Scikit-opt库学习之GA模块

Scikit-opt库学习之GA模块

一、简介

Scikit-opt（简称sko）的GA模块提供了一个遗传算法（Genetic Algorithm, GA）的实现，用于解决优化问题。遗传算法是一种模拟自然选择和遗传学原理的搜索算法，常用于求解复杂的优化问题，特别是对于非线性、多峰值、连续或离散的搜索空间。

二、语法和参数

GA模块的基本语法如下：

from sko.GA import GA
ga = GA(func, n_dim, size_pop, max_iter, lb, ub, precision, prob_mut)

参数说明：

• func：优化的目标函数，该函数接受一个数组作为输入，并返回一个标量作为输出。
• n_dim：问题的维度，即目标函数的参数个数，或者说是染色体长度。
• size_pop：种群大小，即每一代中的个体数量。
• max_iter：最大迭代次数，即算法运行的代数。
• lb：参数的下界，一个数组，指定每个维度的最小值。
• ub：参数的上界，一个数组，指定每个维度的最大值。
• precision：算法的精度，用于判断算法是否收敛。
• prob_mut：突变概率，即每个个体的基因在每次迭代中发生突变的概率。

三、实例

下面的代码中，我用GA模块即使用遗传算法来拟合一个曲线。

运行前请确定你的python环境安装了代码中导入的三个包，如果不确定请先使用如下代码进行安装：

pip install numpy matplotlib scikit-opt

算法代码：

import numpy as np 
import matplotlib.pyplot as plt 
from sko.GA import GA

# 生成用于曲线拟合的真实数据点
x_true = np.linspace(-1.2, 1.2, 30)  # 产生30个介于-1.2到1.2之间的等差数
y_true = x_true ** 3 - x_true + 0.4 * np.random.rand(30)  # 计算y值，并添加噪声

# 绘制真实数据点
plt.plot(x_true, y_true, 'o')


# 定义一个多项式函数，用于后续的拟合
def f_fun(x, a, b, c, d):
    return a * x ** 3 + b * x ** 2 + c * x + d


# 定义遗传算法的适应度函数，用于最小化多项式拟合的残差平方和
def obj_fun(p):
    a, b, c, d = p  # 解包多项式的系数
    residuals = np.square(f_fun(x_true, a, b, c, d) - y_true).sum()  # 计算损失平方和
    return residuals  # 返回适应度值，越小越好


# 初始化遗传算法的参数
nga = GA(
    func=obj_fun,  # 适应度函数
    n_dim=4,  # 问题的维度，即多项式的系数个数
    size_pop=100,  # 种群大小
    max_iter=500,  # 最大迭代次数
    lb=[-2] * 4,  # 系数的下界
    ub=[2] * 4  # 系数的上界
)


# 运行遗传算法寻找最优解
best_params, residuals = nga.run()

# 打印最优参数和残差平方和
print('best_x:', best_params, '\n', 'best_y:', residuals)

# 使用最优参数计算多项式拟合的y值
y_predict = f_fun(x_true, *best_params)

# 准备绘图，展示真实数据点和多项式拟合结果
fig, ax = plt.subplots()

# 绘制真实数据点
ax.plot(x_true, y_true, 'o')

# 绘制多项式拟合曲线
ax.plot(x_true, y_predict, '-')

# 显示图表
plt.show()

四、注意事项

• 遗传算法的参数选择对算法性能有重要影响，需要根据具体问题进行调整。
• GA模块默认使用二进制编码，如果需要其他编码方式，可能需要自定义。
• 遗传算法可能会得到局部最优解，特别是对于复杂问题，可能需要多次运行以提高找到全局最优解的概率。
• 算法的收敛性受多种因素影响，包括种群大小、突变率、交叉率等，需要仔细调整以获得最佳性能。