python geatpy,遗传算法的python代码
Geatpy是一个高性能、实用的Python遗传算法工具箱，提供了一个面向对象的进化算法框架。经过全面改版，目前Geatpy2新版本由华南农业大学、暨南大学、华南理工大学的本硕博学生联合团队开发维护。
Website (including documentation):http://www.geatpy.comDemo:https://github.com/geatpy-dev/geatpy/tree/master/geatpy/DemoPypi page:GEAT PY pypiContact us:AboutGEAT PYBug reports:issues . GEAT PY-dev/GEAT PY GitHubNotice:Announcement-GEAT PYFAQ:常见问题GEAT PY GEAT PY提供了许多遗传和进化算法相关算子的库函数，如，并提供了许多已实现的进化算法模板来实现多样化的进化算法。其执行效率高于一些知名的Matlab、Java、Python编写的工具箱、平台或框架，学习成本低，模块解耦度高，扩展性强。
Geatpy支持二进制/drddx码编码群体、实值群体、整数值群体和排列编码群体。支持轮盘赌轮盘选择，随机抽样和锦标赛选择。提供了重组算子，例如单点交叉、两点交叉、洗牌交叉、部分匹配交叉(PMX)、顺序交叉(OX)、线性重组、离散重组和中间重组。提供简单的离散变异、实值变异、整值变异、互换变异等变异算子。支持随机再插入和精英再插入。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通用进化算法模板。
关于遗传算法和进化算法的学习资料在https://www.geatpy.com有详细讲解，官方网站和相关学术论文有链接。同时网上也有很多资料。
废话少说.以下是安装和使用它的方法：
先说安装方法：
首先windows系统，Python版本3.5，3.6或者3.7，安装pip。只需在控制台执行它。
安装pip齿轮py可以成功安装。或者从github下载源代码进行编译安装：https://github.com/geatpy-dev/geatpy.建议直接用pip安装。因为方便后续更新。为了方便运行演示代码和查看源代码及官方教程文档，我也在github上下载了(不过还是用pip安装的)。
有些初学Python的读者还是不知道怎么安装，或者安装后不知道怎么写代码。这里推荐安装Anaconda，里面集成了很多Python常用的运行时库，比如Numpy，Scipy等。其内置的Spyder开发软件风格类似于Matlab，给人一种熟悉的感觉，更容易上手。
先说更新方法：
Geatpy持续更新。您可以通过以下命令使您计算机上的版本与最新的官方版本一致：
Pip-升级GEAT PY如果在更新过程中遇到- user 错误的问题，这是用PIP安装时遇到的常见问题之一。意味着您需要以管理员身份运行：
Pip-user-upgrade Geat Py Geat Py提供了两种使用进化算法解决问题的方法。先说第一个基础实现：写编程脚本。
1.编写脚本实现遗传算法：
以一个非常简单的单目标优化问题为例：求f(x)=x*sin(10*pi*x) 2.0在x[-1，2]上的最大值。
直接编写脚本，如下所示：
demo . py Import numpy as NP Import geat py as ea # Import the geat py lib importmatplotlib . py plot as PLT Import time =======================目标函数======================传入群体染色体矩阵解码后的基因表型矩阵return x * NP.sin (10 * NP.pi * x) 2.0x=NP.linspace (-1，2，200) PLT.plot (x，Aim(x)) #绘制目标函数图像 ================================================1]#自变量边界varTypes=np.array([0]) #自变量类型，0表示连续，1表示离散编码=BG # BG 表示二进制/drddx编码代码=[1] #变量编码方式，两个变量由drddx编码。 precisions=[4] #变量的编码精度scales=[0] #使用算术标度ranges=np.vstack([x1])。T #生成自变量的极差矩阵borders=np.vstack([b1])。