GEATPY快速入门

目录

1. 安装

2. 入门示例 

2.1 脚本编程法

2.1.1 问题

2.1.2 代码       

 2.1.3 脚本详细解析

2.2 采用面向对象的进化算法框架

2.2.1 带约束的单目标优化问题

2.2.2 带约束的多目标优化问题

---

1. 安装

        你可以通过联网安装或本地安装来安装 Geatpy。在安装前，你需要安装 Numpy、 Scipy 以及 matplotlib。

联网安装：

pip install geatpy

本地安装：

在 github 下载 Geatpy 安装包，在本地控制台执行以下代码安装： 

python setup.py install

查看版本号：

        在 python 中执行： 

import geatpy as ea

print(ea.__version__) 

更新方法：

在本地控制台执行： 

pip install --upgrade --user geatpy

2. 入门示例 

在 Geatpy 上有 3 种基本的方法来求解问题：

• 直接使用工具箱提供的库函数，通过编写脚本来实现进化算法并且求解问题。

• 使用 Geatpy 提供的面向对象进化算法框架，利用内置的算法模板求解问题。

• 使用 Geatpy 提供的面向对象进化算法框架，通过自定义进化算法模板实现进化算法 并且求解问题。 本章将主要介绍如何使用前两种方法：

2.1 脚本编程法

        脚本编程法是 Geatpy 最原生、最基础的使用方式。它通过直接调用工具箱的库函 数来实现进化算法，不涉及面向对象的编程方法，编程风格与 Matlab 比较相似，缺点是代码量比较大。我们将用它来快速入门。

2.1.1 问题

        以求解标准测试函数——McCormick 函数的最小化搜索问题为例，其表达式为：

         它是一个二元函数，它具有一个全局极小点：f = (−0.54719, −1.54719) = −1.9133， 函数图像如下：

2.1.2 代码       

         拟采用带精英保留的遗传算法”Elitist Reservation GA” 来求解上述问题，于是编写如下执行脚本：

# -*- coding: utf-8 -*-
"""demo.py"""
import numpy as np
import geatpy as ea # 导入geatpy库
import time
"""============================目标函数============================"""
def aim(Phen): # 传入种群染色体矩阵解码后的基因表现型矩阵
    x1 = Phen[:, [0]] # 取出第一列，得到所有个体的第一个自变量
    x2 = Phen[:, [1]] # 取出第二列，得到所有个体的第二个自变量
    return np.sin(x1 + x2) + (x1 - x2) ** 2 - 1.5 * x1 + 2.5 * x2 +1
"""============================变量设置============================"""
x1 = [-1.5, 4] # 第一个决策变量范围
x2 = [-3, 4] # 第二个决策变量范围
b1 = [1, 1] # 第一个决策变量边界，1表示包含范围的边界，0表示不包含
b2 = [1, 1] # 第二个决策变量边界，1表示包含范围的边界，0表示不包含
# 生成自变量的范围矩阵，使得第一行为所有决策变量的下界，第二行为上界
ranges=np.vstack([x1, x2]).T
# 生成自变量的边界矩阵
borders=np.vstack([b1, b2]).T
varTypes = np.array([0, 0]) # 决策变量的类型，0表示连续，1表示离散
"""==========================染色体编码设置========================="""
Encoding = 'BG' # 'BG'表示采用二进制/格雷编码
codes = [1, 1] # 决策变量的编码方式，两个1表示变量均使用格雷编码
precisions =[6, 6] 
#决策变量的编码精度，表示解码后能表示的决策变量的精度可达到小数点后6位
scales = [0, 0] # 0表示采用算术刻度，1表示采用对数刻度
# 调用函数创建译码矩阵
FieldD =ea.crtfld(Encoding,varTypes,ranges,borders,precisions,codes,scales)
"""=========================遗传算法参数设置========================"""
NIND = 20 # 种群个体数目
MAXGEN = 100 # 最大遗传代数
maxormins = np.array([1]) 
#表示目标函数是最小化，元素为-1则表示对应的目标函数是最大化
selectStyle = 'sus' # 采用随机抽样选择
recStyle = 'xovdp' # 采用两点交叉
mutStyle = 'mutbin' # 采用二进制染色体的变异算子
Lind = int(np.sum(FieldD[0, :])) # 计算染色体长度
pc = 0.9 # 交叉概率
pm = 1/Lind # 变异概率
obj_trace = np.zeros((MAXGEN, 2)) # 定义目标函数值记录器
var_trace = np.zeros((MAXGEN, Lind)) 
#染色体记录器，记录历代最优个体的染色体
"""=========================开始遗传算法进化========================"""
start_time = time.time() # 开始计时
Chrom = ea.crtpc(Encoding,NIND, FieldD) # 生成种群染色体矩阵
variable = ea.bs2real(Chrom, FieldD) # 对初始种群进行解码
ObjV = aim(variable) # 计算初始种群个体的目标函数值
best_ind = np.argmin(ObjV) # 计算当代最优个体的序号
# 开始进化
for gen in range(MAXGEN):
    FitnV = ea.ranking(maxormins * ObjV) # 根据目标函数大小分配适应度值
    SelCh = Chrom[ea.selecting(selectStyle,FitnV,NIND-1),:] # 选择
    SelCh = ea.recombin(recStyle, SelCh, pc) # 重组
    SelCh = ea.mutate(mutStyle, Encoding, SelCh, pm) # 变异
    # 把父代精英个体与子代的染色体进行合并，得到新一代种群
    Chrom = np.vstack([Chrom[best_ind, :], SelCh])
    Phen = ea.bs2real(Chrom, FieldD) # 对种群进行解码(二进制转十进制)
    ObjV = aim(Phen) # 求种群个体的目标函数值
    # 记录
    best_ind = np.argmin(ObjV) # 计算当代最优个体的序号
    obj_trace[gen,0]=np.sum(ObjV)/ObjV.shape[0]
    #记录当代种群的目标函数均值
    obj_trace[gen,1]=ObjV[best_ind] #记录当代种群最优个体目标函数值
    var_trace[gen,:]=Chrom[best_ind,:] #记录当代种群最优个体的染色体
# 进化完成
end_time = time.time() # 结束计时
ea.trcplot(obj_trace, [['种群个体平均目标函数值',
'种群最优个体目标函数值']]) # 绘制图像

