Dies ist ein Memo zur Verwendung von Deap. Hier wird das Memo am Beispiel von deap \ examples \ onemax_numpy.py beschrieben.
deap https://deap.readthedocs.io/en/master/
deap github https://github.com/DEAP/deap
OneMax？ Es ist ein Problem, die Summe einer aus 0,1 bestehenden Zahlenfolge wie [1, 1, 1, 1, 0, 0, 0, 1, 1, 0] zu maximieren. ⇒ Die zu erhaltende Lösung ist [1, 1, 1, 1, 1, 1, 1, 1, 1, 1].
Im folgenden Code ist das Problem eine Zeichenfolge mit der Länge 100.
Fügen Sie den Code mit Notizen ein.
my_onemax_numpy.py
import random
import numpy
from deap import algorithms
from deap import base
from deap import creator
from deap import tools
# parameter
n_gene = 100 #Anzahl der Gene pro Person
n_individuals = 300 #Anzahl der Personen pro Generation
n_generations = 1000 #Anzahl der Generationen
p_cxpb = 0.5 #Crossover-Rate (Anzahl der Crossing-Personen)
p_mutpb = 0.2 #Mutationsrate (Anzahl der zu mutierenden Personen)
p_mutate = 0.05 #Mutationswahrscheinlichkeit (Genmutationsrate)
n_tournsize = 3 #Turniergröße
def evalOneMax(individual):
"""Bewertungsfunktion onemax"""
return sum(individual),
def init_creator():
"""Stellen Sie die Richtung der Zielfunktion ein"""
#Eine objektive Funktion zur Bewertung, Maximierung der individuellen Anpassungsfähigkeit
creator.create("FitnessMax", base.Fitness, weights=(1.0,))
# numpy.Erben Sie die Ndarray-Klasse
# fitness=creator.Erstellen Sie eine Einzelklasse mit einer Mitgliedsvariablen namens FitnessMax
creator.create("Individual", numpy.ndarray, fitness=creator.FitnessMax)
return creator
def my_gene_generator(min, max):
"""Gengenerierungsfunktion"""
return random.randint(min, max)
def init_generator(creator):
"""Festlegen von Methoden zur Erzeugung von Genen, Individuen und Generationen"""
toolbox = base.Toolbox()
#Definition der Funktion, die das Gen produziert
toolbox.register("attr_bool", my_gene_generator, 0, 1)
#Definition der Funktion zur Generierung eines Individuums
toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attr_bool, n_gene)
#Definition der Funktion, die die Generierung generiert
toolbox.register("population", tools.initRepeat, list, toolbox.individual)
return toolbox
def operator_registration(toolbox):
"""Bewertungsfunktion / Strategieeinstellung"""
toolbox.register("evaluate", evalOneMax) # evaluate =Bewertungsfunktion
toolbox.register("mate", tools.cxTwoPoint) # mate =Zweipunktüberquerung
toolbox.register("mutate", tools.mutFlipBit, indpb=p_mutate) # mutate =Bitinversion
toolbox.register("select", tools.selTournament, tournsize=n_tournsize) # select = tournament(3)
def stats_register():
"""Einstellungen für die Statusdefinition"""
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)
return stats
def get_cxpoint(size):
"""2-Punkte-Einstellung für 2-Punkt-Kreuzung"""
cxpoint1 = random.randint(1, size)
cxpoint2 = random.randint(1, size - 1)
if cxpoint2 >= cxpoint1:
cxpoint2 += 1
else: # Swap the two cx points
cxpoint1, cxpoint2 = cxpoint2, cxpoint1
return cxpoint1, cxpoint2
def cxTwoPointCopy(ind1, ind2):
"""2-Punkt-Frequenzweiche für Numpy"""
size = min(len(ind1), len(ind2))
cxpoint1, cxpoint2 = get_cxpoint(size)
ind1[cxpoint1:cxpoint2], ind2[cxpoint1:cxpoint2] \
= ind2[cxpoint1:cxpoint2].copy(), ind1[cxpoint1:cxpoint2].copy()
