python遗传算法工具箱的使用_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。

本篇就一个案例进行展开讲述：

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

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() # 生成问题对象

"""==================================种群设置================================"""

Encoding = 'RI' # 编码方式

NIND = 50 # 种群规模

Field = ea.crtfld(Encoding, problem.varTypes, problem.ranges, problem.borders) # 创建区域描述器

population = ea.Population(Encoding, Field, NIND) # 实例化种群对象(此时种群还没被初始化，仅仅是完成种群对象的实例化)

"""================================算法参数设置=============================="""

myAlgorithm = ea.soea_DE_rand_1_L_templet(problem, population) # 实例化一个算法模板对象

myAlgorithm.MAXGEN = 2000 # 最大进化代数

"""===========================调用算法模板进行种群进化========================="""

[population, obj_trace, var_trace] = myAlgorithm.run() # 执行算法模板

population.save() # 把最后一代种群的信息保存到文件中

# 输出结果

best_gen = np.argmin(obj_trace[:, 1]) # 记录最优种群是在哪一代

best_ObjV = obj_trace[best_gen, 1]

print('最优的目标函数值为：%s'%(best_ObjV))

print('有效进化代数：%s'%(obj_trace.shape[0]))

print('最优的一代是第 %s 代'%(best_gen + 1))

print('评价次数：%s'%(myAlgorithm.evalsNum))

print('时间已过 %s 秒'%(myAlgorithm.passTime))

for num in var_trace[best_gen, :]:

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：

运行结果如下：

种群信息导出完毕。

最优的目标函数值为：0.0

有效进化代数：2000

最优的一代是第 1748 代

评价次数：100000

时间已过 4.798132419586182 秒

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.

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。

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！