python 的 DEAP框架学习

学习DEAP框架，找到如下资源：
1.github源码：https://github.com/deap/deap
2.deap文档：http://deap.gel.ulaval.ca/doc/dev/index.html
3.deap初学者中文介绍：https://segmentfault.com/a/1190000004368689
4.一篇介绍deap的文章：http://www.doc88.com/p-0468915579195.html

1.翻译第一个地址的内容

DEAP是一个新颖的进化计算框架，用于快速原型设计和测试。它旨在使算法清楚和数据结构透明。 它可以在并行机制之间完美协调，例如多处理和SCOOP（简单并发性面向对象程序设计）。
DEAP包括以下特征：
（1）在遗传算法中可以使用任何你能想到的表示，例如：列表List，数组Array，集合Set，字典Dictionary，树Tree，Numpy Array等等。
（2）基因编程使用前缀树：Loosely typed, Strongly typed（理解为稀疏类型和紧凑类型）；自定义函数；
（3）进化策略（包括CMA-ES）：Covariance Matrix Adaptation Evolutionary Strategies的缩写，中文名称是协方差矩阵自适应进化策略
（4）多目标优化：包括NSGA-II, SPEA2, MO-CMA-ES；
（5）多种群（多人口）共同进化；
（6）评估的并行化（和更多）；
（7）名人堂，居住在人群中最好的人物；
（8）检查点定期拍摄系统的快照；
（9）基准模块包含最常用的测试功能；
（10）进化的家谱（与NetworkX兼容）
（11）其他算法的例子：PSO，差分演化，分布算法估计；

1.1下载

在Python社区接受PEP 438之后，我们已经将DEAP的源代码转移到了PyPI上。你可以在这个地址找到最近的发布内容：https://pypi.python.org/pypi/deap/.

1.2文档

查阅DEAP用户手册（http://deap.readthedocs.io/en/master/）找到相关文档。
为了获取提示文档，将目录更改为doc子文件夹并输入make html，文档将位于_build / html下。 您将需要Sphinx来构建文档。（这一部分内容需要下载这一页的源码，进行操作）

1.3 Notebooks（手册？）

还要检查我们的手册的例子。 使用IPython的手册功能，您可以单独导航和执行每个代码块，并告诉每一行都在做什么。或者，使用手册查看器链接在网页底部查看手册，或者下载手册，导航到您的下载目录并运行：

ipython notebook --pylab inline

1.4 安装

可以使用easy_install或者pip安装DEAP。其他的安装程序，如apt-get，yum等，通常安装的都是过时的版本。

pip install deap

最近的版本可以安装按照下面的命令：

pip install git+https://github.com/DEAP/deap@master

如果你希望可以编译源代码，可以先下载或者克隆源码，然后执行：

python setup.py install

1.5 编译状态

DEAP的构建（build）状态可以从这个地址获得： Travis-CI https://travis-ci.org/DEAP/deap

1.6 需要准备

DEAP最基本的特征是需要python2.6。为了能够连接工具箱和多线程模块，需要python2.7 支持pickle （等）部分功能。CMA-ES需要numpy，我们推荐matplotlib为了实现结果的可视化，因为这个模块可以兼容DEAP 的API。
自从DEAP 0.8 之后，开始兼容python 3。安装程序自从翻译源码到python 3。

1.7 示例

下面的代码可以快速学习使用DEAP的遗传算法实现Onemax问题优化。更多的实例在这里：http://deap.readthedocs.io/en/master/examples/index.html

import random
from deap import creator, base, tools, algorithms

creator.create("FitnessMax", base.Fitness, weights=(1.0,))
creator.create("Individual", list, fitness=creator.FitnessMax)

toolbox = base.Toolbox()

toolbox.register("attr_bool", random.randint, 0, 1)
toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attr_bool, n=100)
toolbox.register("population", tools.initRepeat, list, toolbox.individual)

def evalOneMax(individual):
    return sum(individual),

toolbox.register("evaluate", evalOneMax)
toolbox.register("mate", tools.cxTwoPoint)
toolbox.register("mutate", tools.mutFlipBit, indpb=0.05)
toolbox.register("select", tools.selTournament, tournsize=3)

population = toolbox.population(n=300)

NGEN=40
for gen in range(NGEN):
    offspring = algorithms.varAnd(population, toolbox, cxpb=0.5, mutpb=0.1)
    fits = toolbox.map(toolbox.evaluate, offspring)
    for fit, ind in zip(fits, offspring):
        ind.fitness.values = fit
    population = toolbox.select(offspring, k=len(population))
top10 = tools.selBest(population, k=10)