Geatpy是一個高性能實用型的Python遺傳算法工具箱，提供一個面向對象的進化算法框架，經過全面改版后，新版Geatpy2目前由華南農業大學、暨南大學、華南理工等本碩博學生聯合團隊開發及維護。
- Website (including documentation): http://www.geatpy.com
- Demo : https://github.com/geatpy-dev/geatpy/tree/master/geatpy/demo
- Pypi page : https://pypi.org/project/geatpy/
- Contact us: http://geatpy.com/index.php/about/
- Bug reports: https://github.com/geatpy-dev/geatpy/issues
- Notice: http://geatpy.com/index.php/notice/
- FAQ: http://geatpy.com/index.php/faq/
Geatpy提供了許多已實現的遺傳和進化算法相關算子的庫函數，如初始化種群、選擇、交叉、變異、重插入、多目標優化非支配排序等，並且提供諸多已實現的進化算法模板來實現多樣化的進化算法。其執行效率高於Matlab、Java和Python編寫的一些知名工具箱、平台或框架等，學習成本低、模塊高度脫耦、擴展性高。
Geatpy支持二進制/格雷碼編碼種群、實數值種群、整數值種群、排列編碼種群。支持輪盤賭選擇、隨機抽樣選擇、錦標賽選擇。提供單點交叉、兩點交叉、洗牌交叉、部分匹配交叉(PMX)、順序交叉(OX)、線性重組、離散重組、中間重組等重組算子。提供簡單離散變異、實數值變異、整數值變異、互換變異等變異算子。支持隨機重插入、精英重插入。支持awGA、rwGA、nsga2、快速非支配排序等多目標優化的庫函數、提供進化算法框架下的常用進化算法模板等。
關於遺傳算法、進化算法的學習資料，在官網中https://www.geatpy.com 有詳細講解以及相關的學術論文鏈接。同時網上也有很多資料。
閑話少說……下面講一下怎么安裝和使用：
先說一下安裝方法：
首先是要windows系統，Python要是3.5，3.6或3.7版本 ，並且安裝了pip。只需在控制台執行
pip install geatpy
即可安裝成功。或者到github上下載源碼進行編譯安裝：https://github.com/geatpy-dev/geatpy 。推薦是直接用pip的方式安裝。因為這樣方便后續的更新。我為了方便運行demo代碼以及查看源碼和官方教程文檔，因此另外在github上也下載了（但仍用pip方式安裝）。
有些初學Python的讀者反映還是不知道怎么安裝，或者安裝之后不知道怎么寫代碼。這里推薦安裝Anaconda，它集成了Python的許多常用的運行庫，比如Numpy、Scipy等。其內置的Spyder開發軟件的風格跟Matlab類似，給人熟悉的感覺，更容易上手。
再說一下更新方法：
Geatpy在持續更新。可以通過以下命令使電腦上的版本與官方最新版保持一致：
pip install --upgrade geatpy
若在更新過程中遇到"--user"錯誤的問題，是windows下用pip進行安裝時遇到的常見問題之一。意味着需要以管理員方式運行：
pip install --user --upgrade geatpy
Geatpy提供2種方式來使用進化算法求解問題。先來講一下第一種最基本的實現方式：編寫編程腳本。
1. 編寫腳本實現遺傳算法：
以一個非常簡單的單目標優化問題為例：求f(x)=x*sin(10*pi*x)+2.0 在 x∈[-1,2] 上的最大值。
直接編寫腳本如下：
"""demo.py""" import numpy as np import geatpy as ea # 導入geatpy庫 import matplotlib.pyplot as plt import time """============================目標函數============================""" def aim(x): # 傳入種群染色體矩陣解碼后的基因表現型矩陣 return x * np.sin(10 * np.pi * x) + 2.0 x = np.linspace(-1, 2, 200) plt.plot(x, aim(x)) # 繪制目標函數圖像 """============================變量設置============================""" x1 = [-1, 2] # 自變量范圍 b1 = [1, 1] # 自變量邊界 varTypes = np.array([0]) # 自變量的類型，0表示連續，1表示離散 Encoding = 'BG' # 'BG'表示采用二進制/格雷編碼 codes = [1] # 變量的編碼方式，2個變量均使用格雷編碼 