参考文档链接:scikit-opt
本章继续Python的优化算法系列。
优化算法,尤其是启发式的仿生智能算法在最近很火,它适用于解决管理学,运筹学,统计学里面的一些优化问题。比如线性规划,整数规划,动态规划,非线性约束规划,甚至是超参数搜索等等方向的问题。
但是一般的优化算法还是matlab里面用的多,Python相关代码较少。博主在参考了很多文章的代码和模块之后,决定学习 scikit-opt 这个模块。这个优化算法模块对新手很友好,代码简洁,上手简单。而且代码和官方文档是中国人写的,还有很多案例,学起来就没什么压力...
缺点是包装的算法种类目前还不算多,只有七种:(差分进化算法、遗传算法、粒子群算法、模拟退火算法、蚁群算法、鱼群算法、免疫优化算法) /(其实已经够用了)
本次带来的是 数学建模里面经常使用的模拟退火算法的使用演示。数学原理就不多说了
首先安装模块,在cmd里面或者anaconda prompt里面输入:
pip install scikit-opt
这个包很小,很快就能装好。
模拟退火算法
模拟退火算法用于多元函数优化
演示一个最简单的函数优化问题,寻找最小值
目标函数
demo_func = lambda x: x[0] ** 2 + (x[1] - 0.05) ** 2 + x[2] ** 2
调用SA求解
from sko.SA import SA
sa = SA(func=demo_func, x0=[1, 1, 1], T_max=1, T_min=1e-9, L=300, max_stay_counter=150)
best_x, best_y = sa.run()
print('best_x:', best_x, 'best_y', best_y)
画出 y随着迭代次数的变化图
import matplotlib.pyplot as plt
import pandas as pd
plt.plot(pd.DataFrame(sa.best_y_history).cummin(axis=0))
plt.show()
参数详解
输入参数
输出参数
模拟退火算法更适合处理无约束优化问题,所以这里没有输入约束等式或者不等式的参数情况。
模拟退火算法解决TSP问题(旅行商问题)
当然退火算法也能解决商旅问题(TSP),求解代码
from sko.SA import SA_TSP
sa_tsp = SA_TSP(func=cal_total_distance, x0=range(num_points), T_max=100, T_min=1, L=10 * num_points)
best_points, best_distance = sa_tsp.run()
print(best_points, best_distance, cal_total_distance(best_points))
这段代码不能直接运行,因为我们还没有定义问题,定义问题可以参考我之间的用遗传算法解决商旅问题的文章:Python优化算法02——遗传算法。
当参考和之前的这个一样定义好问题了就可以使用上面的代码求解。
模拟退火有三种具体形式
分别是 三种常用降温方式: (1)T (k+1) =αT (k) 简易模拟退火算法 (2)T (k) = t0 /lg (1+k) 经典模拟退火算法 (3)T (k)= t0/ (1+k) 快速模拟退火算法。
具体的代码实现参考这篇文章,这也是sko这个包的作者: