超级简单的python遗传算法库。
primordialooze的Python项目详细描述
原始渗出物
python的简单遗传算法库
文档如下。
模拟
遗传算法模拟。一般工作流程如下：
importprimordialoozeaspoimportpandasimportmatplotlib.pyplotsim=po.Simulation(nagents,shape,fitnessfunction)bestagent,fitness=sim.run()print("The agent {} has the best fitness, which is: {}".format(bestagent,fitness))# Dump and plotfname="stats.csv"sim.dump_history_csv(fname)df=pandas.read_csv(fname)df=df.drop(['GenerationIndex'],axis=1)df.plot()plt.show()
统计
simulation类存储一个列表statistics，其中包含类statistics的实例。
统计信息类包含以下属性：
generationidx，这是一个基于零的索引，指示此统计信息实例用于哪个生成。maxval，这是这一代人的最高健身分数。minval，这是这一代人的最低健身分数。avgval，这是这一代人的平均健身分数。
Simulation类还存储一个列表，其中包含每一代中最好的代理。
初始化
def__init__(self,population,shape,fitnessfunc,*,seedfunc=None,selectionfunc=None,crossoverfunc=None,mutationfunc=None,elitismfunc=None,nworkers=0,max_agents_per_generation=None,min_agents_per_generation=None)
参数
以下列表包含所需的参数。它们没有默认值 因为根据问题的不同，这些值会有很大的变化。
- 总体：第一代代理的数量。我们会产生这么多的代理
在初始生成中，每个都是一个numpy数组shape=
shape。 它们将根据mutationfunc进行变异，并对每一代进行评估 通过fitnessfunc - 形状：总体中每个代理的形状。一定是这样的单子。特工的形状
必须是任意长度的1D数组，如
（7，） - fitnessfunc：用于评估生成中每个代理的适合度的函数。
必须有签名：
fitnessfunc（代理）->；标量浮点。这个函数 将在每一代对基因库中的每一种试剂进行评估。 如果这个函数很慢，那么使用多处理可能是有意义的，除非 基因库相当小。请参见nWorkers
关键字参数
这些参数包含（主要是）合理的默认值，但您必须确保 默认设置对您有效。您几乎肯定会想更改其中的一些以适应您的问题。
- seedfunc：用于创建第一代代理的函数。函数必须具有
形状"shape"的签名
seedfunc（）->；代理程序。我们称之为这个函数填充次。当none时，默认为均匀随机 在每个维度的范围内[-1.0，1.0）. - selectionfunc：用于选择允许繁殖以创建
下一代。签名必须是
selectionfunc（填充、计算）->；选定的代理， 其中population是一个n维形状数组（Nagents，代理长度）。求值是一个形状数组（Nagents，）；求值[i]包含population[i，：]；所选代理的适应度值是一个n维数组 形状（选定的代理，代理长度），其中必须包含选定的代理。并具有最高的计算值。未选择的代理 只是被丢弃，即它们不会出现在下一代（除非随机出现 作为交叉/变异的一部分重新创建）。 如果填充和求值预先排序，以便填充[0，：]对应 到evalutaion[0]无，则默认选择前10个百分点。 - 交叉函数：要使用的交叉函数。必须有签名
crossoverfunc（代理）->；新的代理， 其中agents是一个n维形状数组（选择的代理，代理长度）。 其中new_agents必须是n维所有形状数组（Nagents，代理长度）。 此函数在使用选择函数确定 代理将进入新一代，此功能仅用于 选定的代理。通常，新的代理将构成新一代的整体， 一个例外是如果使用精英主义（见下文），另一个例外是 如果突变功能将新的个体加入到基因库中，而不仅仅是突变 现有的。 如果无，则默认为在 直到种群代理（或者，如果elitismfunc为none，则0.9*种群）。 - 突变函数：用于将突变应用于基因库的函数。签名必须是
mutationfunc（agents）->；new_agents，其中agents是从crossoverfunc和new_agents必须是一个n维形状数组（nagents，agent_length）。 此函数应用于crossoverfunc的结果。 当none时，默认将0.05个代理中的每个值设置为随机值， 其中随机值是从平均值的高斯分布中提取的=被替换的值 标准偏差=0.25。 - elitismfunc：签名函数elitismfunc（生成索引）->；在[0.0，1.0]范围内浮动。
此函数获取生成的索引（0表示第一代，1表示第二代，等等）。
并返回表现最好的一部分，以保持对下一代的影响。
精英被复制，然后，在新的
生成是通过selectionfunc->；crossoverfunc->；mutationfunc管道创建的，它们是
重新引入基因库。这意味着如果上述管道生成100个代理
而精英主义则定为10人，新一代将由110名特工组成。如果这样
令人困惑的是，请参见
max_agents_per_generation和min_agents_per_generation。 当none时，默认为一个函数，它只返回0.1（或10%）的基因库，而不管 生成。 - nWorkers：用于并行化适应度函数的进程数。这将默认为0，这将
意味着根本没有平行性。
无将使用核心数。否则，应为正整数。 - 每一代的最大代理数：允许进入一代的最大代理数。如果选择，交叉，变异，
精英主义的职能处理不当，有可能
每代要更改的代理。虽然在某些情况下可能需要这样做，但是
通常不是。如果这个值是负的，我们会让后代变得专横
尺寸。如果非零，经过选择、交叉、变异和精英主义，我们将
只要候选人的人数不超过这个值，就把他们都带走。如果他们这样做了，
我们随机抽取这么多。
此值默认为
无，这意味着我们使用填充作为最大值。 - 每代最小代理数：允许生成新一代的最小代理数。如果选择，交叉，变异，
精英主义的职能处理不当，有可能
每代要更改的代理。虽然在某些情况下可能需要这样做，但是
通常不是。如果这个值是负数或零，我们将允许
缩小到零，然后模拟将停止。如果不为零，选择后，
交叉、变异和精英主义，我们将随机遍历候选代理
顺序，复制它们直到满足此值。注意，我们试图展开
在所有候选人中平均重复。
此值默认为
无，这意味着我们使用填充作为最小值。
defrun(self,niterations=100,fitness=None)
运行构造的模拟。
要么运行到niterations通过，要么运行到最佳适应度fitness或更高。
返回最佳代理及其适合度。
关键字参数
- 数值：要运行模拟的迭代次数。默认为100。如果
无，
将使用fitness（不能为none）。如果这和适应度都是
指定后，我们将在满足一个或另一个条件时立即停止。 - 适应度：要聚合的适应度级别。一旦一个或多个经纪人达到这个健康水平
或者更高，模拟将停止。默认为
无。如果无（默认值），
将使用niterations（不能为none）。如果这和操作
指定后，我们将在满足一个或另一个条件时立即停止。 - 打印进度：如果
为真（默认值），我们将在每次生成后打印进度指示。
返回
- 模拟结束后体能得分最高的代理。
- 此代理的适合性。
无，
将使用fitness（不能为none）。如果这和适应度都是
指定后，我们将在满足一个或另一个条件时立即停止。无。如果无（默认值），
将使用niterations（不能为none）。如果这和操作
指定后，我们将在满足一个或另一个条件时立即停止。为真（默认值），我们将在每次生成后打印进度指示。欢迎加入QQ群-->： 979659372