precisions =[4] # 變量的編碼精度 scales = [0] # 采用算術刻度 ranges=np.vstack([x1]).T # 生成自變量的范圍矩陣 borders=np.vstack([b1]).T # 生成自變量的邊界矩陣 """=========================遺傳算法參數設置=========================""" NIND = 40; # 種群個體數目 MAXGEN = 25; # 最大遺傳代數 FieldD = ea.crtfld(Encoding,varTypes,ranges,borders,precisions,codes,scales) # 調用函數創建區域描述器 Lind = int(np.sum(FieldD[0, :])) # 計算編碼后的染色體長度 obj_trace = np.zeros((MAXGEN, 2)) # 定義目標函數值記錄器 var_trace = np.zeros((MAXGEN, Lind)) # 定義染色體記錄器，記錄每一代最優個體的染色體 """=========================開始遺傳算法進化========================""" start_time = time.time() # 開始計時 Chrom = ea.crtbp(NIND, Lind) # 生成種群染色體矩陣 variable = ea.bs2real(Chrom, FieldD) # 對初始種群進行解碼 ObjV = aim(variable) # 計算初始種群個體的目標函數值 best_ind = np.argmax(ObjV) # 計算當代最優個體的序號 # 開始進化 for gen in range(MAXGEN): FitnV = ea.ranking(-ObjV) # 根據目標函數大小分配適應度值(由於遵循目標最小化約定，因此最大化問題要對目標函數值乘上-1) SelCh=Chrom[ea.selecting('rws', FitnV, NIND-1), :] # 選擇，采用'rws'輪盤賭選擇 SelCh=ea.recombin('xovsp', SelCh, 0.7) # 重組(采用兩點交叉方式，交叉概率為0.7) SelCh=ea.mutbin(Encoding, SelCh) # 二進制種群變異 # 把父代精英個體與子代合並 Chrom = np.vstack([Chrom[best_ind, :], SelCh]) variable = ea.bs2real(Chrom, FieldD) # 對育種種群進行解碼(二進制轉十進制) ObjV = aim(variable) # 求育種個體的目標函數值 # 記錄 best_ind = np.argmax(ObjV) # 計算當代最優個體的序號 obj_trace[gen, 0] = np.sum(ObjV) / NIND # 記錄當代種群的目標函數均值 obj_trace[gen, 1] = ObjV[best_ind] # 記錄當代種群最優個體目標函數值 var_trace[gen, :] = Chrom[best_ind, :] # 記錄當代種群最優個體的變量值 # 進化完成 end_time = time.time() # 結束計時 """============================輸出結果及繪圖================================""" best_gen = np.argmax(obj_trace[:, [1]]) print('目標函數最大值：', obj_trace[best_gen, 1]) # 輸出目標函數最大值 variable = ea.bs2real(var_trace[[best_gen], :], FieldD) # 解碼得到表現型 print('對應的決策變量值為：') print(variable[0][0]) # 因為此處variable是一個矩陣，因此用[0][0]來取出里面的元素 print('用時：', end_time - start_time) plt.plot(variable, aim(variable),'bo') ea.trcplot(obj_trace, [['種群個體平均目標函數值', '種群最優個體目標函數值']])
運行結果如下：
目標函數最大值： 3.850270731049811
對應的決策變量值為：
1.8504898220770896
用時： 0.015621423721313477
仔細查看上述代碼，我們會發現Geatpy的書寫風格與Matlab大同小異，有Matlab相關編程經驗的基本上可以無縫轉移到Python上利用Geatpy進行遺傳算法程序開發。
Geatpy提供了詳盡的API文檔，比如要查看上面代碼中的"ranking"函數是干什么的，可以在python中執行
import geatpy as ga help(ga.ranking)
