Python遺傳演算法框架——Geatpy學習筆記（一）
最近各項比賽告一段落，期間我逐漸開始接觸遺傳演算法。最近由同學推薦，我開始學習一個Python高效能遺傳演算法框架——Geatpy。它是由華工、華農、德州奧斯汀公立大學的學生組成的聯合團隊開發。
華工的師兄目前才研二，就和志同道合的人組建團隊開發了這款實用型框架，實屬難得，打破了“幾乎所有好用的庫、框架長期都由外國人擁有”的局面。這裡點個贊！
前幾天有幸參加師兄線上直播教學，瞭解到Geatpy的相關用法。在此作一下學習記錄。
一. 安裝：
pip install geatpy
直接執行上述程式碼即可。
在後面要更新時，可以執行：
pip install --upgrade geatpy
師兄著重講了如何與Matlab銜接學習。Matlab上有比較著名的gatbx和GEATbx，Geatpy的庫函式命名風格是基本與它們相容的，因此可以輕鬆過渡到使用Python進行遺傳演算法的程式設計。我沒有用過Matlab，因此就不管這個了。
二. Geatpy最簡單用法：
Geatpy除了提供了遺傳和進化演算法的各種庫函式外，還提供了多種“演算法模板”來實現遺傳和進化演算法。一般在使用時直接套用即可。這裡我試了一下求多目標優化DTLZ2的帕累託前沿。因為Geatpy是支援動畫輸出的，可以觀察帕累託前沿求解的過程，不過要注意，在輸出動畫前，要在python控制檯執行以下程式碼：
matplotlib qt5
個人十分推薦使用Anaconda3進行程式設計。它裡面的Spyder介面友好、簡單易用。
根據Geatpy官方教程，Geatpy進行遺傳演算法程式設計時需要做以下兩步：
1. 編寫目標函式介面檔案：
"""
aimfuc.py 多目標函式DTLZ1,2,3,4
"""
# DTLZ3
def DTLZ3(Chrom, M = 3): # M為問題維度，如2維、3維
x = Chrom.T
XM = x[M-1:]
k = x.shape[0] - M + 1
gx = 100 * (k + np.sum((XM - 0.5) ** 2 - np.cos(20 * np.pi * (XM - 0.5)), 0))
ObjV = (np.array([[]]).T) * np.zeros((1, Chrom.shape[0]))
ObjV = np.vstack([ObjV, np.cumprod((np.cos(x * np.pi / 2))[:M-1], 0)[-1] * (1 + gx)])
for i in range(2, M):
ObjV = np.vstack([ObjV, np.cumprod((np.cos(x * np.pi / 2))[: M-i], 0)[-1] * np.sin(x[M-i] * np.pi / 2) * (1 + gx)])
ObjV = np.vstack([ObjV, np.sin(x[0] * np.pi / 2) * (1 + gx)])
return ObjV.T
2. 編寫執行指令碼：
"""main.py"""
import numpy as np
import geatpy as ga # import geatpy
AIM_M = __import__('aimfuc') # get the address of objective function
AIM_F = 'DTLZ2' # You can set DTL1,2,3 or 4
"""==================================variables setting================================"""
ranges = np.vstack([np.zeros((1,7)), np.ones((1,7))]) # define the ranges of variables in DTLZ1
borders = np.vstack([np.ones((1,7)), np.ones((1,7))]) # define the borders of variables in DTLZ1
FieldDR = ga.crtfld(ranges, borders) # create the FieldDR
"""=======================use sga2_templet to find the Pareto front==================="""
[ObjV, NDSet, NDSetObjV, times] = ga.nsga2_templet(AIM_M, AIM_F, None, None, FieldDR, problem = 'R', maxormin = 1, MAXGEN = 1000, MAXSIZE = 2000, NIND = 50, SUBPOP = 1, GGAP = 1, selectStyle = 'tour', recombinStyle = 'xovdprs', recopt = 0.9, pm = None, distribute = False, drawing = 2)
執行上述指令碼，就可以看到帕累託前沿的求解過程：
過程截圖1：
過程截圖2：
過程截圖3：
最終執行結果：
上述程式碼就是這麼簡潔。在上面的程式碼中，我是直接呼叫Geatpy自帶的"nsga2_templet"演算法模板的，它實現的是改進的NSGA-II演算法。其實，我還可以自定義演算法模板，來實現各種改進創新的遺傳演算法，以便相關研究工作的開展。