Algorithms

算法模块旨在包含一些特定的算法，以便执行非常常见的进化算法。这里使用的方法更多是为了方便而非参考，因为每个进化算法的实现可能会无限变化。本模块中的大多数算法使用工具箱中注册的运算符。通常，用于交叉的关键字是mate（），用于突变的关键字是mutate（），选择的关键字是select（），求值的关键字是evaluate（）。

鼓励编写自己的算法。

Complete Algorithms

这些是完全的装箱算法，在某种程度上局限于非常基本的进化计算概念。所有算法除了参数之外，还接受一个初始化的Statistics对象来维护进化的统计数据，一个初始化HallOfFame来保存种群中出现的最佳个体，以及一个布尔verbose来指定是否记录进化过程中发生的事情。

deap.algorithms。eaSimple（population，toolbox，cxpb，mutpb，ngen[，stats，halloffame，verbose]）

该算法接受一个群体，并使用varAnd（）方法将其进化到位。它返回优化的种群和包含进化统计信息的日志。日志将包含生成编号、每一代的评估数量以及统计数据（如果提供统计数据作为参数）。cxpb和mutpb参数传递给varAnd（）函数。伪代码如下所示

evaluate(population)
for g in range(ngen):population = select(population, len(population))offspring = varAnd(population, toolbox, cxpb, mutpb)evaluate(offspring)population = offspring

如上面的伪代码所述。首先，它评估具有无效适应度的个体。第二，它进入了迭代循环，在这个循环中，选择程序被用来完全取代父代。该算法的1:1替换比例要求选择过程是随机的，并且需要多次选择同一个个体，例如，selTournament（）和selRoulette（）。第三，它应用varAnd（）函数生成下一代种群。第四，它评估新的个体，并计算该群体的统计数据。最后，当ngen生成完成后，算法返回一个包含最终种群和进化日志的元组。

此函数要求在工具箱中注册toolbox.mate（）、toolbox.amute（）、toolbox.select（）和toolbox.avalate（）别名。

deap.algorithms.eaMuPlusLambda

(population, toolbox, mu, lambda_, cxpb, mutpb, ngen[, stats, halloffame, verbose])

这是（μ+λ）进化算法。

该算法接受一个群体，并使用varOr（）函数将其进化到位。它返回优化的种群和包含进化统计信息的日志。日志将包含生成编号、每一代的评估数量以及统计数据（如果提供统计数据作为参数）。cxpb和mutpb参数传递给varOr（）函数。伪代码如下所示

evaluate(population)
for g in range(ngen):offspring = varOr(population, toolbox, lambda_, cxpb, mutpb)evaluate(offspring)population = select(population + offspring, mu)

首先，对具有无效适应度的个体进行评估。第二，进化循环开始于从种群中产生lambda_后代，后代由varOr（）函数生成。然后对后代进行评估，并从后代和种群中选择下一代种群。最后，当ngen生成完成后，算法返回一个包含最终种群和进化日志的元组。

此函数要求在工具箱中注册toolbox.mate（）、toolbox.amute（）、toolbox.select（）和toolbox.avaluate（）别名。此算法使用varOr（）变量。

deap.algorithms.eaMuCommaLambda(population, toolbox, mu, lambda_, cxpb, mutpb, ngen[, stats, halloffame, verbose])

这是（μ，λ）进化算法。

该算法接受一个群体，并使用varOr（）函数将其进化到位。它返回优化的种群和包含进化统计信息的日志。日志将包含生成编号、每一代的评估数量以及统计数据（如果提供统计数据作为参数）。cxpb和mutpb参数传递给varOr（）函数。伪代码如下所示

evaluate(population)
for g in range(ngen):offspring = varOr(population, toolbox, lambda_, cxpb, mutpb)evaluate(offspring)population = select(offspring, mu)

deap.algorithms.eaGenerateUpdate(toolbox, ngen[, stats, halloffame, verbose])¶

This is algorithm implements the ask-tell model proposed in[Colette2010], where ask is called generate and tell is called update.

该算法使用toolbox.generate（）函数生成个体，并使用toolbox.update（）函数更新生成方法。它返回优化的种群和包含进化统计信息的日志。日志将包含生成编号、每一代的评估数量以及统计数据（如果提供统计数据作为参数）。伪代码如下所示

for g in range(ngen):population = toolbox.generate()evaluate(population)toolbox.update(population)

Variations

变体是算法的较小部分，可以单独用于构建更复杂的算法。

deap.algorithms.varAnd(population, toolbox, cxpb, mutpb)

进化算法的一部分，仅应用变异部分（交叉和变异）。修改后的个体的适应度无效。个体被克隆，因此返回的种群独立于输入种群。

变化如下。首先，使用toolbox.clone（）方法复制亲代群体Pp，并将结果放入后代群体Po中。在Po上执行第一个循环以配对成对的连续个体。根据交叉概率cxpb，使用toolbox.mate（）方法对个体xi和xi+1进行交配。由此产生的后代yi和yi+1取代了他们各自在Po的父母。在生成的Po上执行第二个循环，以概率mutpb对每个个体进行变异。当一个个体发生突变时，它会替换Po中未发生突变的版本。生成的Po返回。

这种变异被命名为And，因为它倾向于在个体身上同时应用交叉和突变。注意，这两种算子都没有系统地应用，生成的个体可以根据给定的概率从仅交叉、仅突变、交叉和突变以及繁殖中生成。两种概率都应在[0,1]内

deap.algorithms.varOr(population, toolbox, lambda_, cxpb, mutpb)

进化算法的一部分，只应用变异部分（交叉、变异或繁殖）。修改后的个体的适应度无效。个体被克隆，因此返回的种群独立于输入种群。

变化如下。在每个lambda迭代中，它选择三个操作中的一个；交叉、突变或繁殖。在交叉的情况下，从父母群体Pp中随机选择两个个体，使用toolbox.clone（）方法克隆这些个体，然后使用toolbox.mate（）方法交配。只有第一个孩子被附加到后代群体Po，第二个孩子被丢弃。在突变的情况下，从Pp中随机选择一个个体，克隆该个体，然后使用toolbox.amutate（）方法进行突变。产生的突变体被附加到Po上。在复制的情况下，从Pp中随机选择一个个体，克隆并附加到Po

.

这种变异被命名为“Or”，因为杂交和突变两种操作都不会产生后代。两种概率之和应为[0,1]

，繁殖概率为1-cxpb-mutpb。。