即可看到"ranking"函數的相關使用方法。
另外官網上也有更多詳盡的Geatpy教程：http://geatpy.com/index.php/details/
2. 利用框架實現遺傳算法。
Geatpy提供開放的面向對象進化算法框架。即“問題類”+“進化算法模板類+種群類”。對於一些復雜的進化算法，如多目標進化優化、改進的遺傳算法等，按照上面所說的編寫腳本代碼是非常麻煩的，而用框架的方法可以極大提高編程效率。
這里給出一個利用框架實現NSGA-II算法求多目標優化函數ZDT-1的帕累托前沿面的例子：
第一步：首先編寫ZDT1的問題類，寫在“MyProblem.py”文件中：
# -*- coding: utf-8 -*- """MyProblem.py""" import numpy as np import geatpy as ea class MyProblem(ea.Problem): # 繼承Problem父類 def __init__(self): name = 'ZDT1' # 初始化name（函數名稱，可以隨意設置） M = 2 # 初始化M（目標維數） maxormins = [1] * M # 初始化maxormins（目標最小最大化標記列表，1：最小化該目標；-1：最大化該目標） Dim = 30 # 初始化Dim（決策變量維數） varTypes = [0] * Dim # 初始化varTypes（決策變量的類型，0：實數；1：整數） lb = [0] * Dim # 決策變量下界 ub = [1] * Dim # 決策變量上界 lbin = [1] * Dim # 決策變量下邊界 ubin = [1] * Dim # 決策變量上邊界 # 調用父類構造方法完成實例化 ea.Problem.__init__(self, name, M, maxormins, Dim, varTypes, lb, ub, lbin, ubin) def aimFunc(self, pop): # 目標函數 Vars = pop.Phen # 得到決策變量矩陣 ObjV1 = Vars[:, 0] gx = 1 + 9 * np.sum(Vars[:, 1:30], 1) hx = 1 - np.sqrt(ObjV1 / gx) ObjV2 = gx * hx pop.ObjV = np.array([ObjV1, ObjV2]).T # 把結果賦值給ObjV def calBest(self): # 計算全局最優解 N = 10000 # 生成10000個參考點 ObjV1 = np.linspace(0, 1, N) ObjV2 = 1 - np.sqrt(ObjV1) globalBestObjV = np.array([ObjV1, ObjV2]).T return globalBestObjV
上面代碼中，問題類的構造函數__init__()是用於定義與ZDT1測試問題相關的一些參數，如決策變量范圍、類型、邊界等等。aimFunc()是待優化的目標函數。calBest()可以用來計算理論的全局最優解，這個理論最優解可以是通過計算得到的，也可以是通過導入外部文件的數據得到的，如果待求解的問題沒有或尚不知道理論最優解是多少，則這個calBest()函數可以省略不寫。
第二步：在同一個文件夾下編寫執行腳本，實例化上述問題類的對象，然后調用Geatpy提供的nsga2算法的進化算法模板(moea_NSGA2_templet)，最后結合理論全局最優解PF（即俗稱的“真實前沿點”）通過計算GD、IGD、HV等指標來分析優化效果：
# -*- coding: utf-8 -*- import geatpy as ea # import geatpy from MyProblem import MyProblem """================================實例化問題對象=============================""" problem = MyProblem() # 生成問題對象 """==================================種群設置================================""" Encoding = 'RI' # 編碼方式 NIND = 50 # 種群規模 Field = ea.crtfld(Encoding, problem.varTypes, problem.ranges, problem.borders) # 創建區域描述器 population = ea.Population(Encoding, Field, NIND) # 實例化種群對象（此時種群還沒被初始化，僅僅是完成種群對象的實例化） """================================算法參數設置===============================""" myAlgorithm = ea.moea_NSGA2_templet(problem, population) # 實例化一個算法模板對象` myAlgorithm.MAXGEN = 200 # 最大進化代數 myAlgorithm.drawing = 1 # 設置繪圖方式（0：不繪圖；1：繪制結果圖；2：繪制過程動畫） """===========================調用算法模板進行種群進化=========================== 調用run執行算法模板，得到帕累托最優解集NDSet。