遗传算法框架deap简介与使用
遗传算法框架deap简介与使用
- deap框架介绍
- creator模块
-
- 创建适应度类
-
- 定义适应度策略
- 适应度存储方式
- 创建个体类
- Toolbox类
-
- 创建遗传算子
- 创建物种
- 计算适应度
- 使用deap框架解决OneMax问题
deap框架介绍
有许多用于遗传算法的Python框架——GAFT，DEAP，Pyevolve和PyGMO等。
deap（Distributed Evolutionary Algorithms in Python）框架支持使用遗传算法以及其他进化计算技术快速开发解决方案。DEAP提供了各种数据结构和工具，这些数据和工具在实现各种基于遗传算法的解决方案时必不可少。
creator模块
creator模块可以作为元工厂，能够通过添加新属性来扩展现有类。
例如，有一个名为Employee的类。使用creator工具，可以通过创建Developer类来扩展Employee类：
import deap import creator
creator.create("Developer",Employee,position="Developer",programmmingLanguage=set)
传递给create()函数的第一个参数是新类的名称。第二个参数是要扩展的现有类，接下来是使用其他参数定义新类的属性。如果为参数分配了一个类（例如dict或set），它将作为构造函数中初始化的实例属性添加到新类中。如果参数不是类（例如字符串），则将其添加为静态（static）属性。
因此，创建的Developer类将扩展Employee类，并将具有一个静态属性position，设置为"Developer"，以及一个实例属性，类型为set的programmingLanguages，该属性在构造函数中初始化。因此实际上等效于：
class Developer(Employee):
position = "Developer"
def __init__(self):
self.programmmingLanguage = set()
这个新类存在于creator模块中，因此需要引用时使用creator.Developer。
使用deap时，creator模块通常用于创建Fitness类以及Individual类。
创建适应度类
使用deap时，适应度封装在Fitness类中。在deap框架中适应度可以有多个组成部分，每个组成部分都有自己的权重（weights）。这些权重的组合定义了适合给定问题的行为或策略。
定义适应度策略
为了快速定义适应度策略，deap使用了抽象base.Fitness类，其中包含weights元组，以定义策略并使类可用。可以通过使用creator创建基础Fitness类的扩展来完成，类似于创建Developer类：
creator.create("FitnessMax",base.Fitness,weights=(1.0,))
这将产生一个creator.FitnessMax类，该类扩展了base.Fitness类，并将weights类属性初始化为(1.0,)值。Note. weights参数是一个元组。
FitnessMax类的策略是在遗传算法过程中最大化单目标解的适应度值。相反，如果有一个单目标问题，需要使适应度值最小的解，则可以使用以下定义来创建最小化策略：
creator.create("FitnessMin",base.Fitness,weights=(-1.0,))
还可以定义具有优化多个目标且重要性不同的策略：
creator.create("FitnessCompound",base.Fitness,weights=(1.0,0.2,-0.5))
这将产生一个creator.FitnessCompound类，它拥有三个不同的适应度组成部分。第一部分权重为1.0，第二部分权重为0.2，第三部分权重为-0.5。这将倾向于使第一和第二部分（或目标）最大化，而使第三部分（或目标）最小化。
适应度存储方式
虽然权重元组定义了适应度策略，但是一个对应的元组（称为values）用于将适应度值存储在base.Fitness类中。这些值是从单独定义的函数（通常称为evaluate()）获得的。就像weights元组一样，values元组存储每个适应度组件（对象）值。
元组wvalues包含通过将values元组的每个分量与其weights元组的对应分量相乘而获得的加权值。只要得到了实例的适应度值，就会计算加权值并将其插入wvalues中。这些值用于个体之间的适应度的比较操作。
创建个体类
在deap中，creator工具的第二个常见用途是定义构成遗传算法种群的个体。遗传算法中的个体使用可以由遗传算子操纵的染色体来表示，通过扩展表示染色体的基类来创建“Individual”类。另外，DEAP中的每个个体实例都需要包含其适应度函数作为属性。
为了满足这两个要求，利用creator来创建creator.Individual类：
creator.create("Individual",list,fitness=creator.FitnessMax)
该代码片段具有以下两个效果：
- 创建的Individual类扩展了Python的
list类。这意味着使用的染色体是列表类型。 - 创建的Individual类的每个实例将具有之前创建的FitnessMax属性。
Toolbox类
deap框架提供的第二种高效创建遗传算法的机制是base.Toolbox类。Toolbox用作函数（或操作）的容器，能够通过别名机制和自定义现有函数来创建新的运算符。
假设有一个函数sumOfTwo()：
def sumOfTwo(a,b):
return a + b
使用toolbox，可以创建一个新的运算，incrementByFive()，该运算符利用sumOfTwo()函数创建：
import base
toolbox = base.Toolbox()
toolbox.register("incrementByFive",sumOfTwo,b=5)
传递给register()函数的第一个参数是新运算符所需的名称（或别名）。第二个参数是被定制的现有函数。创建完成后，每当调用新运算符时，其他参数都会自动传递给创建的函数，如：
toolbox.incrementByFive(10)
等效于：
sumOfTwo(10, 5)
这是因为b的参数已由incrementByFive运算符定义为5。
创建遗传算子
为了快速构建遗传流程，可以使用Toolbox类定制tools模块的现有函数。tools模块包含许多便捷的函数，这些函数包括选择、交叉和变异的遗传算子以及程序的初始化等。
例如，以下代码定义了三个别名函数，用作遗传算子：
from deap import tools
toolbox.register("select", tools.selTournament, tournsize=3)
toolbox.register("mate", tools.cxTwoPoint)
toolbox.register("mutate", tools.mutFlipBit, indpb=0.02)
这三个别名函数的详细说明：
- select注册为tools函数
selTournament()的别名，且tournsize参数设置为3。这将创建一个toolbox.select运算符，用于创建锦标赛规模为3的锦标赛选择算子。 - mate注册为tools函数
cxTwoPoint()的别名。这将创建执行两点交叉的toolbox.mate算子。 - mutate注册为tools函数
mutFlipBit()的别名，并将indpb参数设置为0.02，这将创建一个翻转每个特征的概率为0.02的位翻转突变算子。
tools模块提供了各种遗传算子的实现，以下列示常用遗传算子的实现函数。
选择算子主要包括：
selRoulette() #轮盘选择
selStochasticUniversalSampling()#随机遍历采样（SUS）
selTournament()#锦标赛选择
交叉算子主要包括：
cxOnePoint() #单点交叉
cxUniform() #均匀交叉
cxOrdered() #有序交叉
cxPartialyMatched() #实现部分匹配交叉
突变算子主要包括：
mutFlipBit() #位翻转突变
mutGaussian() #正态分布突变
创建物种
工具模块的init.py文件包含用于创建和初始化遗传算法的函数，其中包括initRepeat()，它接受三个参数：
- 要放置结果对象的容器类型
- 用于生成将放入容器的对象的函数
- 要生成的对象数
如：
#产生含有30个随机数的列表，这些随机数介于0和1之间
randomList = tools.initRepeat(list,random.random,30)
此示例中，list是用作要填充的容器的类型，random.random是生成器函数，而30是调用生成器函数以生成填充容器的值的次数。
如果想用0或1的整数随机数填充列表，则可以创建一个使用random.radint()生成随机值0或1的函数，然后将其用作initRepeat()的生成器函数：
def zeroOrOne():
return random.randint(0,1)
randomList = tools.initRepeat(list,zeroOrOne,30)
或者，可以利用Toolbox：
#创建zeroOrOne运算符,使用参数0、1调用random.radint()
toolbox.register("zeroOrOne",random.randint,0,1)
randomList = tools.initRepeat(list,tools.zeroOrOne,30)
计算适应度
虽然Fitness类定义了确定其策略（例如最大化或最小化）的适应度权重，但实际的适应度是从单独定义的函数中获得的。该适应度计算函数通常使用别名evalidate来注册到Toolbox模块中：
def someFitnessCalculationFunction(individual):
"""算给定个体的适应度"""
return _some_calculation_of_of_the_fitness(individual)
#将evaluate注册为someFitnessCalculationFunction()的别名
toolbox.register("evaluate",someFitnessCalculationFunction)
使用deap框架解决OneMax问题
采用deap框架实现遗传算法的Hello world——OneMax问题，代码实现链接。