scikit-opt 0.6.1

scikit-opt

Python中的群体智能
（遗传算法、粒子群优化算法、模拟退火算法、蚁群算法、免疫算法、Python人工鱼群算法）

• 文档：https://scikit-opt.github.io/scikit-opt/#/en/
• 语言：https://scikit-opt.github.io/scikit-opt/#/zh/
• 源代码：https://github.com/guofei9987/scikit-opt
• ^{1{1}帮助{1}

安装

pip install scikit-opt

对于当前的开发人员版本：

^{pr2}$

特点

功能1:UDF

UDF（用户定义函数）现在可用！在

例如，您刚刚开发了一个新类型的selection函数。
现在，您的selection函数如下：
->；演示代码：examples/demo_ga_udf.py#s1

# step1: define your own operator:defselection_tournament(algorithm,tourn_size):FitV=algorithm.FitVsel_index=[]foriinrange(algorithm.size_pop):aspirants_index=np.random.choice(range(algorithm.size_pop),size=tourn_size)sel_index.append(max(aspirants_index,key=lambdai:FitV[i]))algorithm.Chrom=algorithm.Chrom[sel_index,:]# next generationreturnalgorithm.Chrom

导入并构建ga
->；演示代码：examples/demo_ga_udf.py#s2

importnumpyasnpfromsko.GAimportGA,GA_TSPdemo_func=lambdax:x[0]**2+(x[1]-0.05)**2+(x[2]-0.5)**2ga=GA(func=demo_func,n_dim=3,size_pop=100,max_iter=500,lb=[-1,-10,-5],ub=[2,10,2],precision=[1e-7,1e-7,1])

将您的自定义项注册到GA
->；演示代码：examples/demo_ga_udf.py#s3

ga.register(operator_name='selection',operator=selection_tournament,tourn_size=3)

scikit opt还提供一些运算符
->；演示代码：examples/demo_ga_udf.py#s4

fromsko.operatorsimportranking,selection,crossover,mutationga.register(operator_name='ranking',operator=ranking.ranking). \
    register(operator_name='crossover',operator=crossover.crossover_2point). \
    register(operator_name='mutation',operator=mutation.mutation)

现在像往常一样进行GA
->；演示代码：examples/demo_ga_udf.py#s5

best_x,best_y=ga.run()print('best_x:',best_x,'\n','best_y:',best_y)

Until Now, the udf surport crossover, mutation, selection, ranking of GA scikit-opt provide a dozen of operators, see here

对于高级用户：

->演示代码：examples/demo_ga_udf.py#s6

classMyGA(GA):defselection(self,tourn_size=3):FitV=self.FitVsel_index=[]foriinrange(self.size_pop):aspirants_index=np.random.choice(range(self.size_pop),size=tourn_size)sel_index.append(max(aspirants_index,key=lambdai:FitV[i]))self.Chrom=self.Chrom[sel_index,:]# next generationreturnself.Chromranking=ranking.rankingdemo_func=lambdax:x[0]**2+(x[1]-0.05)**2+(x[2]-0.5)**2my_ga=MyGA(func=demo_func,n_dim=3,size_pop=100,max_iter=500,lb=[-1,-10,-5],ub=[2,10,2],precision=[1e-7,1e-7,1])best_x,best_y=my_ga.run()print('best_x:',best_x,'\n','best_y:',best_y)

特点二：GPU计算

我们正在开发GPU计算，它将在1.0.0版上稳定
已经有一个示例：https://github.com/guofei9987/scikit-opt/blob/master/examples/demo_ga_gpu.py

特色三：继续跑步

（版本0.3.6中的新功能）
运行一个算法进行10次迭代，然后在之前的10次迭代的基础上再运行20次迭代：

fromsko.GAimportGAfunc=lambdax:x[0]**2ga=GA(func=func,n_dim=1)ga.run(10)ga.run(20)

快速入门

1。差异进化

Step1：定义您的问题
->；演示代码：examples/demo_de.py#s1

'''min f(x1, x2, x3) = x1^2 + x2^2 + x3^2s.t.    x1*x2 >= 1    x1*x2 <= 5    x2 + x3 = 1    0 <= x1, x2, x3 <= 5'''defobj_func(p):x1,x2,x3=preturnx1**2+x2**2+x3**2constraint_eq=[lambdax:1-x[1]-x[2]]constraint_ueq=[lambdax:1-x[0]*x[1],lambdax:x[0]*x[1]-5]

