 定义种群最优个体记录器，记录每一代最优个体的染色体，初始值为nan

# 开始进化！！

for gen in range(MAXGEN):

FitnV = ga.ranking(-ObjV) # 根据目标函数大小分配适应度值(由于遵循目标最小化约定，因此最大化问题要对目标函数值乘上-1)

SelCh=ga.selecting('sus', Chrom, FitnV, GGAP) # 选择

SelCh=ga.recombin('xovsp', SelCh, 0.7) # 重组(采用单点交叉方式，交叉概率为0.7)

SelCh=ga.mutbin(SelCh) # 二进制种群变异

variable = ga.bs2rv(SelCh, FieldD) # 对育种种群进行解码(二进制转十进制)

ObjVSel = aim(variable) # 求育种个体的目标函数值

[Chrom,ObjV] = ga.reins(Chrom,SelCh,SUBPOP,2,1,ObjV,ObjVSel) # 重插入得到新一代种群

# 记录

best_ind = np.argmax(ObjV) # 计算当代最优个体的序号

pop_trace[gen, 0] = ObjV[best_ind] # 记录当代种群最优个体目标函数值

pop_trace[gen, 1] = np.sum(ObjV) / ObjV.shape[0] # 记录当代种群的目标函数均值

ind_trace[gen, :] = Chrom[best_ind, :] # 记录当代种群最优个体的变量值

# 进化完成

end_time = time.time() # 结束计时

"""============================输出结果及绘图================================"""

print('目标函数最大值：',np.max(pop_trace[:, 0])) # 输出目标函数最大值

variable = ga.bs2rv(ind_trace, FieldD) # 解码得到表现型

print('用时：', end_time - start_time)

plt.plot(variable, aim(variable),'bo')

运行结果如下：

目标函数最大值： 3.850273756279405

用时： 0.0509946346282959

​

对比发现，Geatpy的运行效率要高于Matlab，而且结果较好。

对比Matlab代码和Python代码，我们会发现Geatpy提供风格极为相似的库函数，有Matlab相关编程经验的基本上可以无缝转移到Python上利用Geatpy进行遗传算法程序开发。

Geatpy提供了详尽的API文档，比如要查看上面代码中的"ranking"函数是干什么的，可以在python中执行

import geatpy as ga

help(ga.ranking)

即可看到"ranking"函数的相关使用方法。另外也可以参见github上面的文档：

另外官网上也有更多详尽的Geatpy教程，Geatpy官网http:www.geatpy.com将于九月初重新上线。

2. 利用框架实现遗传算法。

Geatpy提供开放的进化算法框架。即“函数接口”+“进化算法模板”。对于一些复杂的进化算法，如多目标进化优化、改进的遗传算法等，利用上面所说的编写脚本是非常麻烦的，改用框架的方法可以极大提高编程效率。

这里给出一个利用框架实现NSGA-II算法求多目标优化函数ZDT-1的帕累托前沿面的例子：

首先编写函数接口文件：

""" aimfuc.py """

# ZDT1

def aimfuc(Chrom):

ObjV1 = Chrom[:, 0]

gx = 1 + (9 / 29) * np.sum(Chrom[:, 1:30], 1)

hx = 1 - np.sqrt(ObjV1 / gx)

ObjV2 = gx * hx

return np.array([ObjV1, ObjV2]).T

然后编写脚本，使用Geatpy提供的nsga2算法的进化算法模板(nsga2_templet)：

"""main.py"""

import numpy as np

import geatpy as ga # 导入geatpy库

# 获取函数接口地址

AIM_M = __import__('aimfuc')

AIM_F = 'aimfuc'

"""============================变量设置============================"""

ranges = np.vstack([np.zeros((1,30)), np.ones((1,30))]) # 生成自变量的范围矩阵

borders = np.vstack([np.ones((1,30)), np.ones((1,30))]) # 生成自变量的边界矩阵

precisions = [4] * 30 # 自变量的编码精度

"""========================遗传算法参数设置========================="""

NIND = 25 # 种群规模

MAXGEN = 1000 # 最大遗传代数

GGAP = 1; # 代沟：子代与父代的重复率为(1-GGAP),由于后面使用NSGA2算法，因此该参数无用

selectStyle = 'tour' # 遗传算法的选择方式

recombinStyle = 'xovdprs' # 遗传算法的重组方式，设为两点交叉

recopt = 0.9 # 交叉概率

pm = 0.1 # 变异概率

SUBPOP = 1 # 设置种群数为1f

maxormin = 1 # 设置标记表明这是最小化目标

MAXSIZE = 1000 # 帕累托最优集最大个数

FieldDR = ga.crtfld(ranges, borders, precisions) # 生成区域描述器

"""=======================调用进化算法模板进行种群进化==================="""

# 得到帕累托最优解集NDSet以及解集对应的目标函数值NDSetObjV

[ObjV, NDSet, NDSetObjV, times] = ga.nsga2_templet(AIM_M, AIM_F, None, None, FieldDR, 'R', maxormin, MAXGEN, MAXSIZE, NIND, SUBPOP, GGAP, selectStyle, recombinStyle, recopt, pm, distribute = True, drawing = 1)

运行结果如下：

​

用时： 7.359716176986694 秒

帕累托前沿点个数： 479 个

单位时间找到帕累托前沿点个数： 65 个

可以改用q_sorted_templet快速非支配排序的多目标优化进化算法模板，可以得到更好的效率和更好的结果：

​

进化算法的核心算法逻辑是写在进化算法模板内部的，代码是开源的，我们可以参考Geatpy进化算法模板的源代码来自定义算法模板，以实现丰富多样的进化算法，如差分进化算法、改进的遗传算法等：

后面的博客将深入理解Geatpy的库函数用法，以及探讨框架的核心——进化算法模板的实现。还会讲一些使用Geatpy解决问题的案例。欢迎继续跟进~感谢！

下一篇：Python遗传和进化算法框架(二)Geatpy库函数和数据结构