T #生成自变量的边界矩阵 =====================遗传算法的参数设置=================================== nind #种群中的个体数MAXGEN=25#最大遗传代数fieldd=ea.crtfld (encoding，vartypes，ranges，borders，precision，codes，scales) #调用函数创建区域描述符Lind=int(np.sum(FieldD[0，))#计算编码的染色体长度obj _ trace=NP . zeros((maxgen，2)) #定义目标函数值记录器var _ trace=NP . zeros((maxgen，lind)) #定义染色体记录器， 记录每一代中最优秀个体的染色体 ====================启动遗传算法进化================================================ Start _ Lind)# 生成种群染色体矩阵variable=ea.bs2ri(Chrom，D) #解码初始种群ObjV=aim(variable) #计算初始种群中个体的目标函数值best_ind=np.argmax(ObjV) #计算当代最优秀个体的序号#开始进化为gen in range(MAXGEN):FitnV=ea . ranking(-ObjV)#根据目标函数的大小分配适应度值(因为遵循目标最小化约定， 最大化问题目标函数值要乘以-1)selch=chrom[ea . selecting( RWS ，fitnv，nine-1)，] # Select，采用 RWS 轮盘赌轮盘选择selch=ea。 recombun( XO VSP ，selch，0.7) #重组(采用两点杂交法，杂交概率为0.7) SelCh=ea.mutbin(编码，Sel) #二进制群体变异#结合父代与子代的精英个体chrom=NP . v stack([chrom[best _ ind，selch]) variable=ea.bs2ri (chrom，D) #解码繁殖群体(二进制到十进制)ObjV=aim(variable) #求繁殖个体的目标函数值#记录best_ind=npsum (objv)/nine #记录当代人口的平均目标函数obj _ trace [gen，1]=objv [best _ ind] #记录当代人口的最优个体目标函数值var _ trace [gen，]=chrom [best _ ind，] #记录当代种群中最优秀个体的变量值#进化完成end_time=time.time() #结束时间 ========================输出结果和图纸===================================Obj _ trace[best _ gen， 1]) #输出目标函数最大变量=ea.bs2ri (var _ trace [[best _ gen]，]，D) #解码得到表型print(对应的决策变量值为：)print(variable[0][0]) #因为这里的variable是一个矩阵，所以用[0][0]取出元素print (time:，end _ time-start _ time)PLT . plot(variable)AIM(variable)， bo) EA . TRC Plot (obj _ trace，[[种群个体平均目标函数值，种群个体最优目标函数值]])运行结果如下：
目标函数的最大值：3.3000000000001
相应的决策变量值为：
1.8505813776055176
时间：0.2000000000005
仔细看上面的代码，我们会发现Geatpy的写法和Matlab很像。有Matlab相关编程经验的基本可以无缝转移到Python来使用Geatpy进行遗传算法程序开发。
Geatpy提供了详细的API文档。例如，要查看上面代码中的‘ranking’函数是做什么的，可以在python中执行。
将gear py作为gahelp (ga。排名)以查看“排名”功能的相关用法。
此外，官网上还有更详细的Geatpy教程：DocumentationGEAT PY。
2.用框架实现遗传算法。
Geatpy提供了一个开放的面向对象的进化算法框架。即“问题类”和“进化算法模板类种群类”。对于一些复杂的进化算法，如多目标进化优化、改进遗传算法等。按照上面写脚本代码很麻烦，框架方法可以大大提高编程效率。
这里给出一个用NSGA-算法求解多目标优化函数ZDT-1的gxdxlc前沿的例子：
第一步：首先编写ZDT1的问题类，写在“MyProblem.py”文件中：
