DEAP库文档教程四——操作与算法

本节将将在初始化的基础上，进一步说明操作与算法。

1、Using the Toolbox

toolbox(base.Toolbox())是包含所有进化操作的工具箱，从目标初始化到适应度计算。它允许在每个算法中实现简单的构造。**toolbox基本上由两种方法组成，register()和unregister()，**这两种函数是用来添加和移除工具的。

2、Using the Tools

需要区别Toolbox和Tools，前者包含后者关系，Tools更加纯粹的指向进化工具，如Initialization、Crossover、Mutation、Selection、Migration等等，具体查看官方教程。

复制代码

fitnesses = list(map(toolbox.evaluate, pop))
for ind, fit in zip(pop, fitnesses):
    ind.fitness.values = fit

toolbox.register('population', tools.initRepeat,list, toolbox.individual)
pop = toolbox.population(n = 30)
NGEN = 100 #ITERATION NUMBER
CXPB = 0.1 #CROSSOVER RATE
MUPB = 0.1 #MUTATION RATE
for i in range(NGEN):
    #selection
    offspring = toolbox.select(pop, len(pop)) #select len(pop) individuals from pop
    #clone the selected individuals
    offspring = list(map(toolbox.clone, offspring))
    
    #crossover
    for child1, child2 in zip(offspring[::2], offspring[1::2]):
        if random.random() < CXPB:
            toolbox.mate(child1, child2)
            del child1.fitness.values
            del child2.fitness.values
    
    #mutation
    for mutant in offspring:
        if random.random() < MUPB:
            toolbox.mutate(mutant)
            del mutant.fitness.values
    
    #evaluate the individuals with an invalid fitness
    invalid_ind = [ind for ind in offspring if not ind.fitness.valid]
    fitness = toolbox.map(toolbox.evaluate, invalid_ind)
    for ind, fit in zip(invalid_ind, fitness):
        ind.fitness.values = fit
        
    #the population is entirely replaced by offspring
    pop[:] = offspring

3、Tool Decoration

工具装饰是一个很强力的特征，它可以帮助你在演化过程中去精确地对算法和操作进行控制。一个装饰是指将函数进行包装，这叫做在真实的函数被调用前后做一些初始化和终止工作。例如，在一个有限的区域内，一种应用装饰符的方法是在变异和交叉的过程中保证个体不会越界。下面的定义就是检查是否有个体越界，装饰符是通过三个函数定义的，为了接收最小值和最大值。当变异或者交叉被调用时，边界将会检查它们的运算结果。

复制代码

def checkBounds(min, max):
    def decorator(func):
        def wrapper(*args, **kargs):
            offspring = func(*args, **kargs)
            for child in offspring:
                for i in xrange(len(child)):
                    if child[i] > max:
                        child[i] = max
                    elif child[i] < min:
                        child[i] = min
            return offspring
        return wrapper
    return decorator

toolbox.register("mate", tools.cxBlend, alpha=0.2)
toolbox.register("mutate", tools.mutGaussian, mu=0, sigma=2)

toolbox.decorate("mate", checkBounds(MIN, MAX))
toolbox.decorate("mutate", checkBounds(MIN, MAX))

4、Variations

变化允许建立简单的算法，使用预定义好的小模块。为了使用变化，toolbox一定会建立一个包含所需运算符的集合。例如，在最近展示的完整算法案例中，交叉和变异运算在varAnd()中被重新整合。这个函数要求toolbox包含mate()和mutate()函数，这种变化可以用来简化算法，就像下面这样

复制代码

from deap import algorithms

for g in range(NGEN):
    # Select and clone the next generation individuals
    offspring = map(toolbox.clone, toolbox.select(pop, len(pop)))

    # Apply crossover and mutation on the offspring
    offspring = algorithms.varAnd(offspring, toolbox, CXPB, MUPB)

    # Evaluate the individuals with an invalid fitness
    invalid_ind = [ind for ind in offspring if not ind.fitness.valid]
    fitnesses = toolbox.map(toolbox.evaluate, invalid_ind)
    for ind, fit in zip(invalid_ind, fitnesses):
        ind.fitness.values = fit

    # The population is entirely replaced by the offspring
    pop[:] = offspring

穿插讲解Variations

Variations变体是算法的较小部分，可以单独用于构建更复杂的算法。

主要包含**varAnd、varOr**

algorithms.``varAnd(population , toolbox , cxpb , mutpb )---函数的参数被写死了

进化算法的一部分，只应用变异部分（交叉和变异）。修改后的个体的适应度无效。个体被克隆，因此返回的种群独立于输入种群。

| Parameters: | * population -- A list of individuals to vary. * toolbox -- A Toolbox that contains the evolution operators. * cxpb -- The probability of mating two individuals. * mutpb -- The probability of mutating an individual. |

Returns:	A list of varied individuals that are independent of their parents.

这种变异被命名为And，因为它需要在个体上同时应用交叉和突变。注意，这两种算子都不是系统应用的，产生的个体可以根据给定的概率从仅交叉、仅突变、交叉和突变以及繁殖中生成。两种概率都应在[0,1]中。

algorithms.``varOr(population , toolbox , lambda_ , cxpb , mutpb)

| Parameters: | * population -- A list of individuals to vary. * toolbox -- A Toolbox that contains the evolution operators. * lambda_ -- The number of children to produce * cxpb -- The probability of mating two individuals. * mutpb -- The probability of mutating an individual. |

Returns:	The final population.

变化如下。在每次lambda_迭代中，它从三个操作中选择一个；交叉、突变或繁殖。在交叉的情况下，从亲本群体Pp中随机选择两个个体，使用toolbox.clone（）方法克隆这些个体，然后使用toolbox.mate（）方法交配。只有第一个孩子被附加到后代群体Po，第二个孩子被丢弃。在突变的情况下，从Pp中随机选择一个个体，然后使用toolbox.mutate（）方法对其进行克隆和突变。产生的突变体附加在Po上。在繁殖的情况下，从Pp中随机选择一个个体，克隆并附加到Po中。

这种变异被命名为Or，因为后代永远不会同时来自交叉和突变操作。两种概率之和应为[0,1]，再现概率为1-cxpb-mutpb。

5、Algorithms

有许多种可以在algorithm模块中使用的算法，它们十分简单并且可以反映演化算法的基本类型。这些算法使用Toolbox作为定义好的内容。一旦toolbox被设定完成，它们将会去调用这些算法。简单的演化算法需要五个参数，种群、toolbox、交叉率、变异率和种群迭代次数。

举例如下

复制代码

from deap import algorithms

algorithms.eaSimple(pop, toolbox, cxpb=0.5, mutpb=0.2, ngen=50)

算法库中列举的算法包含：

1、deap.algorithms.``eaSimple(population , toolbox , cxpb , mutpb , ngen [, stats , halloffame , verbose])

2、deap.algorithms.``eaMuPlusLambda(population , toolbox , mu , lambda_ , cxpb , mutpb , ngen [, stats , halloffame , verbose])

............///具体的内容，可以参考官方文档，不做展开了。