Python 如何使用Deap最小化函数?
我需要使用遗传算法和粒子群优化算法最小化一个函数 不同的帖子建议使用(我正在使用python),但我甚至不知道如何开始Python 如何使用Deap最小化函数?,python,mathematical-optimization,genetic-algorithm,deap,Python,Mathematical Optimization,Genetic Algorithm,Deap,我需要使用遗传算法和粒子群优化算法最小化一个函数 不同的帖子建议使用(我正在使用python),但我甚至不知道如何开始 我们可以考虑例如f在区间 i=arange(-10,10,0.1) def f(x): return x*sin(x) 如何使用DEAP最小化此函数?我已经解决了 这是我的密码 t1=linspace(-50,50,100) sig1=sin(t1/2)+np.random.normal(scale=0.1,size=len(t1)) sig2=sin(t1/2)+n
我们可以考虑例如f在区间
i=arange(-10,10,0.1)
def f(x):
return x*sin(x)
如何使用DEAP最小化此函数?我已经解决了
这是我的密码
t1=linspace(-50,50,100)
sig1=sin(t1/2)+np.random.normal(scale=0.1,size=len(t1))
sig2=sin(t1/2)+np.random.normal(scale=0.1,size=len(t1))
f0=interp1d(t1,sig1,kind="cubic",bounds_error=False,fill_value=-10000)
g=interp1d(t1,sig2,kind="cubic",bounds_error=False,fill_value=10000)
#true value that I would like to estimate
A=2
B=0.8
C=0
def s(t):
return A+B*t+C*t*t
def inv_s(t):
return (t-B)/A
def f(t):
return f0(s(t))
def hat_s(t,a,b):
return t*b+a
Ig=arange(t1.min(),t1.max(),1)
If=(Ig-A)/B
I_min=max(If.min(),Ig.min())
I_max=min(If.max(),Ig.max())
J=linspace(min(If.min(),Ig.min()),max(If.max(),Ig.max()))
I=linspace(I_min,I_max,1000)
#plot(J,f(J),J,g(J))
#ylim(-1.2,1.2)
def cost(x,T=I):
a=x[0]
b=x[1]
return norm(g(b*T+a)-f(T))/len(T),
import operator
import random
import numpy
from deap import base
from deap import benchmarks
from deap import creator
from deap import tools
creator.create("FitnessMax", base.Fitness, weights=(-1.0,))
creator.create("Particle", list, fitness=creator.FitnessMax, speed=list,
smin=None, smax=None, best=None)
def generate(size, pmin, pmax, smin, smax):
part = creator.Particle(random.uniform(pmin, pmax) for _ in range(size))
part.speed = [random.uniform(smin, smax) for _ in range(size)]
part.smin = smin
part.smax = smax
return part
def updateParticle(part, best, phi1, phi2):
u1 = (random.uniform(0, phi1) for _ in range(len(part)))
u2 = (random.uniform(0, phi2) for _ in range(len(part)))
v_u1 = map(operator.mul, u1, map(operator.sub, part.best, part))
v_u2 = map(operator.mul, u2, map(operator.sub, best, part))
part.speed = list(map(operator.add, part.speed, map(operator.add, v_u1, v_u2)))
for i, speed in enumerate(part.speed):
if speed < part.smin:
part.speed[i] = part.smin
elif speed > part.smax:
part.speed[i] = part.smax
part[:] = list(map(operator.add, part, part.speed))
toolbox = base.Toolbox()
toolbox.register("particle", generate, size=2, pmin=-6, pmax=6, smin=-3, smax=3)
toolbox.register("population", tools.initRepeat, list, toolbox.particle)
toolbox.register("update", updateParticle, phi1=2.0, phi2=2.0)
toolbox.register("evaluate", cost)
def main():
pop = toolbox.population(n=5)
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)
logbook = tools.Logbook()
logbook.header = ["gen", "evals"] + stats.fields
GEN = 1000
best = None
for g in range(GEN):
for part in pop:
