DEAP 框架（遗传算法）模块笔记

DEAP 框架笔记

DEAP(Distributed Evolutionary Algorithms in Python)为Python框架，支持采用遗传算法或其他演化算法进行快速求解。

使用creator模块

creator模块通过对现有类赋予新的属性来进行扩展类。

例如，假设我们有一个类名为Employee。那么，使用creator工具，我们可以通过创建Developer类来扩展Employee类，代码如下：

from deap import creator
creator.create("Developer", Employee, position = "Developer",
programmingLanguages = set)

传递给create()函数的第一个变量为所设计的新类的名称。第二个变量为所需扩展的已有的类。然后，每个额外的变量定义新类的属性。如果变量是赋值类（例如，dict或set），那会在新类的constructor中初始化属性。如果变量不是一个类（例如，文字），则被加入作为类（static）属性。

因此，上述设置等同于如下代码：

class Developer(Employee):
	position = "Developer"
	def __init__(self):
		self.programmingLanguages = set()

注意：新创建的类存在于creator模块中，因此需要引用为creator.Developer。

当使用DEAP时，creator模块通常被用于创建遗传算法中的Fitness类和Individual类。

创建Fitness类

当使用DEAP时，fitness值封装在Fitness类中。DAEP可以使fitness组合几种分量（或称为objective），每个分量有自己的权重。组合这些权重定义了给定问题的fitness的行为或策略。

定义fitness策略

为了定义这种策略，DEAP有抽象类base.Fitness，其包含weights元组。为了定义策略和使该类可用，需对weights元组进行赋值。这可以通过使用creator来扩展Fitness类，类似于前面Developer类：

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

这样，通过扩展base.Fitness类，得到了具有weights类属性初始值为（1.0，）的creator.FitnessMax类。

注意：当只有单个权重被定义时，weights定义中的尾部的逗号是需要的，这是因为weights是元组。

FitnessMax的这种策略是使在遗传算法中的单个目标解的fitness值最大化。相反地，如果我们有单目标问题需要使fitness值最小化来求解，我们可以使用如下创建合理地最小化策略：

creator.create("FitnessMin", base.Fitness, weights=(-1.0,))

我们也可以定义多目标优化，且每个目标地重要程度不同地策略的类：

creator.create("FitnessCompound", base.Fitness, weights=(1.0, 0.2, -0.5))

这样，我们得到了具有3个不同fitness分量的creator.FitnessCompound类。3个分量的权重分别为：1.0，0.2，-0.5.最大化第一二个分量，最小化第三个分量。其重要性的排序为：第一个、第三个和第二个。

存储fitness值

当weights元组定义了fitness策略之后，在base.Fitness类中与之相匹配的元组values，被用于包含实际fitness值。这些值由单独定义的函数来求得，一般称为evaluate()。类似于weights元组，values元组包含每个fitness分量的值。

第3个元组，wvalues，包含values元组中的每个分量于weights元组中对应分量相乘后的加权值。当一个实例定义了fitness值之后，加权值将被计算并插入到wvalues中。并且具有可以比较各自相互的大小。

一旦Fitness类创建后，我们可以在Individual类的定义中使用。

创建Individual类

creator工具的第二个常用的用途，用来定义构成遗传算法中的种群的个体。遗传算法中的个体是采用染色体表示，并能用遗传算子来操作。在DEAP中，Individual类是通过扩展表示染色体的基类来创建的。另外，DEAP中的每个个体属性中需包含fitness函数作为其中一个属性。

为了实现这两个要求，我们使用creator来创建creator.Individual类，具体如下：

creator.create("Individual", list, fitness=creator.FitnessMax)

这条代码给出了以下两种效果：

1. 扩展Python的list类来创建Individual类，这意味着染色体使用的是list类型。
2. Individual类的每个属性将含有fitness属性（先前创建的FitnessMax类）。

使用Toolbox类

DEAP框架提供的第二个机制为base.Toolbox类。Toolbox被用作函数（或算子）的容器，使得我们可以通过对现有函数进行别名或定制化来创建新的算子。

例如，假设我们有函数sumOfTwo()，定义如下

def sumOfTwo(a, b):
	return a + b

使用toolbox，我们可以创建新的算子，incrementByFive()，这是通过定制化了sumOfTwo()函数得到的

from deap import base
toolbox= base.Toolbox()
toolbox.register("incrementByFive", sumOfTwo, b=5)

传入到register()工具箱函数的第一个参数为新算子的名字。第二个参数为需要定制化的已有的函数。然后，每个额外的参数自动传递给定制化的函数。例如，如下的定义

toolbox.incrementByFive(10)

这等同于应用先前的函数

sumOfTwo(10, 5)

这是因为参数b已经在定义incrementByFive算子时已经固定为5.

创建遗传算子

在许多情形下，Toolbox类被用于定制化tools模块内已有的函数。tools模块包含大量有关遗传算子的函数：选择、交叉和突变，以及初始化工具。

例如，如下代码定义了3个别名后续用作遗传算子

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3个别名的定义细节如下：

1. select登记为已有tools函数selTournament()的别名，其中tournsize参数设置为3.这设置了toolbox.select算子，用来实现tournament尺寸为3的tournament选择。
2. mate登记为已有tools函数cxTwoPoint()的别名。这个定义的结果为toolbox.mate算子实现两点交叉的操作。
3. mutate登记为已有tools函数mutFlipBit的别名，其中indpb参数设置为0.02，给出toolbox.mutate算子用来实现翻转位突变(flip bit mutation)，每个需被翻转的属性的翻转概率为0.02.

tools模块提供了各自遗传算子。

选择相关函数可以在selection.py中找到，杂交相关函数在crossover.py中，突变相关函数在mutation.py中

创建种群

tools模块的init.py文件中包含几种函数，可以用于遗传算法的种群的创建和初始化。其中一个特别有用的函数为initRepeat()，其接受3个参数：

1. 容器类型，用于放置结果对象
2. 函数，用于生成对象，并放置于容器
3. 对象数量

例如，下面一行代码是产生30个0-1之间的随机数的列表list：

randomList = tools.initRepeat(list, random.random, 30)

在这个例子中，list作为一种需要被填充的容器，random.random为生成函数，30为应用这个生成函数的次数，产生的值用来填充容器。

如果我们想用0或1的随机整数来填充list呢？我们可以创建一个函数使用生成单个随机数0或1

的random.radint()，然后将其置于生成函数initRepeat()，代码如下：

def zeroOrOne():
	return random.randint(0, 1)
randomList = tools.initRepeat(list, zeroOrOne, 30)

或者，我们可以利用toolbox的优势，如下：

toolbox.register("zeroOrOne", random.randint, 0, 1)
randomList = tools.initRepeat(list, toolbox.zeroOrOne, 30)

这里，我们不是显式地定义zeroOrOne()函数，而是创建zerosOrOne算子（或别名），调用具有固定参数0和1的函数random.radint()。

创建fitness

Fitness类定义确定其策略（如，最大化或最小化）的fitness权重，实际的fitness值由各自定义的函数求得。fitness计算函数一般使用toolbox模块登记为别名evaluate，代码如下：

def someFitnessCalculationFunction(individual):
	return _some_calculation_of_the_fitness
toolbox.register("evaluate",someFitnessCalculationFunction)

在这个例子中，someFitnessCalculationFunction()对每个个体计算fitness，evaluate登记为其别名。