运行结果：

        若要输出相关的数据结果，则可以在上面脚本最下方添加以下代码： 

"""============================输出结果============================"""
best_gen = np.argmin(obj_trace[:, [1]])
print('最优解的目标函数值：', obj_trace[best_gen, 1])
variable = ea.bs2real(var_trace[[best_gen], :], FieldD) 
#解码得到表现型（即对应的决策变量值）
print('最优解的决策变量值为：')
for i in range(variable.shape[1]):
    print('x'+str(i)+'=',variable[0, i])
print('用时：', end_time - start_time, '秒')

 2.1.3 脚本详细解析

        编写 Geatpy 脚本风格与 Matlab 非常相近，对于新的问题，你可以复制上面的脚本， 结合实际问题修改函数定义和变量设置，以及绘图和输出便可以对新问题进行求解。实 际上你会发现脚本中大部分基本上可以固定不变的，因此在后面的章节中，我们会讲解 如何用更为方便的面向对象进化算法框架来解决问题，这样会大大节省开发时间。

        下面详细讲解编写类似上述编程脚本的流程，你需要做以下步骤：

        1. 导入相关库，如 numpy、Geatpy 等。

        2. 定义了优化目标函数。(在后面的章节中，我们会详细介绍如何用问题类来取代 这种把函数定义写在脚本内部的方法)。

        3. 优化问题的变量设置。

        其中 ranges、borders 是根据实际问题而编写的，但写法格式是固定的。

        假如优化函数中包含 3 个变量，那么我们可以这么写：

        x1 = [下界, 上界]

        x2 = [下界, 上界]

        x3 = [下界, 上界]

        b1 = [0, 1] # (这里 0 表示变量 x1 不包含下界，1 表示包含上界)

        b2 = [1, 0]

        b3 = [1, 1]

        ranges = np.vstack([x1, x2, x3]).T

        # 根据 x1,x2,x3 生成一个矩阵来表示所有变量的范围

        borders = np.vstack([b1, b2, b3]).T ...

        varTypes 是一个存储决策变量类型的行向量。元素为 0 则对应的决策变量是连续型变量；为 1 则表示离散型决策变量。比如 array([0,0,1]) 表示三个决策变量中的前 2 个是连续型变量，第三个是离散型变量。

