python遗传算法工具箱的使用_Deap: python中的遗传算法工具箱

Overview 程序概览

官方文档:http://deap.readthedocs.io/en/master/index.html

1. Types : 选择你要解决的问题类型,确定要求解的问题个数,最大值还是最小值

2. Initialization : 初始化基因编码位数,初始值,等基本信息

3. Operators : 操作,设计evaluate函数,在工具箱中注册参数信息:交叉,变异,保留个体,评价函数

4. Algorithm : 设计main函数,确定参数并运行得到结果

Types

# Types

from deap import base, creator

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

# weights 1.0, 求最大值,-1.0 求最小值

# (1.0,-1.0,)求第一个参数的最大值,求第二个参数的最小值

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

Initialization

import random

from deap import tools

IND_SIZE = 10 # 种群数

toolbox = base.Toolbox()

toolbox.register("attribute", random.random)

# 调用randon.random为每一个基因编码编码创建 随机初始值 也就是范围[0,1]

toolbox.register("individual", tools.initRepeat, creator.Individual,

toolbox.attribute, n=IND_SIZE)

toolbox.register("population", tools.initRepeat, list, toolbox.individual)

Operators

# Operators

# difine evaluate function

# Note that a comma is a must

def evaluate(individual):

return sum(individual),

# use tools in deap to creat our application

toolbox.register("mate", tools.cxTwoPoint) # mate:交叉

toolbox.register("mutate", tools.mutGaussian, mu=0, sigma=1, indpb=0.1) # mutate : 变异

toolbox.register("select", tools.selTournament, tournsize=3) # select : 选择保留的最佳个体

toolbox.register("evaluate", evaluate) # commit our evaluate

高斯变异:

这种变异的方法就是，产生一个服从高斯分布的随机数，取代原先基因中的实数数值。这个算法产生的随机数，数学期望当为当前基因的实数数值。

一个模拟产生的算法是，产生6个服从U(0,1)的随机数，以他们的数学期望作为高斯