python遗传算法工具箱的使用_Python遗传算法框架——Geatpy学习笔记(一)
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
python遗传算法工具箱的使用_Python遗传算法框架——Geatpy学习笔记(一)相关推荐
- python的label是什么_Python标签说明,pythontkinter,学习,笔记,之,Label,部件
python tkinter学习笔记之Label部件 Label:安置在窗口上的部件,用来显示文本或图像 创建Label: l = tk.Label(window,text='你好!this is T ...
- python中parse是什么_python中的configparse学习笔记
configparse主要用于在python中进行配置文件的读取. 基本的读取配置文件: -read(filename) 直接读取ini文件内容 -sections() 得到所有的section,并以 ...
- python获取网页元素坐标_Python实战爬虫系统学习笔记一:解析网页中的元素
学习python编写爬虫第一天,学会如何解析本地网页 第1步:使用用Beautiful Soup解析网页 Soup = BeautifulSoup(wb_data,'lxml') 第2步:描述爬取信息 ...
- python 廖学峰教程_python廖雪峰教程 学习笔记
如何用字符来描述字符: \d匹配数字 digit \w匹配字母或数字 word \s可以匹配空格 space * 表示任意个字符, +表示至少一个字符 ?表示0个或1个字符, {n} 表示n个字符, ...
- Python语言入门这一篇就够了-学习笔记(十二万字)
Python语言入门这一篇就够了-学习笔记(十二万字) 友情提示:先关注收藏,再查看,12万字保姆级 Python语言从入门到精通教程. 文章目录 Python语言入门这一篇就够了-学习笔记(十二万字 ...
- 《Python核心编程(第3版)》学习笔记及书评
<Python核心编程(第3版)>学习笔记 文章目录 <Python核心编程(第3版)>学习笔记 写在前面 1. 正则表达式 1.1 常用语法 1.2 re模块 2. 网络编程 ...
- ssm 转发请求_千呼万唤!阿里内部终于把这份SSM框架技术学习笔记分享出来了...
SSM SSM(Spring+SpringMVC+MyBatis)框架集由Spring.MyBatis两个开源框架整合而成(SpringMVC是Spring中的部分内容).常作为数据源较简单的web项 ...
- php mvc 路由,PHP MVC框架路由学习笔记
文章主要介绍了PHP MVC框架路由学习笔记的相关资料,需要的朋友可以参考下. 提到PHP开发web,自然离不开开发框架,开发框架为我们提供了灵活的开发方式,MVC层分离,业务解耦等... 第一篇先来 ...
- 轻量级HTTP客户端框架—Forest学习笔记
轻量级HTTP客户端框架-Forest学习笔记 一.Forest 1.1 业务需求 一般情况下是后端提供接口,前端调用,解决需求,但是有的时候为了方便,复用别人的接口(网上的,公共的第三方接口(短信. ...
- 《Python地理空间分析指南 第2版》学习笔记-5.1 距离测量
第5章 Python与地理信息系统 本章主要学习Python处理矢量数据,包含以下内容: 距离测量 坐标转换 矢量数据重投影 Shapefile 文件编辑 海量数据过滤 专题地图创建 非GIS数据类型 ...
最新文章
- 2021年大数据ELK(十二):Elasticsearch编程(环境准备)
- Codeigniter 利用加密Key(密钥)的对象注入漏洞
- BZOJ 1260:[CQOI2007]涂色paint
- HTML5实现文件断点续传
- 【操作系统】操作系统的生成
- angularjs1.x版本,父子组件之间的双向绑定
- 话里话外:从信息系统两大特性理解信息化的实施难度
- shell基础之shell相关概念
- @EnableWebMVC注解理解
- 【知识图谱系列】知识图谱的神经符号逻辑推理
- Python笔记 之 矩阵元素选取
- kcp参数 android,Android上KCP协议的使用
- 去哪儿APP设计总结
- TCPClient代码
- adb 静默安装_GitHub - anricheng/jing_install: 静默安装与卸载
- 弘辽科技:淘宝开店类别怎么选择?淘宝开店如何选类目?
- netty-socketio+spring boot 长链接 实时通信 消息推送
- Launcher布局加载流程
- 为什么程序员用笛卡尔心形曲线告白的人,都还是单身?
- 【渗透实例】Fuzz大法好啊
热门文章
- UE4_下载源码并编译
- jdk api 1.8 中文版 下载
- unity visual effect Graph 1
- 基于数据库的代码自动生成工具,生成JavaBean、生成数据库文档、生成前后端代码等(v6.6.6版)
- php 排除前后空格,php去除字符串前后空格的方法
- [python]Python概述
- java2实用教程第五版耿祥义电子版_Java2实用教程(第5版)答案 耿祥义、张跃平
- UNIX环境高级编程学习之路
- 科沃斯扫地机器人橡胶配件_扫地机器人主要配件,扫地机器人配件详解
- VB.NET连接远程Oracle