进化计算框架DEAP介绍 |
您所在的位置：网站首页 › 进化计算包括哪些方法 › 进化计算框架DEAP介绍 |
进化计算框架DEAP介绍
|
DEAP 简介
DEAP （Distributed Evolutionary Algorithm in Python）是一个新颖的，便于快速原型开发和测试的进化计算框架。该框架试图使算法更明确，数据结构更透明。 DEAP包括如下特性： 可以用任何能想到数据组织方式构建遗传算法，譬如 列表，数组，集合，字典，树，Numpy数组等 进化策略（包括 CMA-ES） 多目标优化（NSGA-Ⅱ，NSGA-Ⅲ，SPEA2，MO-CMA-ES） 常见测试函数的Benckmark 大量示例代码 下载安装下载安装很简单，借助pip可以快速安装。 1pip install deap 使用摘要下面通过一个例子简要说明使用DEAP实现遗传算法的过程。考虑两个变量的非线性最优化求极大值问题。 \[\max f(x_1, x_2) = 21.5 + x_1 \sin(4 \pi x_1) + x_2 \sin(20 \pi x_2)\] s.t. \[-3.0 \leq x_1 \leq 12.1 \] \[4.1 \leq x_2 \leq 5.8\] 这是一个多峰值函数，其图像如下图所示。
使用DEAP框架实现GA之前，首先要确定问题的适合类型（是什么样的问题，最大问题，最小问题？单目标，多目标？数据如何组织，列表，还是字典？）这些都需在creator模块中实现。下面的代码中创建了一个单目标的最小化类FitnessMin和个体类Individual。 1234from deap import base,creatorcreator.create("FitnessMin", base.Fitness, weights=(-1.0,))creator.create("Individual", list, fitness=creator.FitnessMin)FitnessMin类的基类为base.Fitness，属性weights为目标的权重元组，此例中只有一个元素-1.0，负值表示优化方向为最小化，只有一个权重则表示目标为单目标。Individual类的基类为list，其fitness属性为刚刚定义的FitnessMin，因此Individual具备一些列表的属性和方法。 Initialization一旦生成了types，我们还需进一步对其初始化，即用随机值或给定值进行填充。初始化时首先要确定个体的编码方式，本例采用二进制编码。假定要求的精读为小数点后5位，则\(x_1\)需用18位二进制表示，\(x_2\)需用15位二进制数表示。DEAP提供了简易的初始化方法。 123456789import randomfrom deap import tools# 个体用33位长度的二进制代码表示IND_SIZE = 33toolbox = base.Toolbox()toolbox.register("attribute", random.randint, 0, 1)toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attribute, n=IND_SIZE)toolbox.register("population", tools.initRepeat, list, toolbox.individual)上述代码中，IND_SIZE=10表示染色体长度为10。首先在toolbox中注册了方法attribute，attribute是注册名，注册内容是调用random.randint。因此可以这样理解，该方法相当于初始化染色体中的一个基因，该基因值通过random.randint(0,1)进行初始化，即为0-1随机变量。因此，直接运行toolbox.attribute就相当于运行random.randint(0,1)，会返回一个0-1随机数。 接着，定义了注册individual方法，注册内容为tools.initRepeat，这是一个deap中的初始化函数，其基本语法是initRepeat(container, func, n)，后面两个参数func和n表示函数func将被调用n次，而返回结果将会存贮在容器container中。本例中，将individual注册为：调用toolbox.attribute方法IND_SIZE次，并将结果存贮在Individual中（实质就是存储在列表中）。因此调用toolbox.individual就是初始化了一个个体（该个体只有一条染色体，染色体有10个基因位）。 很明显，最后一句就是注册population为初始化种群，种群的所有个体都存储在列表中。当然，此处没有指定参数n的取值，即没有指定种群规模，须在调用时指定。譬如，toolbox.population(n=50)即为初始化50个个体的种群 Operator种群初始化后，还需注册遗传算子，譬如交叉、变异等。DEAP的toolbox模块中定义了大量常见的交叉、变异、选择算子，可以直接注册使用。 1234567891011121314151617def decode(ind): x1 = int("".join(map(str,ind[:18])),2) x1 = -3.0 + x1 * (12.1 + 3.0)/ (2**18 - 1) x2 = int("".join(map(str,ind[18:])),2) x2= 4.1 + x2 * (5.8 - 4.1)/ (2**15 - 1) return x1, x2def evaluate(ind): x1, x2 = decode(ind) return 21.5+x1*math.sin(4*math.pi*x1)+x2*math.sin(20*math.pi*x2),toolbox.register("mate", tools.cxOnePoint)toolbox.register("mutate", tools.mutFlipBit, indpb=0.01)toolbox.register("select", tools.selTournament, tournsize=3)toolbox.register("evaluate", evaluate)上述代码中，首先定义了适应值函数evaluate，需要特别注意的是适应函数返回的结果必须为元组（只返回一个数值时，不要漏掉后面的逗号）。然后，分别注册了交叉、变异、选择和评估函数，前三者都是直接采用自带算子：单点交叉、反转变异和锦标赛选择。 Algorithms现在所有事情都准备好，我们可以遗传算法的迭代过程： 123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354def main(): pop = toolbox.population(n=100) CXPB, MUTPUB, NGEN = 0.25, 0.01,500 # Evaluate the entire population fitnesses =list(map(toolbox.evaluate, pop)) for ind, fit in zip(pop, fitnesses): ind.fitness.values = fit for g in range(NGEN): # Select the next generation individuals offspring = toolbox.select(pop, len(pop)) # Clone the selected individuals offspring = list(map(toolbox.clone, offspring)) # Apply crossover and mutation on the offspring for child1, child2 in zip(offspring[::2], offspring[1::2]): if random.random() < CXPB: toolbox.mate(child1, child2) del child1.fitness.values del child2.fitness.values for mutant in offspring: if random.random() < MUTPUB: toolbox.mutate(mutant) del mutant.fitness.values # Evaluate the individuals with an invalid fitness invalid_ind = [ind for ind in offspring if not ind.fitness.valid] fitnesses = list(map(toolbox.evaluate, invalid_ind)) for ind, fit in zip(invalid_ind, fitnesses): ind.fitness.values = fit # The population is entirely replaced by the offspring pop[:] = offspring # Gather all the fitnesses in one list and print the stats fits = [ind.fitness.values[0] for ind in pop] length = len(pop) mean = sum(fits) / length sum2 = sum(x*x for x in fits) std = abs(sum2 / length - mean**2)**0.5 print(" Min %s" % min(fits)) print(" Max %s" % max(fits)) print(" Avg %s" % mean) print(" Std %s" % std) print("-- End of evolution --") best_ind = tools.selBest(pop, 1)[0] print("Best individual is %f, %f" % decode(best_ind)) print(" best objetive is %f" % best_ind.fitness.values)上述遗传算法进化过程是标准的遗传算法，如果借助DEAP的algorithms模块，可以更简介。此外，借助Statistics模块可以更简单第地记录进化过程中的统计信息，并借助Python画图库matplotlib可以直观的展现出来。在后续更多的例子中，会介绍到更多相关库的用法和例子。 上述例子的完整代码请见我的Github。 |
【本文地址】
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |