Python遗传算法库、进化算法框架（一）Geatpy快速入门_python_weixin

Geatpy是一个Python遗传算法库以及开放式进化算法框架，由华南理工大学、华南农业大学、德州奥斯汀公立大学的学生组成的联合团队开发。

(转载自https://blog.csdn.net/qq_33353186/article/details/82014986)

Website (including documentation): https://www.geatpy.com (repairing)
Contact us: https://www.geatpy.com/supports
Source: https://github.com/geatpy-dev/geatpy
Bug reports: https://github.com/geatpy-dev/geatpy/issues

它提供了许多已实现的遗传和进化算法相关算子的库函数，如初始化种群、选择、交叉、变异、重插入、多种群迁移、多目标优化非支配排序等，并且提供开放式的进化算法框架来实现多样化的进化算法。

Geatpy支持二进制/格雷码编码种群、实数值种群、整数值种群、排列编码种群。支持轮盘赌选择、随机抽样选择、锦标赛选择。提供单点交叉、两点交叉、洗牌交叉、部分匹配交叉(PMX)、线性重组、离散重组、中间重组等重组算子。提供简单离散变异、实数值变异、整数值变异、互换变异等变异算子。支持随机重插入、精英重插入。支持awGA、rwGA、i-awGA、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常用进化算法编程模板等。

关于遗传算法、进化算法的学习资料，在官网中https://www.geatpy.com (repairing)有详细讲解以及相关的学术论文链接。同时网上也有很多资料。

闲话少说……下面分享一下近几个星期以来的学习心得：

先说一下安装方法：

首先是要windows系统，Python要是3.5，3.6或3.7版本，并且安装了pip。只需在控制台执行

pip install geatpy

即可安装成功。或者到github上下载：https://github.com/geatpy-dev/geatpy 个人是推荐在github上下载。因为这样可以看到源码以及相关的demo程序，如果通过pip下载的话还需要找demo文件的位置，有些麻烦。

Geatpy提供2种方式实现遗传算法。先来讲一下第一种最基本的实现方式：编写编程脚本。

1. 编写脚本实现遗传算法：

用过谢菲尔德大学的Matlab遗传算法库Gatbx以及其升级版——GEATbx的朋友应该非常熟悉下面的Matlab脚本：

%% matlab_gatbx_test.m

%遗传算法求f(x)=x*sin(10*pi*x)+2.0,在[-1,2]上的最大值
figure(1);
fplot(@(variable)variable.*sin(10*pi*variable)+2.0,[-1,2]);   %画出函数曲线
tic %开始计时
%定义遗传算法参数
NIND=40;        %个体数目(Number of individuals)
MAXGEN=25;      %最大遗传代数(Maximum number of generations)
PRECI=20;       %变量的二进制位数(Precision of variables)
GGAP=0.9;       %代沟(Generation gap)说明子代与父代的重复率为0.1
trace=zeros(MAXGEN,2);                        %寻优结果的初始值
FieldD=[20;-1;2;1;0;1;1];                      %区域描述器(Build field descriptor),第2、3行为自变量的下界和上界
Chrom=crtbp(NIND, PRECI);                      %定义初始种群
gen=0;                                         %代计数器
variable=bs2rv(Chrom, FieldD);                 %计算初始种群的十进制转换
ObjV=shang(variable);        %计算目标函数值
while gen<MAXGEN %进化MAXGEN代
   FitnV=ranking(-ObjV);                                  %分配适应度值(Assign fitness values)ranking函数的功能就是目标值越小的分配值越大，
                                                          %本例求解最大值，应该要是他的适应度值更大，故必须使得ranking内的数越小，这样分配的适应度值才能大
   SelCh=select('sus', Chrom, FitnV, GGAP);               %选择，使用sus方式，也可以改用rws方式
   SelCh=recombin('xovsp', SelCh, 0.7);                   %重组，选用xovsp方式
   SelCh=mut(SelCh);                                      %变异
   variable=bs2rv(SelCh, FieldD);                         %子代个体的十进制转换，把染色体变为十进制
   ObjVSel=shang(variable);             %计算子代的目标函数值
   [Chrom ObjV]=reins(Chrom, SelCh, 1, 1, ObjV, ObjVSel); %重插入子代的新种群
   variable=bs2rv(Chrom, FieldD);                         %子代个体的十进制转换，转为十进制
   gen=gen+1;                                             %代计数器增加
   %输出最优解及其序号，并在目标函数图像中标出，Y为最优解,I为种群的序号
   [Y, I]=max(ObjV);hold on;
   plot(variable(I), Y, 'ro');
   trace(gen,1)=max(ObjV);                                %遗传算法性能跟踪，把当代的最优值放入trace矩阵的第一行第目前代数列
   trace(gen,2)=sum(ObjV)/length(ObjV);                   %把当代种群目标函数的均值，放入trace矩阵的第二行第目前代数列
end
variable=bs2rv(Chrom, FieldD);                            %最优个体的十进制转换，转回十进制，以便输出
result = max(trace(:,1)) %输出搜索到的目标函数最大值
toc %结束计时
hold on;
grid on;
plot(variable,ObjV,'b*');
figure(2);
plot(trace(:,1)); %把trace矩阵的第一列画出来（记录的是每一代的最优值）
hold on;
plot(trace(:,2),'-.');grid %把trace矩阵的第2列画出来（记录的是每一代种群目标函数均值）
legend('解的变化','种群均值的变化')


