PyGAD：Python中的遗传算法

PyGAD 是一个开源易用的Python 3库，用于构建遗传算法和优化机器学习算法。它支持Keras和PyTorch。PyGAD支持优化单目标和多目标问题。

查看 PyGAD 的文档。

PYGAD-LOGO

PyGAD 支持不同类型的交叉、突变和父母选择。PyGAD 允许通过定制适应度函数来优化不同类型的问题。

该库正在积极开发中，并定期添加更多功能。如果您希望支持某个功能，请查看联系我们部分以发送请求。

捐赠

信用卡/借记卡：https://donate.stripe.com/eVa5kO866elKgM0144
Open Collective：opencollective.com/pygad
PayPal：使用该链接：paypal.me/ahmedfgad 或电子邮件地址 ahmed.f.gad@gmail.com
Interac e-Transfer：使用电子邮件地址 ahmed.f.gad@gmail.com

安装

要安装 PyGAD，只需使用pip从 PyPI （Python包索引）下载并安装该库。该库在 PyPI 上页面为 https://pypi.org/project/pygad。

使用以下命令安装 PyGAD：

pip install pygad

要开始使用 PyGAD，请读取 Read The Docs 的文档：https://pygad.readthedocs.io。

PyGAD源码

PyGAD模块的源代码位于以下GitHub项目中：

PyGAD的文档可在 Read The Docs 上找到：https://pygad.readthedocs.io。

PyGAD文档

PyGAD 库的文档可在 Read The Docs 上的此链接找到：https://pygad.readthedocs.io。文档讨论了 PyGAD 支持的模块，所有类、方法、属性和函数。对每个模块，都提供了一些示例。

如果在使用 PyGAD 时遇到问题，请随时在这个 GitHub 仓库 https://github.com/ahmedfgad/GeneticAlgorithmPython 提交问题，或发送电子邮件至 ahmed.f.gad@gmail.com。

如果您构建了一个使用 PyGAD 的项目，请发送电子邮件至 ahmed.f.gad@gmail.com，提供以下信息以便将您的项目包含在文档中：

项目标题
简要描述
最好是一个链接，指向您的项目

请查看联系我们部分以获取更多联系方式。

PyGAD 的生命周期

下图列出了 pygad.GA 类实例生命周期中的不同阶段。请注意，PyGAD 在所有代完成后或传递给 on_generation 参数的函数返回字符串 stop 时停止。

PyGAD 生命周期

以下代码实现了所有回调函数以跟踪遗传算法的执行。每个回调函数都会打印其名称。

import pygad
import numpy

function_inputs = [4, -2, 3.5, 5, -11, -4.7]
desired_output = 44

def fitness_func(ga_instance, solution, solution_idx):
    output = numpy.sum(solution * function_inputs)
    fitness = 1.0 / (numpy.abs(output - desired_output) + 0.000001)
    return fitness

fitness_function = fitness_func

def on_start(ga_instance):
    print("on_start()")

def on_fitness(ga_instance, population_fitness):
    print("on_fitness()")

def on_parents(ga_instance, selected_parents):
    print("on_parents()")

def on_crossover(ga_instance, offspring_crossover):
    print("on_crossover()")

def on_mutation(ga_instance, offspring_mutation):
    print("on_mutation()")

def on_generation(ga_instance):
    print("on_generation()")

def on_stop(ga_instance, last_population_fitness):
    print("on_stop()")

ga_instance = pygad.GA(num_generations=3,
                       num_parents_mating=5,
                       fitness_func=fitness_function,
                       sol_per_pop=10,
                       num_genes=len(function_inputs),
                       on_start=on_start,
                       on_fitness=on_fitness,
                       on_parents=on_parents,
                       on_crossover=on_crossover,
                       on_mutation=on_mutation,
                       on_generation=on_generation,
                       on_stop=on_stop)

ga_instance.run()