Step2：进行差异进化
->；演示代码：examples/demo_de.py#s2

fromsko.DEimportDEde=DE(func=obj_func,n_dim=3,size_pop=50,max_iter=800,lb=[0,0,0],ub=[5,5,5],constraint_eq=constraint_eq,constraint_ueq=constraint_ueq)best_x,best_y=de.run()print('best_x:',best_x,'\n','best_y:',best_y)

2。遗传算法

Step1：定义您的问题
->；演示代码：examples/demo_ga.py#s1

importnumpyasnpdefschaffer(p):'''    This function has plenty of local minimum, with strong shocks    global minimum at (0,0) with value 0    '''x1,x2=px=np.square(x1)+np.square(x2)return0.5+(np.square(np.sin(x))-0.5)/np.square(1+0.001*x)

Step2：执行遗传算法
->；演示代码：examples/demo_ga.py#s2

fromsko.GAimportGAga=GA(func=schaffer,n_dim=2,size_pop=50,max_iter=800,lb=[-1,-1],ub=[1,1],precision=1e-7)best_x,best_y=ga.run()print('best_x:',best_x,'\n','best_y:',best_y)

Step3：绘制结果
->；演示代码：examples/demo_ga.py#s3

importpandasaspdimportmatplotlib.pyplotaspltY_history=pd.DataFrame(ga.all_history_Y)fig,ax=plt.subplots(2,1)ax[0].plot(Y_history.index,Y_history.values,'.',color='red')Y_history.min(axis=1).cummin().plot(kind='line')plt.show()

2.2求解TSP（旅行商问题）

只需导入GA_TSP，它重载crossover，mutation来解决TSP

Step1：定义您的问题。准备点坐标和距离矩阵。
在这里，我随机生成数据作为演示：
->；演示代码：examples/demo_ga_tsp.py#s1

importnumpyasnpfromscipyimportspatialimportmatplotlib.pyplotaspltnum_points=50points_coordinate=np.random.rand(num_points,2)# generate coordinate of pointsdistance_matrix=spatial.distance.cdist(points_coordinate,points_coordinate,metric='euclidean')defcal_total_distance(routine):'''The objective function. input routine, return total distance.    cal_total_distance(np.arange(num_points))    '''num_points,=routine.shapereturnsum([distance_matrix[routine[i%num_points],routine[(i+1)%num_points]]foriinrange(num_points)])

Step2：执行GA
->；演示代码：examples/demo_ga_tsp.py#s2

fromsko.GAimportGA_TSPga_tsp=GA_TSP(func=cal_total_distance,n_dim=num_points,size_pop=50,max_iter=500,prob_mut=1)best_points,best_distance=ga_tsp.run()

Step3：绘制结果：
->；演示代码：examples/demo_ga_tsp.py#s3

fig,ax=plt.subplots(1,2)best_points_=np.concatenate([best_points,[best_points[0]]])best_points_coordinate=points_coordinate[best_points_,:]ax[0].plot(best_points_coordinate[:,0],best_points_coordinate[:,1],'o-r')ax[1].plot(ga_tsp.generation_best_Y)plt.show()

3。粒子群优化

3.1约束

Step1：定义您的问题：
->；演示代码：examples/demo_pso.py#s1

defdemo_func(x):x1,x2,x3=xreturnx1**2+(x2-0.05)**2+x3**2

Step2：执行PSO
->；演示代码：examples/demo_pso.py#s2

fromsko.PSOimportPSOpso=PSO(func=demo_func,n_dim=3,pop=40,max_iter=150,lb=[0,-1,0.5],ub=[1,1,1],w=0.8,c1=0.5,c2=0.5)pso.run()print('best_x is ',pso.gbest_x,'best_y is',pso.gbest_y)

Step3：绘制结果
->；演示代码：examples/demo_pso.py#s3

importmatplotlib.pyplotaspltplt.plot(pso.gbest_y_hist)plt.show()

↑见examples/demo_pso_ani.py

4。模拟退火

4.1多功能SA

Step1：定义您的问题
->；演示代码：examples/demo_sa.py#s1

^{pr21}$

Step2：执行SA
->；演示代码：examples/demo_sa.py#s2

fromsko.SAimportSAsa=SA(func=demo_func,x0=[1,1,1],T_max=1,T_min=1e-9,L=300,max_stay_counter=150)best_x,best_y=sa.run()print('best_x:',best_x,'best_y',best_y)

