关于带约束的智能优化算法相关笔记

1.约束的处理

        实际问题或者项目通常是带有一定约束的优化问题，我在做一个材料方面的体系设计时，利用deap去进行体系的优化，当时没有了解约束的问题，只是觉得优化的结果不符合原子百分比之和为100的要求，所以对交叉函数和变异函数进行了自定义，虽然结果还可以，但始终觉得优化的有些问题，最近在比较不同基础优化算法的优化结果及效率时，才发现约束可以通过惩罚函数施加，部分库也提供了一些参数进行来引入约束函数。

        约束的处理方式比较多，可以分为罚函数法、可行性法则、随机排序法、ᴈ-约束处理法、多目标优化法、混合法等 6 类。其中最简单的应该就是罚函数法了。

具体方式可以参见“小怪兽会微笑”博主的文章，链接在下面：

http://t.csdnimg.cn/Tw2rq

2.相关库的约束

        在使用智能优化算法时，可供参考的库有不少，大家也都可以搜到，这里只讲讲三个库，DEAP库，sko库以及mealpy库。

2.1.1 deap库

        deap主要是针对遗传算法的，遗传算法的各个部分都可以自定义，我之前做的就是初始种群，交叉函数，变异函数的自定义。它的约束是通过装饰器实现的，但实际上，也可以从下面文章中看出，对于静态约束，直接在适应度函数中添加惩罚项，也就不需要再用到装饰器了。

”哎呦-_-不错”博主给出了示例。

基于DEAP库的python进化算法-6.遗传算法中的约束处理_deap 因子-CSDN博客（）http://t.csdnimg.cn/hnre0

2.1.2 sko库

        sko库包含几个比较常见的智能优化算法，比如遗传算法，粒子群，模拟退火，差分进化等，sko也有约束的关键字，可以在官网的文档查看相关输入及输出。同样有博主给出了相关示例。

”guofei9987"博主的文章：

http://t.csdnimg.cn/hnre0

2.1.3 mealpy库

        mealpy库包含的智能优化算法很多，共计215个算法，只是mealpy库建议用户自定义一个惩罚函数。示例官网上有，我也懒得写。

3.总结

        实际上，罚函数可以直接通过适应度函数进行构建（如死亡惩罚，静态惩罚），或者在算法迭代过程中构建（如动态惩罚，自适应惩罚等），并不一定需要官方提供相应的功能或者关键字输入。

        上面的三个库我都是简单的使用了一下，说一下想法。如果你只是单纯的使用智能优化算法，不需要各种算法比较，可以直接用sko的库，很简单。如果你需要做遗传算法的自定义，DEAP库不错，如果需要了解各种不同智能优化算法并进行对比，mealpy库是个不错的选择(相关问题在github上还有作者回答，十分感谢)。