基于分配给 num_generations 参数的 3 代，这里是输出结果。

on_start()

on_fitness()
on_parents()
on_crossover()
on_mutation()
on_generation()

on_fitness()
on_parents()
on_crossover()
on_mutation()
on_generation()

on_fitness()
on_parents()
on_crossover()
on_mutation()
on_generation()

on_stop()

示例

查看 PyGAD 的文档了解此示例的实现信息。它解决了一个单目标问题。

import pygad
import numpy

"""
在下列函数中：
    y = f(w1:w6) = w1x1 + w2x2 + w3x3 + w4x4 + w5x5 + 6wx6
    其中 (x1,x2,x3,x4,x5,x6)=(4,-2,3.5,5,-11,-4.7) 且 y=44
最佳的6个权重值（w1到w6）是什么？我们将使用遗传算法来优化该函数。
"""

function_inputs = [4, -2, 3.5, 5, -11, -4.7] # 函数输入。
desired_output = 44 # 函数输出。

def fitness_func(ga_instance, solution, solution_idx):
    # 计算当前种群中每个解的适应度值。
    # 适应度函数计算每个输入与其对应权重的乘积之和。
    output = numpy.sum(solution * function_inputs)
    fitness = 1.0 / numpy.abs(output - desired_output)
    return fitness

fitness_function = fitness_func

num_generations = 100 # 代数。
num_parents_mating = 7 # 配对池中被选为父母的解数。

# 准备初始种群有两种方式：
# 1）自行准备并传递给 initial_population 参数。当用户希望使用自定义初始种群启动遗传算法时，这种方式很有用。
# 2）为 sol_per_pop 和 num_genes 参数分配有效的整数值。如果存在 initial_population 参数，则 sol_per_pop 和 num_genes 参数将无用。
sol_per_pop = 50 # 种群中的解数量。
num_genes = len(function_inputs)

last_fitness = 0
def callback_generation(ga_instance):
    global last_fitness
    print(f"当前代数 = {ga_instance.generations_completed}")
    print(f"适应度值 = {ga_instance.best_solution()[1]}")
    print(f"变化 = {ga_instance.best_solution()[1] - last_fitness}")
    last_fitness = ga_instance.best_solution()[1]

# 在 ga 模块内创建 GA 类的实例。一些参数在构造函数中初始化。
ga_instance = pygad.GA(num_generations=num_generations,
                       num_parents_mating=num_parents_mating, 
                       fitness_func=fitness_function,
                       sol_per_pop=sol_per_pop, 
                       num_genes=num_genes,
                       on_generation=callback_generation)

# 运行GA以优化函数的参数。
ga_instance.run()

# 在代完成后，显示一些总结输出/适应度值在各代中的演变的图表。
ga_instance.plot_fitness()

# 返回最佳解的详细信息。
solution, solution_fitness, solution_idx = ga_instance.best_solution()
print(f"最佳解的参数：{solution}")
print(f"最佳解的适应度值 = {solution_fitness}")
print(f"最佳解的索引：{solution_idx}")

prediction = numpy.sum(numpy.array(function_inputs) * solution)
print(f"基于最佳解的预测输出：{prediction}")

if ga_instance.best_solution_generation != -1:
    print(f"最佳适应度值在 {ga_instance.best_solution_generation} 代后达到。")

# 保存GA实例。
filename = 'genetic' # 要保存实例的文件名。名称不含扩展名。
ga_instance.save(filename=filename)

# 加载已保存的GA实例。
loaded_ga_instance = pygad.load(filename=filename)
loaded_ga_instance.plot_fitness()

引用PyGAD - Bibtex格式的引用

如果您使用了PyGAD，请考虑引用以下关于PyGAD的文章：

@article{gad2023pygad,
  title={Pygad: An intuitive genetic algorithm python library},
  author={Gad, Ahmed Fawzy},
  journal={Multimedia Tools and Applications},
  pages={1--14},
  year={2023},
  publisher={Springer}
}