return ind1, ind2
def set_seed(seed=42):
random.seed(seed)
def main(toolbox):
set_seed()
#Generation der frühen Generation
pop = toolbox.population(n=n_individuals)
#Elite für Numpy=1 Strategie
hof = tools.HallOfFame(1, similar=numpy.array_equal)
#Statistik Definition
stats = stats_register()
# main loop
algorithms.eaSimple(pop, toolbox, cxpb=p_cxpb, mutpb=p_mutpb, ngen=n_generations, stats=stats,
halloffame=hof)
#Anzeige der besten Personen
best_ind = tools.selBest(pop, 1)[0]
print("Best individual is \n Eval:\n %s, \n Gene:\n %s" % (best_ind.fitness.values, best_ind))
return pop, stats, hof
if __name__ == "__main__":
#Stellen Sie die Richtung der Zielfunktion ein
creator = init_creator()
#Festlegen von Methoden zur Erzeugung von Genen, Individuen und Generationen
toolbox = init_generator(creator)
#Einstellung der Evolutionsmethode
operator_registration(toolbox)
#Hauptroutine
main(toolbox)
Ausführungsergebnis
gen nevals avg std min max
0 300 49.88 4.82344 36 64
1 172 54.27 3.60792 45 68
2 181 57.24 3.32 47 68
・ ・ ・
987 183 98.9767 2.3642 89 100
988 171 99.1467 2.02941 89 100
989 192 99.0567 2.26424 90 100
990 176 99.1167 2.12047 88 100
991 183 99.2733 1.94901 90 100
992 164 98.97 2.30704 90 100
993 178 99.03 2.0581 90 100
994 188 98.9767 2.24264 89 100
995 174 98.95 2.3211 86 100
996 177 98.83 2.33833 90 100
997 186 99.0367 2.15453 89 100
998 177 98.9833 2.16095 91 100
999 175 98.9933 2.25683 90 100
1000 181 98.8967 2.23443 89 100
Best individual is
Eval:
(100.0,),
Gene:
[1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]
① Ich weiß nicht, wie ich die Richtung (Maximierung / Minimierung) der Bewertungsfunktion bestimmen soll.
creator.py
#Eine objektive Funktion zur Bewertung, Maximierung der individuellen Anpassungsfähigkeit
creator.create("FitnessMax", base.Fitness, weights=(1.0,))
#Es sind zwei Zielfunktionen zu bewerten: Die erste besteht darin, die Anpassungsfähigkeit zu minimieren und die zweite darin, die Anpassungsfähigkeit zu maximieren.
creator.create("FitnessMulti", base.Fitness, weights=(-1.0, 1.0))
② Wie generieren und bewerten Sie Gene? -Registrieren Sie die generierte Funktion in der Toolbox Hier wird eine Funktion namens my_gene_generator verwendet, die zufällig 0 oder 1 generiert. Registrieren Sie sich mit dem Namen "attr_bool" in der Toolbox
gene_generator.py
def my_gene_generator(min, max):
"""Gengenerierungsfunktion"""
return random.randint(min, max)
def init_generator(creator):
"""Festlegen von Methoden zur Erzeugung von Genen, Individuen und Generationen"""
toolbox = base.Toolbox()
#Definition der Funktion, die das Gen produziert
toolbox.register("attr_bool", my_gene_generator, 0, 1)
・ Registrieren Sie die Auswertungsfunktion in der Toolbox Hier eine Funktion namens evalOneMax Registrieren Sie sich mit dem Namen "evaluieren" in der Toolbox
gene_eval.py
def evalOneMax(individual):
"""Bewertungsfunktion onemax"""
return sum(individual),
def operator_registration(toolbox):
"""Bewertungsfunktion / Strategieeinstellung"""
toolbox.register("evaluate", evalOneMax) # evaluate =Bewertungsfunktion
③ Wo ist die Hauptschleife? · Hier
algorithms.eaSimple(pop, toolbox, cxpb=p_cxpb, mutpb=p_mutpb, ngen=n_generations, stats=stats, halloffame=hof)