part.fitness.values = toolbox.evaluate(part)
if not part.best or part.best.fitness < part.fitness:
part.best = creator.Particle(part)
part.best.fitness.values = part.fitness.values
if not best or best.fitness < part.fitness:
best = creator.Particle(part)
best.fitness.values = part.fitness.values
for part in pop:
toolbox.update(part, best)
# Gather all the fitnesses in one list and print the stats
logbook.record(gen=g, evals=len(pop), **stats.compile(pop))
print(logbook.stream)
print " Best so far: %s - %s" % (best, best.fitness)
return pop, logbook, best
pop,logbook,best= main()
print "best=",best,"A,B=",(A,B)
t1=linspace(-50,50100)
sig1=sin(t1/2)+np.随机.正常(标度=0.1,大小=len(t1))
sig2=sin(t1/2)+np.随机.正常(标度=0.1,大小=len(t1))
f0=interp1d(t1,sig1,kind=“cubic”,bounds\u error=False,fill\u value=-10000)
g=interp1d(t1,sig2,kind=“cubic”,bounds\u error=False,fill\u value=10000)
#我想估算的真实价值
A=2
B=0.8
C=0
def s(t):
返回A+B*t+C*t*t
def库存(t):
返回(t-B)/A
def f(t):
返回f0(s(t))
def hat_s(t、a、b):
返回t*b+a
Ig=arange(t1.min(),t1.max(),1)
如果=(Ig-A)/B
I_min=max(If.min(),Ig.min())
I_max=min(If.max(),Ig.max())
J=linspace(min(If.min(),Ig.min()),max(If.max(),Ig.max())
I=linspace(I_最小值,I_最大值,1000)
#地块(J,f(J),J,g(J))
#ylim(-1.2,1.2)
def成本(x,T=I):
a=x[0]
b=x[1]
返回范数(g(b*T+a)-f(T))/len(T),
进口经营者
随机输入
进口numpy
来自deap进口基地
来自deap的进口基准
来自deap导入创建者
来自deap导入工具
create(“FitnessMax”,base.Fitness,weights=(-1.0,))
creator.create(“粒子”,列表,fitness=creator.FitnessMax,speed=list,
smin=None,smax=None,best=None)
def生成(大小、pmin、pmax、smin、smax):
零件=创建者.粒子(随机.均匀(pmin,pmax)用于范围内(尺寸))
part.speed=[范围(大小)内的随机均匀(smin,smax)]
part.smin=smin
part.smax=smax
返回部分
def updateParticle(零件,最佳,phi1,phi2):
u1=(随机均匀(0,phi1)用于范围内(len(部分)))
u2=(随机均匀(0,phi2)用于范围内(len(部分)))
v_u1=map(operator.mul,u1,map(operator.sub,part.best,part))
v_u2=map(operator.mul,u2,map(operator.sub,best,part))
part.speed=列表(map(operator.add,part.speed,map(operator.add,v_u1,v_u2)))
对于i,枚举中的速度(部分速度):
如果速度part.smax:
part.speed[i]=part.smax
部件[:]=列表(映射(operator.add、部件、部件.speed))
toolbox=base.toolbox()
寄存器(“粒子”,生成,大小=2,pmin=-6,pmax=6,smin=-3,smax=3)
注册表(“填充”,tools.initRepeat,list,toolbox.particle)
寄存器(“更新”,updateParticle,phi1=2.0,phi2=2.0)
工具箱。登记(“评估”,成本)
def main():
pop=工具箱。人口(n=5)
stats=tools.Statistics(lambda ind:ind.fitness.values)
统计寄存器(“平均值”,numpy.mean)
统计寄存器(“标准”,numpy.std)
统计寄存器(“min”,numpy.min)
stats.register(“max”,numpy.max)
日志=工具。日志()
logbook.header=[“gen”,“evals”]+stats.fields
GEN=1000
最佳=无
对于范围内的g(GEN):
对于pop中的部分:
part.fitness.values=toolbox.evaluate(部分)
如果不是part.best或part.best.fitness
实际上有一个例子:
请注意,我是一名DEAP开发人员。我意识到我的回复太晚了,但希望我能帮助一些刚刚加入DEAP库的人 为了最大限度地降低成本,您必须创建FitnessMin类,如下所示:
creator.create("FitnessMin", base.Fitness, weights=(-1.0,))
请注意,我的权重是-1.0,如果我们将其设为1.0,我们将最大化
然后,一旦你这样做,将健身课程应用到你的个人身上,这基本上就是你想要训练的染色体:
creator.create("Individual", list, fitness=creator.FitnessMin)
看看DEAP库中的eaSimple,因为它是最好的开始。下面是DEAP提供的一个现成算法列表:我已将基础适应度中的
权重=(1.0,)
更改为权重=(-1.0,)
这是工作 不幸的是,没有“DEAP”标签。