基于DEAP库的python进化算法-3.简单遗传算法的实现

前言

在上一篇中，我们已经介绍了如何在DEAP中实现进化算法的基本操作，这一篇中我们试图将各个操作组装起来，用进化算法解决一个简单的一元函数寻优问题

一.问题描述与分析

给定一个函数，求解其最大值

该函数的图像为：

该函数的最大值应该出现在28.309042309042308处，值为1657.4235763265594。

可以看到该函数有很多局部极值作为干扰项，如果进化算法过早收敛，很容易陷入某个局部最优。

二.问题的编码与解码

对于该问题，可以选取很多不同的编码方式。本文计划采用二进制编码，精确度要求到6位，那么首先应当确定编码的长度与解码方式。由于有：

所以我们需要的二进制编码长度为26

三.利用DEAP自带算法求解

1.DEAP自带的进化算法介绍

DEAP自带的算法都比较基础，通常可以用来测试问题描述、编码方式和交叉突变操作组合的有效性。需要比较复杂的进化算法时，可以通过在已有的算子上进行扩充

简单进化算法

deap.algorithms.eaSimple

DEAP中预置的简单进化算法流程描述如下：

1.根据工具箱中注册的toolbox.evaluate评价族群
2.根据工具箱中注册的toolbox.select选择与父代相同个数的育种个体
3.在族群中进行第一次循环，用工具箱中注册的toolbox.mate进行配种，并用生成的两个子代替换对应父代
4.在族群中进行第二次循环，用工具箱中注册的toolbox.mutate进行变异，用变异后的子代替换对应父代
5.从1开始重复循环，直到达到设定的迭代次数

需要注意的是在这个过程中，生成子代有四种情况：受到配种影响；受到变异影响；既受到配种也受到变异影响；既不受配种影响也不受变异影响
对应的伪代码可以表述为：

evaluate(population)
for g in range(ngen):
    population = select(population, len(population))
    offspring = varAnd(population, toolbox, cxpb, mutpb)
    evaluate(offspring)
    population = offspring

(μ + λ)进化算法

deap.algorithms.eaMuPlusLambda

该算法的流程如下：

1.根据工具箱中注册的toolbox.evaluate评价族群
2.在族群中进行循环，在每次循环中，随机选择crossover，mutation和reproduction三者之一：
如果选择到crossover，那么随机选择2个个体，用工具箱中注册的toolbox.mate进行配种，<将生成的第一个子代加入到后代列表中，第二个子代丢弃；
如果选择到mutation，用工具箱中注册的toolbox.mutate进行变异，将变异后的子代加入到后代列表中；
如果选择到reproduction，随机选择一个个体，将其复制加入到后代列表中
3.根据工具箱中注册的toolbox.select，在父代+子代中选择给定数量的个体作为子代
4.从1开始重复循环，直到达到设定的迭代次数

注意在这个子代生成的过程中，子代不会同时受到变异和配种影响。

对应的伪代码可以表述为：

evaluate(population)
for g in range(ngen):
    offspring = varOr(population, toolbox, lambda_, cxpb, mutpb)
    evaluate(offspring)
    population = select(population + offspring, mu)

(μ，λ)进化算法

deap.algorithms.eaMuCommaLambda

与(μ + λ)进化算法基本相同，唯一的区别在于生成子代族群时，只在产生的子代中选择，而丢弃所有父代。
对应伪代码可以表述为

evaluate(population)
for g in range(ngen):
    offspring = varOr(population, toolbox, lambda_, cxpb, mutpb)
    evaluate(offspring)
    population = select(offspring, mu)

2.调用DEAP自带的进化算法

在调用DEAP自带的算法时需要注意的是，由于内置算法调用的alias已经提前给定，因此我们在register的时候，需要按照给定名称注册。

例如toolbox.register('crossover', tools.cxUniform)就不能被内置算法识别，而应当按照
要求，命名为mate，并且显示给出交叉概率： 
toolbox.register('mate', tools.cxUniform, indpb = 0.5)

按照要求，使用预置的算法需要注册的工具有：
toolbox.evaluate：评价函数

toolbox.select：育种选择

toolbox.mate：交叉操作

toolbox.mutate：突变操作

from deap import algorithms, creator, tools, base
from scipy.stats import bernoulli
import numpy as np
import random

random.seed(42)  # 保证结果可以复现
# 定义问题
creator.create('FitnessMax', base.Fitness, weights=(1.0,))  # 单目标优化，最大值问题
creator.create('Individual', list, fitness=creator.FitnessMax)

# 生成个体
gene_size = 26  # 26位编码
toolbox = base.Toolbox()
toolbox.register('Binary', bernoulli.rvs, 0.5)
toolbox.register('Individual', tools.initRepeat, creator.Individual, toolbox.Binary, n=gene_size)


# 解码 - 二进制转换为十进制
def decode(individual):
    # 解码到10进制
    num = int(''.join([str(_) for _ in individual]), 2)
    # 映射到-30到30区间
    x = -30 + num * 60 / (2 ** 26 - 1)
    return x

# 评价函数-适应度
def eval(individual):
    # 转化到区间内实数
    x = decode(individual)
    return ((np.square(x) + x) * np.cos(