function z=shang(x) % 目标函数的核心部分（即缺省了优化目标的纯函数）
    z=x.*sin(10*pi*x)+2.0;
end

这是在Matlab的gatbx工具箱下实现简单遗传算法搜索f(x)=x*sin(10*pi*x)+2.0,在[-1,2]上的最大值的脚本程序，运行结果如下：

result =

3.8500

时间已过 0.081932 秒。

再看一下在Geatpy上如何编写脚本：

"""demo.py"""
import numpy as np
import geatpy as ga # 导入geatpy库
import matplotlib.pyplot as plt
import time

"""============================目标函数============================"""
def aim(x):                    # 传入种群染色体矩阵解码后的基因表现型矩阵
    return x * np.sin(10 * np.pi * x) + 2.0
x = np.linspace(-1, 2, 200)
plt.plot(x, aim(x)) # 绘制目标函数图像
start_time = time.time()       # 开始计时
"""============================变量设置============================"""
x1 = [-1, 2]                   # 自变量范围
b1 = [1, 1]                    # 自变量边界
codes = [1]                    # 变量的编码方式，2个变量均使用格雷编码
precisions =[5]                # 变量的精度
scales = [0]                   # 采用算术刻度
ranges=np.vstack([x1]).T       # 生成自变量的范围矩阵
borders=np.vstack([b1]).T      # 生成自变量的边界矩阵
"""========================遗传算法参数设置========================="""
NIND = 40;                     # 种群个体数目
MAXGEN = 25;                   # 最大遗传代数
GGAP = 0.9;                    # 代沟：说明子代与父代的重复率为0.1                                      
"""=========================开始遗传算法进化========================"""
FieldD = ga.crtfld(ranges,borders,precisions,codes,scales) # 调用函数创建区域描述器
Lind = np.sum(FieldD[0, :])    # 计算编码后的染色体长度
Chrom = ga.crtbp(NIND, Lind)   # 根据区域描述器生成二进制种群
variable = ga.bs2rv(Chrom, FieldD) #对初始种群进行解码
ObjV = aim(variable)           # 计算初始种群个体的目标函数值
pop_trace = (np.zeros((MAXGEN, 2)) * np.nan) # 定义进化记录器，初始值为nan
ind_trace = (np.zeros((MAXGEN, Lind)) * np.nan) # 定义种群最优个体记录器，记录每一代最优个体的染色体，初始值为nan
# 开始进化！！
for gen in range(MAXGEN):
    FitnV = ga.ranking(-ObjV)  # 根据目标函数大小分配适应度值(由于遵循目标最小化约定，因此最大化问题要对目标函数值乘上-1)
    SelCh=ga.selecting('sus', Chrom, FitnV, GGAP) # 选择
    SelCh=ga.recombin('xovsp', SelCh, 0.7) # 重组(采用单点交叉方式，交叉概率为0.7)
    SelCh=ga.mutbin(SelCh) # 二进制种群变异
    variable = ga.bs2rv(SelCh, FieldD) # 对育种种群进行解码(二进制转十进制)
    ObjVSel = aim(variable) # 求育种个体的目标函数值
    [Chrom,ObjV] = ga.reins(Chrom,SelCh,SUBPOP,2,1,ObjV,ObjVSel) # 重插入得到新一代种群
    # 记录
    best_ind = np.argmax(ObjV) # 计算当代最优个体的序号
    pop_trace[gen, 0] = ObjV[best_ind] # 记录当代种群最优个体目标函数值
    pop_trace[gen, 1] = np.sum(ObjV) / ObjV.shape[0] # 记录当代种群的目标函数均值
    ind_trace[gen, :] = Chrom[best_ind, :] # 记录当代种群最优个体的变量值
# 进化完成
end_time = time.time() # 结束计时
"""============================输出结果及绘图================================"""
print('目标函数最大值：',np.max(pop_trace[:, 0])) # 输出目标函数最大值
variable = ga.bs2rv(ind_trace, FieldD) # 解码得到表现型
print('用时：', end_time - start_time)
plt.plot(variable, aim(variable),'bo')

运行结果如下：

目标函数最大值： 3.850273756279405
用时： 0.0509946346282959

对比发现，Geatpy的运行效率要高于Matlab，而且结果较好。

对比Matlab代码和Python代码，我们会发现Geatpy提供风格极为相似的库函数，有Matlab相关编程经验的基本上可以无缝转移到Python上利用Geatpy进行遗传算法程序开发。

2. 利用框架实现遗传算法。

Geatpy提供开放的进化算法框架。即“函数接口”+“编程模板”。对于一些复杂的进化算法，如多目标进化优化、改进的遗传算法等，利用上面所说的编写脚本是非常麻烦的，改用框架的方法可以极大提高编程效率。

这里给出一个利用框架实现NSGA-II算法求多目标优化函数ZDT-1的帕累托前沿面的例子：

首先编写函数接口文件：

""" aimfuc.py """

# ZDT1
def aimfuc(Chrom):
    ObjV1 = Chrom[:, 0]
    gx = 1 + (9 / 29) * np.sum(Chrom[:, 1:30], 1)
    hx = 1 - np.sqrt(ObjV1 / gx)
    ObjV2 = gx * hx
    return np.array([ObjV1, ObjV2]).T

然后编写脚本，使用Geatpy提供的nsga2算法的编程模板(nsga2_templet)：

"""sortedParetoGA_main.py"""
import numpy as np
import geatpy as ga # 导入geatpy库

# 获取函数接口地址
AIM_M = __import__('aimfuc')
AIM_F = 'aimfuc'
"""============================变量设置============================"""
ranges = np.vstack([np.zeros((1,30)), np.ones((1,30))]) # 生成自变量的范围矩阵
borders = np.vstack([np.ones((1,30)), np.ones((1,30))]) # 生成自变量的边界矩阵
precisions = [4] * 30                                   # 自变量的编码精度
"""========================遗传算法参数设置========================="""
NIND = 25                 # 种群规模
MAXGEN = 1000             # 最大遗传代数
GGAP = 1;                 # 代沟
selectStyle = 'tour'      # 采用锦标赛选择算子
recombinStyle = 'xovdprs' # 遗传算法的重组方式，设为减少代理的两点交叉
recopt = 0.9              # 交叉概率
pm = 0.1                  # 变异概率
SUBPOP = 1                # 设置种群数为1f
maxormin = 1              # 设置标记表明这是最小化目标
MAXSIZE = 1000            # 帕累托最优集最大个数
"""=======================调用编程模板进行种群进化==================="""
[ObjV, NDSet, times] = ga.nsga2_templet(AIM_M, AIM_F, None, None, ranges, borders, precisions, maxormin, MAXGEN, MAXSIZE, NIND, SUBPOP, GGAP, selectStyle, recombinStyle, recopt, pm, drawing = 1)