pyrimidine 1.0.0

嘧啶

遗传算法的python面向对象实现。有关详细信息，请参见pyrimidine's document。在

为什么

为什么包装名为“嘧啶”？因为它以“py”开头。在

— Are you kiding?

— No, I am serious.

下载

它已经上传到pypi，所以用pip install pyrimidine下载，也可以从github下载。在

想法

我们把人口看作个体的容器，把个体看作染色体的容器 以及作为基因容器（阵列）的染色体。在

容器可以是列表或数组。 容器类有一个属性element_class，它告诉自己其中元素的类。在

以下是BaseIndividual和BasePopulation的源代码部分。在

classBaseIndividual(BaseFitnessModel,metaclass=MetaContainer):element_class=BaseChromosomedefault_size=1classBasePopulation(BaseFitnessModel,metaclass=MetaHighContainer):element_class=BaseIndividualdefault_size=20

容器主要有两种：列表和元组，如编程语言Haskell。参见以下示例。在

^{pr2}$

使用

主要类别

• 基基因：染色体的基因
• 基本染色体：基因序列，代表解决方案的一部分
• 基本个体：染色体序列，代表一个问题的解决方案
• 一组个体，代表一组问题 也就是不稳定的过程
• 基种：更复杂优化的种群集合

导入

只需使用命令from pyrimidine import *导入所有对象。在

子类

染色体

一般来说，它是一组基因。在

作为0-1的数组，BinaryChromosome最常用。在

个人

在大多数情况下，只是子类MonoIndividual。在

classMyIndividual(MonoIndividual):"""individual with only one chromosome    we set the gene is 0 or 1 in the chromosome    """element_class=BinaryChromosomedef_fitness(self):...

由于类MonoBinaryIndividual被定义为这样的个体，它等价于

classMyIndividual(MonoBinaryIndividual):# only need define the fitnessdef_fitness(self):...

如果一个个体包含几个染色体，那么子类MultiIndividual。它可以应用于多实变量优化问题。在

在大多数情况下，我们必须将染色体解码为实数。在

class_Chromosome(BinaryChromosome):defdecode(self):"""Decode a binary chromosome        if the sequence of 0-1 represents a real number, then overide the method        to transform it to a nubmer        """classExampleIndividual(BaseIndividual):element_class=_Chromosomedef_fitness(self):# define the method to calculate the fitnessx=self.decode()# will call decode method of _Chromosomereturnevaluate(x)

如果个体中的染色体彼此不同，那么子类MixIndividual，同时，属性{}应该为每个染色体分配一个类元组。在

classMyIndividual(MixIndividual):"""    Inherit the fitness from ExampleIndividual directly.    It has 6 chromosomes, 5 are instances of _Chromosome, 1 is instance of FloatChromosome    """element_class=(_Chromosome,)*5+(FloatChromosome,)

它相当于MyIndividual=MixIndividual[(_Chromosome,)*5 + (FloatChromosome,)]

人口

classMyPopulation(SGAPopulation):element_class=MyIndividual

element_class是类的最重要属性，它定义了群体中个体的类。它相当于MyPopulation=SGAPopulation[MyIndividual]。在

随机初始化

初始化填充

产生一个群体，有50个个体，每个个体有100个基因

pop = MyPopulation.random(n_individuals=50, size=100)

当每个个体包含5条染色体时。在

pop = MyPopulation.random(n_individuals=10, n_chromosomes=5, size=10)

对于MixIndividual，我们建议使用，例如

pop = MyPopulation.random(n_individuals=10, sizes=(10,8,8,3))

初始化个人

实际上，Population的random方法将调用Individual的随机方法。如果您想生成一个个体，那么只需执行MyIndividual.random(n_chromosomes=5, size=10)，对于简单的个体，只需执行SimpleIndividual.random(size=10)，因为它的n_chromosomes等于1。在

进化

evolve方法

使用random方法初始化填充，然后调用evolve方法。在

pop=MyPopulation.random(n_individuals=50,size=100)pop.evolve()print(pop.best_individual)

设置verbose=True以显示每一代的数据。在

历史

了解进化史。在

stat={'Fitness':'fitness','Best Fitness':lambdapop:pop.best_individual.fitness}data=pop.history(stat=stat)# use history instead of evolve

stat是一个dict映射键到函数的dict，其中字符串'fitness'表示函数lambda pop:pop.fitness，它获得pop的平均适应度。因为我们已经定义流行音乐最佳个人音乐.fitness作为属性，stat可以重新定义为{'Fitness':'fitness', 'Best Fitness': 'best_fitness'}。在

性能

使用pop.perf()检查性能。在

示例

例1

说明

select ti, ni from t, n
sum of ni ~ 10, while ti dose not repeat

选择。问题是

min abs(sum_i{ni}-10) + maximum of frequences in {ti}
where i is selected.

t=np.random.randint(1,5,100)n=np.random.randint(1,4,100)importcollectionsdefmax_repeat(x):# maximum of numbers of repeatsc=collections.Counter(x)bm=np.argmax([bfora,binc.items()])returnlist(c.keys())[bm]classMyIndividual(BinaryIndividual):def_fitness(self):x,y=self.evaluate()return-x-ydefevaluate(self):returnabs(np.dot(n,self.chromosome)-10),max_repeat(tiforti,cinzip(t,self)ifc==1)classMyPopulation(SGAPopulation):element_class=MyIndividualpop=MyPopulation.random(n_individuals=50,size=100)pop.evolve()print(pop.best_individual)

注意到MonoIndividual中只有一条染色体，可以通过self.chromosome获得。在

例2：背包问题

其中一个著名的问题是背包问题。这是遗传算法的一个很好的例子

我们在evolve方法中设置history=True，它将记录whol的主要数据进化论。它将返回一个pandas.DataFrame的对象。参数stat是一个dict，它从一个key到function/str（对应于一个方法）映射一个总体到一个数字。一代中的数字将存储在数据帧的一行中。在

见# examples/example0

#!/usr/bin/env python3# -*- coding: utf-8 -*-frompyrimidineimportMonoBinaryIndividual,SGAPopulationfrompyrimidine.benchmarks.optimizationimport*# generate a knapsack problem randomlyevaluate=Knapsack.random(n=20)classMyIndividual(MonoBinaryIndividual):def_fitness(self):returnevaluate(self)classMyPopulation(SGAPopulation):element_class=MyIndividualpop=MyPopulation.random(size=20)stat={'Mean Fitness':'mean_fitness','Best Fitness':'best_fitness'}data=pop.evolve(stat=stat,history=True)# data is an instance of DataFrame of pandasimportmatplotlib.pyplotaspltfig=plt.figure()ax=fig.add_subplot(111)data[['Mean Fitness','Best Fitness']].plot(ax=ax)ax.set_xlabel('Generations')ax.set_ylabel('Fitness')plt.show()

扩展

pyrimidine是可扩展的。它易于实现其他迭代模型，如模拟退火和粒子群优化。在

目前，建议将基于BaseIterativeModel的子类定义为maxin。在

在粒子群优化算法中，我们把粒子看作一个个体，ParticleSwarm作为一个总体。但是在下面，我们将它从BaseIterativeModel子类化

# pso.pyclassParticle(PolyIndividual):"""A particle in PSO    Variables:        default_size {number} -- one individual represented by 2 chromosomes: position and velocity        phantom {Particle} -- the current state of the particle moving in the solution space.    """element_class=FloatChromosomedefault_size=2phantom=Nonedefbackup(self):self.chromosomes[0]=self.positionself.fitness=self.phantom.fitnessdefinit(self):self.phantom=self.clone(fitness=self.fitness)# other methodsclassParticleSwarm(BaseIterativeModel):element_class=Particledefault_size=20params={'learning_factor':2,'acceleration_coefficient':3,'inertia':0.5,'n_best_particles':0.1,'max_velocity':None}definit(self):self.best_particles=self.get_best_individuals(self.n_best_particles)forparticleinself.particles:particle.init()deftransit(self,*args,**kwargs):"""        Transitation of the states of particles        """forparticleinself:ifparticle.phantom.fitness>particle.fitness:particle.backup()forparticleinself:ifparticlenotinself.best_particles:fork,binenumerate(self.best_particles):ifparticle.fitness<=b.fitness:breakifk>0:self.best_particles.pop(k)self.best_particles.insert(k,particle)self.move()defmove(self):# moving rule of particlesxi=random()eta=random()forparticleinself:ifparticleinself.best_particles:particle.velocity=(self.inertia*particle.velocity+self.learning_factor*xi*(particle.best_position-particle.position))else:forbinself.best_particles:ifparticle.fitness<b.fitness:breakparticle.velocity=(self.inertia*particle.velocity+self.learning_factor*xi*(particle.best_position-particle.position)+self.acceleration_coefficient*eta*(b.best_position-particle.position))particle.position+=particle.velocityparticle.phantom.fitness=None

如果您想应用PSO，那么您可以定义

classMyParticleSwarm(ParticleSwarm,BasePopulation):element_class=_Particledefault_size=20pop=MyParticleSwarm.random()

这不是强迫性的。可以直接从BasePopulation继承{}。在

标签：

• 项目

欢迎加入QQ群-->： 979659372

推荐PyPI第三方库

• deos.org

  DEOS.ORG

• baizhanMath2

  这是一个对外发布的测试模块

• catastrop

  （猫）天文学家

• gevent-memcached-server

  基于gevent的memcached二进制协议服务器

• django-subsites

  没有项目描述

• FastSync

  事件驱动的快速同步工具

• Tau-Phah-Ji-Command

  用指令叫鬥拍字

• ntfb

  运行python函数或代码块的通知bot，需要一个电报bot令牌和chatid。

• zcx811

  嵌套列表的简单打印机

• py8051

  8051反汇编程序的python接口。

• single-cell-detect

  细胞边界检测包

• gigalixir

  没有项目描述

• req-tools

  没有项目描述

• threadlocal-aws

  用于访问线程本地aws客户端和资源的库

• strongarm

  没有项目描述