Python遗传算法框架使用实例（一）使用Geatpy实现句子匹配

在前面几篇文章中，我们已经介绍了高性能Python遗传和进化算法框架——Geatpy的使用。

https://blog.csdn.net/qq_33353186/article/details/82014986

Python遗传和进化算法框架（二）Geatpy库函数和数据结构_jazzbin的博客-CSDN博客_geatpy库

https://blog.csdn.net/qq_33353186/article/details/82021750（待更新）

本篇就一个案例进行展开讲述：

值得一提的是，经过全新改版，Geatpy团队推出了C内核加持的超高性能进化算法工具箱Geatpy2，新增了面向对象的进化算法框架，使得既编程简单，速度也飞快！官网：Geatpy

回顾一下Geatpy的安装方法，在上面的第一个链接的文章里也有详细讲解。

pip install geatpy

更新至Geatpy2的方法：

pip install --upgrade --user geatpy

查看版本号，在Python中执行：

import geatpy
print(geatpy.__version__)

我们都听过“无限猴子定理”，说的是有无限只猴子用无限的时间会产生特定的文章。在无限猴子定理中，我们“假定”猴子们是没有像人类那样“智能”的，而且“假定”猴子不会自我学习。因此，这些猴子需要“无限的时间"。

而在遗传算法中，由于采用的是启发式的进化搜索，因此不需要”无限的时间“就可以完成类似的工作。当然，需要产生的文章篇幅越长，那么就需要越久的时间才能完成。

下面以产生"Tom is a little boy, isn't he? Yes he is, he is a good and smart child and he is always ready to help others, all in all we all like him very much."的句子为例，讲述如何利用Geatpy实现句子的搜索。之前的文章中我们已经讲述过如何使用Geatpy的进化算法框架实现遗传算法编程。这里就直接用框架。

把自定义问题类和执行脚本编写在下面的"main.py”文件中：

# -*- coding: utf-8 -*-
import numpy as np
import geatpy as ea

"""
问题类
"""
class MyProblem(ea.Problem): # 继承Problem父类
    def __init__(self):
        name = 'MyProblem' # 初始化name（函数名称，可以随意设置）
        # 定义需要匹配的句子
        strs = 'Tom is a little boy, isn\'t he? Yes he is, he is a good and smart child and he is always ready to help others, all in all we all like him very much.'
        self.words = []
        for c in strs:
            self.words.append(ord(c)) # 把字符串转成ASCII码
        M = 1 # 初始化M（目标维数）
        maxormins = [1] # 初始化maxormins（目标最小最大化标记列表，1：最小化该目标；-1：最大化该目标）
        Dim = len(self.words) # 初始化Dim（决策变量维数）
        varTypes = [1] * Dim # 初始化varTypes（决策变量的类型，元素为0表示对应的变量是连续的；1表示是离散的）
        lb = [32] * Dim # 决策变量下界
        ub = [122] * Dim # 决策变量上界
        lbin = [1] * Dim # 决策变量下边界
        ubin = [1] * Dim # 决策变量上边界
        # 调用父类构造方法完成实例化
        ea.Problem.__init__(self, name, M, maxormins, Dim, varTypes, lb, ub, lbin, ubin)
        
    def aimFunc(self, pop): # 目标函数
        Vars = pop.Phen # 得到决策变量矩阵
        diff = np.sum((Vars - self.words)**2, 1)
        pop.ObjV = np.array([diff]).T # 把求得的目标函数值赋值给种群pop的ObjV

"""
执行脚本
"""
if __name__ == '__main__':
    # 实例化问题对象
    problem = MyProblem()
    # 快速构建算法
    algorithm = ea.soea_DE_rand_1_L_templet(problem,
                                            ea.Population(Encoding='RI', NIND=50),
                                            MAXGEN=2000,  # 最大进化代数
                                            logTras=1)  # 表示每隔多少代记录一次日志信息，0表示不记录。
    # 求解
    res = ea.optimize(algorithm, verbose=True, drawing=1, outputMsg=False, drawLog=False, saveFlag=True)
    print('最佳目标函数值：%s' % res['ObjV'][0][0])
    print('搜索到的句子为：')
    for num in res['Vars'][0, :]:
        print(chr(int(num)), end='')

上述代码中首先定义了一个问题类MyProblem，然后调用Geatpy内置的soea_DE_rand_1_L_templet算法模板，它实现的是差分进化算法DE/rand/1/L，详见源码：

https://github.com/geatpy-dev/geatpy/blob/master/geatpy/templates/soeas/DE/DE_rand_1_L/soea_DE_rand_1_L_templet.py

运行结果如下：

可见采用差分进化算法DE/rand/1/L能够准确无误地找到上面的句子。

下一篇文章将讲述我使用Geatpy解决多目标优化问题以及跟Matlab遗传算法工具箱进行对比学习。

Python遗传算法框架使用实例（二）多目标优化问题Geatpy for Python与Matlab的对比学习_jazzbin的博客-CSDN博客_遗传算法多目标优化实例

在后面的文章中我们将对更多的编程案例进行详解。欢迎继续跟进，感谢！