Python遗传算法工具箱DEAP框架分析

　　本文主要介绍python遗传算法工具箱DEAP的实现。先介绍deap的如何使用，再深入介绍deap的框架实现，以及遗传算法的各种实现算法。

　　代码可以参考 https://github.com/sumatrae/deap

　　下面是使用deap求解TSP的实现：

 1 import array
 2 import random
 3 import json
 4 
 5 import numpy
 6 
 7 from deap import algorithms
 8 from deap import base
 9 from deap import creator
10 from deap import tools
11 
12 # gr*.json contains the distance map in list of list style in JSON format
13 # Optimal solutions are : gr17 = 2085, gr24 = 1272, gr120 = 6942
14 with open("tsp/gr17.json", "r") as tsp_data:
15     tsp = json.load(tsp_data)
16 
17 distance_map = tsp["DistanceMatrix"]
18 IND_SIZE = tsp["TourSize"]
19 
20 creator.create("FitnessMin", base.Fitness, weights=(-1.0,))
21 creator.create("Individual", array.array, typecode='i', fitness=creator.FitnessMin)
22 
23 toolbox = base.Toolbox()
24 
25 # Attribute generator
26 toolbox.register("indices", random.sample, range(IND_SIZE), IND_SIZE)
27 
28 # Structure initializers
29 toolbox.register("individual", tools.initIterate, creator.Individual, toolbox.indices)
30 toolbox.register("population", tools.initRepeat, list, toolbox.individual)
31 
32 def evalTSP(individual):
33     distance = distance_map[individual[-1]][individual[0]]
34     for gene1, gene2 in zip(individual[0:-1], individual[1:]):
35         distance += distance_map[gene1][gene2]
36     return distance,
37 
38 toolbox.register("mate", tools.cxPartialyMatched)
39 toolbox.register("mutate", tools.mutShuffleIndexes, indpb=0.05)
40 toolbox.register("select", tools.selTournament, tournsize=3)
41 toolbox.register("evaluate", evalTSP)
42 
43 def main():
44     random.seed(169)
45 
46     pop = toolbox.population(n=300)
47 
48     hof = tools.HallOfFame(1)
49     stats = tools.Statistics(lambda ind: ind.fitness.values)
50     stats.register("avg", numpy.mean)
51     stats.register("std", numpy.std)
52     stats.register("min", numpy.min)
53     stats.register("max", numpy.max)
54     
55     algorithms.eaSimple(pop, toolbox, 0.7, 0.2, 40, stats=stats, 
56                         halloffame=hof)
57     
58     return pop, stats, hofn'g'x

　　该例子中使用SGA实现求解TSP问题，可以看到deap提供了灵活的插件化算法解决方案。deap的思想实现就是通过灵活的插件化思想，同时再框架中提供了丰富的算法实现，你可以用堆积木一样的方式，轻松的实现你的遗传算法处理程序。同时你也可以使用自己实现的算法模块，只需要注册框架就可以。框架通过函数导入的方法，通过register可以将你的算法函数注册到运行环境中。

　　未完待续。

 

转载于:https://www.cnblogs.com/sumatrae/p/10369846.html