#-*-编码：UTF-8-*- my problem . py import numpy as NP import geat py as ea class my problem(ea . problem):#继承问题的父类def __init__(self)。name=ZDT1 #初始化名称(函数名，可以随意设置)M=2 #初始化M(目标维度)maxormins=[1] * M #初始化maxormins(目标最小最大化标记列表，1:最小化目标；-1:最大化这个目标)Dim=30 # initialize Dim(决策变量的维数)varTypes=[0]* Dim # initialize varTypes(决策变量的类型，0:实数；1: integer) lb=[0] * Dim #决策变量下界ub=[1] * Dim #决策变量上界lbin=[1] * Dim #决策变量下界ubin=[1] * Dim #决策变量上界#调用父类构造方法完成实例化ea . problem . _ _ init _ _(self _ _(Name，m，maxormins，Dim，vartypes，lb，ub，lbin，ubin) def aim func (self，pop): #目标函数Vars=pop。Phen #获取决策变量矩阵ObjV1=Vars[:0] gx=1 9 * np.mean(Vars[:1:30]，1)hx=1-NP . sqrt(obj v1/GX)obj v2=GX * hx pop。ObjV=np.array([ObjV1，Obv2])。T #将结果赋值给ObjV def calReferObjV(self): #计算全局最优解作为目标函数参考值N=10000 #生成10000个参考点ObjV1=np.linspace(0，1，N)obj v2=1-NP . sqrt(obj v1)globalbestobjv=NP . array([obj v1，objv2])。treturn globalbestobjv在上面的代码中，question类的构造函数__init__()用于定义一些与ZDT1试题相关的参数，比如决策变量的范围、类型、边界等。AimFunc()是要优化的目标函数。CalReferObjV()用于计算理论的全局最优解。这个理论上的最优解可以通过计算或者从外部文件导入数据得到。如果要解决的问题没有或者不知道理论最优解是什么，这个calReferObjV()函数可以省略，不写。
第二步：在同一个文件夹中编写执行脚本，实例化上述问题类的对象，然后调用Geatpy提供的nsga2算法的进化算法模板(MOEA _ nsga2 _ template)，最后通过计算GD、IGD、HV等指标结合理论全局最优解PF(俗称“实前沿点”)分析优化效果：
#-*-编码：utf-8-*-import geart py as ea # import geart py from my problem import my problem if _ _ name _ _= _ _ main _ :problem=my problem()# Generate problem object # The algorithm algorithm=ea。moea _ nsga2 _ template(问题，ea。种群(编码= ri ，nind=50)，maxgen=200，#最大进化代数。LogTras=1) #表示记录多少代日志信息，0表示不记录。# Solve res=ea.optimize(算法，verbose=true，drawing=1，output msg=true，drawlog=false，saveflag=false，dirname= result )。运行结果如下：
在上面的代码中已经对每个过程做了详细的注释。其中进化算法的核心逻辑写在进化算法的模板里，可以查看相应的源代码。此外，我们还可以参考Geatpy进化算法模板的源代码，定制算法模板，实现多种进化算法，如各种改进的进化算法等。
最后，值得注意的是，目标函数aimFunc()是最容易写错的地方。aimFunc()的输入参数pop是一个population对象(对于population对象，可以查看工具箱中Population.py类的源代码，或者查看Geatpy的数据结构)。同IPhen是群体的表型矩阵，意思是群体的染色体解码得到的表型矩阵，它对应的是问题类中的决策变量。Phen是一个矩阵，每一行对应群体中一个个体的表型。在计算目标函数的时候，可以将这个Phen拆分成行，也就是逐个计算目标函数值，然后拼成一个矩阵，赋给pop对象的ObjV属性。还可以用Numpy的矩阵计算，一口气算出种群中所有个体的目标函数值。无论采用哪种计算方法，最终的目标函数值都要保存在pop对象的ObjV属性中，也就是“人口目标函数值矩阵”。每行对应一个个体的所有目标函数值，每列对应一个目标。例如：
这意味着群体中有3个个体和2个待优化的目标。
下面的博客将深入了解Geatpy的数据结构，进化算法框架的使用和扩展，并讨论框架的核心————进化算法模板的实现。我们还会讲一些使用Geatpy解决问题的案例。欢迎跟进~谢谢！
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。