NDSet是一個種群類Population的對象。 NDSet.ObjV為最優解個體的目標函數值；NDSet.Phen為對應的決策變量值。 詳見Population.py中關於種群類的定義。 """ NDSet = myAlgorithm.run() # 執行算法模板，得到非支配種群 NDSet.save() # 把結果保存到文件中 # 輸出 print('用時：%f 秒'%(myAlgorithm.passTime)) print('評價次數：%d 次'%(myAlgorithm.evalsNum)) print('非支配個體數：%d 個'%(NDSet.sizes)) print('單位時間找到帕累托前沿點個數：%d 個'%(int(NDSet.sizes // myAlgorithm.passTime))) # 計算指標 PF = problem.getBest() # 獲取真實前沿，詳見Problem.py中關於Problem類的定義 if PF is not None and NDSet.sizes != 0: GD = ea.indicator.GD(NDSet.ObjV, PF) # 計算GD指標 IGD = ea.indicator.IGD(NDSet.ObjV, PF) # 計算IGD指標 HV = ea.indicator.HV(NDSet.ObjV, PF) # 計算HV指標 Spacing = ea.indicator.Spacing(NDSet.ObjV) # 計算Spacing指標 print('GD',GD) print('IGD',IGD) print('HV', HV) print('Spacing', Spacing) """=============================進化過程指標追蹤分析============================""" if PF is not None: metricName = [['IGD'], ['HV']] [NDSet_trace, Metrics] = ea.indicator.moea_tracking(myAlgorithm.pop_trace, PF, metricName, problem.maxormins) # 繪制指標追蹤分析圖 ea.trcplot(Metrics, labels = metricName, titles = metricName)
運行結果如下：
種群信息導出完畢。
用時：0.503653 秒
評價次數：10000 次
非支配個體數：50 個
單位時間找到帕累托前沿點個數：99 個
GD 0.0011025023611967554
IGD 0.15098973339777405
HV 0.624906599521637
Spacing 0.009326105831814594
正在進行進化追蹤指標分析，請稍后......
指標追蹤分析結束，進化記錄器中有效進化代數為: 200
上述代碼中已經對各個流程進行了詳細的注釋。其中進化算法的核心邏輯是寫在進化算法模板內部的，可前往查看對應的源代碼。此外，我們還可以參考Geatpy進化算法模板的源代碼來自定義算法模板，以實現豐富多樣的進化算法，如各種各樣的改進的進化算法等：
最后值得注意的是：目標函數aimFunc()那一塊地方最容易寫錯。aimFunc()的輸入參數pop是一個種群對象（有關種群對象可以查看工具箱中的Population.py類源碼，或者查看Geatpy數據結構）。pop.Phen是種群的表現型矩陣，意思是種群染色體解碼后得到的表現型矩陣，它對應的即為問題類中的決策變量。Phen是一個矩陣，每一行對應種群中的一個個體的表現型。在計算目標函數時，可以把這個Phen拆成一行一行，即逐個逐個個體地計算目標函數值，然后再拼成一個矩陣賦值給pop對象的ObjV屬性。也可以利用Numpy的矩陣化計算來“一口氣”把種群所有個體的目標函數值計算出來。無論采用的是哪種計算方法，最后得到的目標函數值是要保存在pop對象的ObjV屬性中的，這個ObjV是“種群目標函數值矩陣”，每一行對應一個個體的所有目標函數值，每一列對應一個目標。比如：
它表示有種群3個個體，待優化目標有2個。
后面的博客將深入理解Geatpy的數據結構、進化算法框架的用法與擴展，以及探討框架的核心——進化算法模板的實現。還會講一些使用Geatpy解決問題的案例。歡迎繼續跟進~感謝！