看完必会的 python DEAP遗传算法库讲解+实战（初级）

喜欢的话请关注我们的微信公众号~《 你好世界炼丹师》。

• 公众号主要讲统计学，数据科学，机器学习，深度学习，以及一些参加Kaggle竞赛的经验。
• 公众号内容建议作为课后的一些相关知识的补充，饭后甜点。
• 此外，为了不过多打扰，公众号每周推送一次，每次4~6篇精选文章。

微信搜索公众号：你好世界炼丹师。期待您的关注。

---

一个简单的遗传算法

我们来找这个函数的最大值：

• 该函数的最大值应该出现在处28.309，值为1657.423。
• 可以看到该函数有很多局部极值作为干扰项，如果进化算法过早收敛，很容易陷入某个局部最优。

我们用二进制编码来解决这样的问题

• 如果要求精度是六位的话，从-30到30，总共需要考虑$60\times 10^6$种情况。
• 所以编码长度为26

代码详细讲解

from deap import algorithms

random.seed(42) #确保可以复现结果
# 描述问题
# 我们要解决的是哪个多项式的最大值为题
# 而且编码用list来表示，遗传算法中的每一个个体是[1,0,1,1,1,1,0,0,...]这样的list
creator.create('FitnessMax', base.Fitness, weights=(1.0,)) # 单目标，最大值问题
creator.create('Individual', list, fitness = creator.FitnessMax) # 编码继承list类

# 个体编码
GENE_LENGTH = 26 # 需要26位编码
# creator上定义了目标问题和个体的表示方式list，然后再toolbox中进行注册。
# toolbox定义编码方式二进制，在toolbox中注册个体
toolbox = base.Toolbox()
toolbox.register('binary', bernoulli.rvs, 0.5) #注册一个Binary的alias，指向scipy.stats中的bernoulli.rvs，概率为0.5
toolbox.register('individual', tools.initRepeat, creator.Individual, toolbox.binary, n = GENE_LENGTH) #用tools.initRepeat生成长度为GENE_LENGTH的Individual

# 评价函数，求极大值的函数
def decode(individual):
    num = int(''.join([str(_) for _ in individual]), 2) # 解码到10进制
    x = -30 + num * 60 / (2**26 - 1) # 映射回-30，30区间
    return x

def eval(individual):
    x = decode(individual)
    return ((np.square(x) + x) * np.cos(2*x) + np.square(x) + x),

# 生成初始族群
# 之前在toolbox中注册了个体，现在重复个体，注册一个群体
N_POP = 100 # 族群中的个体数量
toolbox.register('population', tools.initRepeat, list, toolbox.individual)
pop = toolbox.population(n = N_POP)

# 在工具箱中注册遗传算法需要的工具
# 之后的交叉，重组，选择，突变也要一一在toolbox中注册
# 先注册评价函数，eval是之前定义的函数名字
# 定义选择配种人群的方式，这里采用的是锦标赛选择
# 然后重组采用的是均匀重组
# 然后选择一个突变的方式
toolbox.register('evaluate', eval)
toolbox.register('select', tools.selTournament, tournsize = 2) # 注册Tournsize为2的锦标赛选择
toolbox.register('mate', tools.cxUniform, indpb = 0.5) # 注意这里的indpb需要显示给出
toolbox.register('mutate', tools.mutFlipBit, indpb = 0.5)

# 注册计算过程中需要记录的数据
stats = tools.Statistics(key=lambda ind: ind.fitness.values)
stats.register("avg", np.mean)
stats.register("std", np.std)
stats.register("min", np.min)
stats.register("max", np.max)

# 调用DEAP内置的算法
# 这里采用简单进化算法，所以用了eaSimple
resultPop, logbook = algorithms.eaSimple(pop, toolbox, cxpb=0.5, mutpb=0.2, ngen=50, stats = stats, verbose = False)

# 输出计算过程
logbook.header = 'gen', 'nevals',"avg", "std", 'min', "max"
print(logbook)

如果还有不懂的问题，可以私信问我。欢迎交流