Python遗传算法工具箱DEAP框架分析

时间：2024-08-31 17:34:50

　　本文主要介绍python遗传算法工具箱DEAP的实现。先介绍deap的如何使用，再深入介绍deap的框架实现，以及遗传算法的各种实现算法。

　　代码可以参考 https://github.com/sumatrae/deap

　　下面是使用deap求解TSP的实现：

 import array

 import random

 import json

 import numpy

 from deap import algorithms

 from deap import base

 from deap import creator

 from deap import tools

 # gr*.json contains the distance map in list of list style in JSON format

 # Optimal solutions are : gr17 = 2085, gr24 = 1272, gr120 = 6942

 with open("tsp/gr17.json", "r") as tsp_data:

     tsp = json.load(tsp_data)

 distance_map = tsp["DistanceMatrix"]

 IND_SIZE = tsp["TourSize"]

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

 creator.create("Individual", array.array, typecode='i', fitness=creator.FitnessMin)

 toolbox = base.Toolbox()

 # Attribute generator

 toolbox.register("indices", random.sample, range(IND_SIZE), IND_SIZE)

 # Structure initializers

 toolbox.register("individual", tools.initIterate, creator.Individual, toolbox.indices)

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

 def evalTSP(individual):

     distance = distance_map[individual[-1]][individual[0]]

     for gene1, gene2 in zip(individual[0:-1], individual[1:]):

         distance += distance_map[gene1][gene2]

     return distance,

 toolbox.register("mate", tools.cxPartialyMatched)

 toolbox.register("mutate", tools.mutShuffleIndexes, indpb=0.05)

 toolbox.register("select", tools.selTournament, tournsize=3)

 toolbox.register("evaluate", evalTSP)

 def main():

     random.seed(169)

     pop = toolbox.population(n=300)

     hof = tools.HallOfFame(1)

     stats = tools.Statistics(lambda ind: ind.fitness.values)

     stats.register("avg", numpy.mean)

     stats.register("std", numpy.std)

     stats.register("min", numpy.min)

     stats.register("max", numpy.max)

     algorithms.eaSimple(pop, toolbox, 0.7, 0.2, 40, stats=stats,

                         halloffame=hof)

     return pop, stats, hofn'g'x

　　该例子中使用SGA实现求解TSP问题，可以看到deap提供了灵活的插件化算法解决方案。deap的思想实现就是通过灵活的插件化思想，同时再框架中提供了丰富的算法实现，你可以用堆积木一样的方式，轻松的实现你的遗传算法处理程序。同时你也可以使用自己实现的算法模块，只需要注册框架就可以。框架通过函数导入的方法，通过register可以将你的算法函数注册到运行环境中。

　　未完待续。

相关文章