        4. 染色体编码设置：这一部分将设置进化算法采用何种编码的染色体种群进行进化。Encoding 指定了染色体的编码方式。Encoding 有三种类型：’BG’(二进制/格雷编码)、 ’RI’(实整数编码) 以及’P’(排列编码)（详见前面“Geatpy 数据结构”章节）。当 Encoding 为’BG’ 时，需要用到 codes、precisions、scales 三个参数。这三个参数是给“crtfld”函数 来自动化生成译码矩阵用的。详细用法可在 Python 控制台中输入以下代码查看 API 文 档（或查看官网的 API 文档）：

        import geatpy as ea

        help(ea.crtfld)

        准备好这些参数后，就可以调用 crtfld() 函数自动化生成译码矩阵 (当然你也可以手 动创建)。crtfld 函数会根据变量的边界和精度自动地调整变量的范围，返回一个符合规 范的译码矩阵。译码矩阵有“FieldD”和“FieldDR”两种类型，详见前面“Geatpy 数据结构”章节的相关描述。 

        5. 对进化算法的运行参数进行设置，比如确定种群规模 (即种群包含多少个个体)、 最大遗传代数、重组算子、变异算子、重组概率以及变异概率等。

        6. 根据创建的译码矩阵计算染色体的长度。前面“Geatpy 数据结构”章节中讲解了译码矩阵 FieldD 的第一行是代表控制各个变量的染色体基因数目。因此对它求和便可算出染色体的长度。

        7. 创建进化记录器，它的写法也是固定的，2 表示该进化记录器有 2 列，每一列存 放不同的数据。本例中，它的第一列是存放各代种群最优个体的目标函数值；第二列是存放各代种群的平均目标函数值。

        8. 创建最优个体记录器，记录各代种群的最优个体的染色体。

        9. 做完这些基本步骤后，就开始初始化种群以及进化了，这些都是遗传算法的基本流程了，上面的注释中有详细解释，这里不再重复讲解。

        10. 绘图和输出寻优结果。Geatpy 中提供 trcplot 函数来根据进化记录器绘制进化过 程追踪图。关于其具体用法可在 Python 控制台中输入以下代码查看 API 文档（或查看 官网的 API 文档）：

import geatpy as ea

help(ea.trcplot)

特别注意：

        1) Geatpy 的适应度计算均遵循” 目标函数越大，适应度越小” 的约定。因此在涉及 需要利用目标函数来求适应度，抑或是根据目标函数来进行非支配排序，或者是根据 其来进行个体保留，等等，都要对目标函数乘上一个“目标最小最大化标记列表”—— maxormins。它是一个长度等于目标函数个数的 Numpy array 类型行向量，元素为 1 表 示对应的目标是最小化目标，元素为-1 表示对应的是最大化目标。例如 maxormins = array([1,1,-1])，表示有三个目标函数，其中前两个是最小化目标，第三个是最大化目标。

        2) 使用 Geatpy 过程中最容易出错的地方在于目标函数值矩阵 ObjV 的计算。Geatpy 要求目标函数值矩阵 ObjV 的行数必须等于种群染色体矩阵 Chrom 的行数，以保持个体 属性的一一对应关系。详见上一章“Geatpy 数据结构”。 

2.2 采用面向对象的进化算法框架

        上面的脚本编程法虽然可以很深入到进化算法的每个步骤，但代码量确实是太大 了。虽然它也具备一定的通用性，比如当需要求解另一个优化问题时，可以通过修改 aim() 目标函数以及修改变量范围设置等来适应新的问题，但会比较容易出错。此外，上 述编程脚本所实现的仅仅是简单的带精英保留的遗传算法，当需要修改算法、采用新的 更好的进化算法进行问题的求解时，所需要改动的代码就非常大了。因此，更好、更简 便的方式是采用 Geatpy 提供的面向对象进化算法框架。

        在前面的“Geatpy 总览”章节中提到 Geatpy 的进化算法框架由四个大类构成：算法模板类 (Algorithm)、种群类 (Population)、多染色体混合编码种群类 (PsyPopulation) 以及问题类 (Problem)。其中 Population 类和 PsyPopulation 类是可以直接被实例化成对象去来使用的类；Algorithm 类和 Problem 类是父类，需要实例化其子类来使用。下面以两个案例（一个单目标优化、一个多目标优化）来展示如何使用 Geatpy 所提供的面向对象进化算法框架。

2.2.1 带约束的单目标优化问题

        请移步下面博客：约束的单目标优化问题遗传算法解决带约束的单目标优化问题_要努力呦的博客-CSDN博客

2.2.2 带约束的多目标优化问题

        请移步下面博客：带约束的多目标优化问题

遗传算法解决带约束的多目标优化问题_要努力呦的博客-CSDN博客