Step3：绘制结果
->；演示代码：examples/demo_sa.py#s3

importmatplotlib.pyplotaspltimportpandasaspdplt.plot(pd.DataFrame(sa.best_y_history).cummin(axis=0))plt.show()

此外，scikit opt提供3种模拟退火：Fast、Boltzmann、Cauchy。见more sa

4.2 TSP

Step1：哦，是的，定义你的问题。复制这一步很无聊。在

Step2：对TSP执行SA
->；演示代码：examples/demo_sa_tsp.py#s2

fromsko.SAimportSA_TSPsa_tsp=SA_TSP(func=cal_total_distance,x0=range(num_points),T_max=100,T_min=1,L=10*num_points)best_points,best_distance=sa_tsp.run()print(best_points,best_distance,cal_total_distance(best_points))

Step3：绘制结果
->；演示代码：examples/demo_sa_tsp.py#s3

frommatplotlib.tickerimportFormatStrFormatterfig,ax=plt.subplots(1,2)best_points_=np.concatenate([best_points,[best_points[0]]])best_points_coordinate=points_coordinate[best_points_,:]ax[0].plot(sa_tsp.best_y_history)ax[0].set_xlabel("Iteration")ax[0].set_ylabel("Distance")ax[1].plot(best_points_coordinate[:,0],best_points_coordinate[:,1],marker='o',markerfacecolor='b',color='c',linestyle='-')ax[1].xaxis.set_major_formatter(FormatStrFormatter('%.3f'))ax[1].yaxis.set_major_formatter(FormatStrFormatter('%.3f'))ax[1].set_xlabel("Longitude")ax[1].set_ylabel("Latitude")plt.show()

更多：绘制动画：

↑见examples/demo_sa_tsp.py

5。求解tsp问题的蚁群算法

在->；演示代码：examples/demo_aca_tsp.py#s2

fromsko.ACAimportACA_TSPaca=ACA_TSP(func=cal_total_distance,n_dim=num_points,size_pop=50,max_iter=200,distance_matrix=distance_matrix)best_x,best_y=aca.run()

6。免疫算法

{a39演示代码^；gt

fromsko.IAimportIA_TSPia_tsp=IA_TSP(func=cal_total_distance,n_dim=num_points,size_pop=500,max_iter=800,prob_mut=0.2,T=0.7,alpha=0.95)best_points,best_distance=ia_tsp.run()print('best routine:',best_points,'best_distance:',best_distance)

7。人工鱼群算法

->演示代码：examples/demo_afsa.py#s1

deffunc(x):x1,x2=xreturn1/x1**2+x1**2+1/x2**2+x2**2fromsko.AFSAimportAFSAafsa=AFSA(func,n_dim=2,size_pop=50,max_iter=300,max_try_num=100,step=0.5,visual=0.3,q=0.98,delta=0.5)best_x,best_y=afsa.run()print(best_x,best_y)

标签：

• 项目

欢迎加入QQ群-->： 979659372

推荐PyPI第三方库

• odoo11-addon-purchase-representative

  采购代表将是RFQ和PO的联系人

• vantage6

  vantage6命令行界面

• socksio

  SOCKS4、SOCKS4A和SOCKS5的SansI/O实现。

• pickling-decorator

  选择函数的输入和输出。

• compas-skeleton

  拓扑生成分枝图网格

• airflow-diagrams

  自动生成气流图。

• cs46-flora-trees

  这是一个用Python实现的树数据结构，包括二进制搜索树、AVL树和堆。

• silabel

  Silabel是一个python包，用于对印尼语单词进行音节化

• pymaft

  PyMAFT是一个在Python中模拟活动场理论模型的数值库。

• aviv-cdk

  Aviv CDK Python库

• simple-ansible-api

  这是一个样品包

• odoo13-addon-mail-server-relay-disallowed

  不允许邮件服务器中继

• google-datacatalog-connectors-commons-test

  数据目录连接器的通用测试资源

• pychromatic

  一个漂亮的python颜色选择器

• pydebuggerupgrade

  用于升级微芯片PKOB nano（nEDBG）调试器上固件的CLI和库实用程序