unityloverz 发表于 2022-3-28 07:00

【群智能算法】Python主要智能优化算法库汇总

硕士期间主要利用Matlab研究群智能算法,为了科研方便现在整理了Python中主要的智能算法库。现将各种库的主要信息、相关优缺点简单整理如下,大家可根据自己的需求和喜好进行选择。



[*]1、DEAP
[*]2、mealpy
[*]3、scikit-opt (国产良心)
[*]4、Geatpy2(国产用心)
[*]5、pygmo2
[*]6、pyswarms
[*]7、SciPy(想不到吧)


1、DEAP

项目地址:GitHub - DEAP/deap: Distributed Evolutionary Algorithms in Python
安装:
pip install deap优点:
起点高,发表在Journal of Machine Learning Research
用法灵活,所有模块均可自定义缺点:
上手麻烦比较麻烦比如它是这样设置参数然后完成一个简单的函数最大优化的:
import random
from deap import creator, base, tools, algorithms

creator.create("FitnessMax", base.Fitness, weights=(1.0,))
creator.create("Individual", list, fitness=creator.FitnessMax)

toolbox = base.Toolbox()

toolbox.register("attr_bool", random.randint, 0, 1)
toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attr_bool, n=100)
toolbox.register("population", tools.initRepeat, list, toolbox.individual)

def evalOneMax(individual):
    return sum(individual),

toolbox.register("evaluate", evalOneMax)
toolbox.register("mate", tools.cxTwoPoint)
toolbox.register("mutate", tools.mutFlipBit, indpb=0.05)
toolbox.register("select", tools.selTournament, tournsize=3)

population = toolbox.population(n=300)

NGEN=40
for gen in range(NGEN):
    offspring = algorithms.varAnd(population, toolbox, cxpb=0.5, mutpb=0.1)
    fits = toolbox.map(toolbox.evaluate, offspring)
    for fit, ind in zip(fits, offspring):
      ind.fitness.values = fit
    population = toolbox.select(offspring, k=len(population))
top10 = tools.selBest(population, k=10)
速度慢(许多人都反应有这个问题)
集成的算法少(当然也可以通过自定义来修改,但这样和完全自写没多大区别)
超过半年没有更新(最近更新也只是安装上的修改)2、mealpy

项目地址:GitHub - thieu1995/mealpy: A collection of the state-of-the-art MEta-heuristic ALgorithms in PYthon (mealpy)
安装:
pip install meaply优点:
算法丰富,集成了现有的62种算法,目测应该还在继续更新添加
上手容易,代码简单,比如对标准函数库的函数进行优化:    from opfunu.type_based.uni_modal import Functions
    from mealpy.evolutionary_based.GA import BaseGA
   
    t1 = Functions()
   
    ## Setting parameters
    objective_func = t1._sum_squres__
    problem_size = 30
    domain_range = [-15, 15]
    log = True
    epoch = 100
    pop_size = 50
    pc = 0.95
    pm = 0.025
   
    md = BaseGA(objective_func, problem_size, domain_range, log, epoch, pop_size, pc, pm)
    best_position, best_fit, list_loss = md._train__()
    print(best_fit)
缺点:
整体设计似乎不太规范,文档解释不够
语言上似乎还存在一点小问题,英语应用不够规范(这可能也是作者没有发表很好的杂志的原因之一)
集成了多种算法但未列举参考文献,不方便论文引用3、scikit-opt (国产良心)

项目地址:https://github.com/guofei9987/scikit-opt
官文文档地址:scikit-opt
安装:
pip install scikit-opt优点:
上手容易,代码简单,尤其许多用法很像Matlab。比如官方文档就提供了一些例子:使用遗传算法进行曲线拟合
中文文档,并且文档很全。大佬的CSDN主页。(作者自称是京东算法工程师,这个库也的确感觉得到一些情怀,方便实用的感觉)
在使用方便的基础上,也提供了不少接口用于自行修改。尤其可以自定义算子。
一些较好玩的特性:GPU加速、断点运行等。缺点:
目前似乎还没有集成足够多的方法。大类有3类,共7种算法。
算法本身的优化似乎还不足(未仔细测试)4、Geatpy2(国产用心)

项目地址:https://github.com/geatpy-dev/geatpy
官网地址:Geatpy
安装:
pip install geatpy        或者强制版本
pip install geatpy==2.5.1优点:
上手容易,实现简单
文档完整,示例丰富(中文文档)
功能齐全,除算法以外也封装了许多实用的功能,比如数据可视化等缺点:
代码风格诡异,比如英文用语不规范,变量命名相对随意,比如入门文档中,将目标函数翻译成"aimFunc",变量名称XM?等。def aimFunc(self, pop): # 目标函数
      Vars = pop.Phen # 得到决策变量矩阵
      XM = Vars[:,(self.M-1):]
      g = 100 * (self.Dim - self.M + 1 + np.sum(((XM - 0.5)**2 - np.cos(20 * np.pi * (XM - 0.5))), 1, keepdims = True))
      ones_metrix = np.ones((Vars.shape, 1))
      f = 0.5 * np.fliplr(np.cumprod(np.hstack(]), 1)) * np.hstack(]) * np.tile(1 + g, (1, self.M))
      pop.ObjV = f # 把求得的目标函数值赋值给种群pop的ObjV文档开展还显得比较稚嫩,比如主页文档就用插件显示,官网体验还欠些火候注:这个项目得多补充几句,目测应该是硕士生写的。总体的设计、DEMO、文档上给人感觉都远不如上面几个老练(尤其和DEAP相比)。但几个学生跨校合作,在不长的时间内能够完成如此完整的一个工作也实非易事。也希望他们能够继续进步。综合来看,这个项目个人认为属于国产良心。
5、pygmo2

项目地址:https://github.com/esa/pygmo2
安装:
pip install pygmo注:安装还依赖如下环境
the pagmo C++ library, 2.13 +;the Boost serialization library,1.60+;NumPy;cloudpickle.其它可能会用到的环境:
dill;Matplotlib;NetworkX优点:
功能丰富
支持并行和分布式计算(本身运行效率也很高)
用法灵活
感觉测试相对稳定(未仔细测试)缺点:
上手相对麻烦
依赖项较多,尤其要求对应C++版的软件环境
算法有限注:这个库也吐槽一句,网传很厉害,但真没看出来除了看起来专业以外有何厉害之处。当然通常以C++为底层的东西有可能在大量级问题上的处理更加容易部署,但一般的用户也用不到。
6、pyswarms

项目地址:GitHub - ljvmiranda921/pyswarms: A research toolkit for particle swarm optimization in Python
安装:
pip install pyswarms优点:
简单,易上手,基本上也属于几行代码入门型
可视化,尤其动态可视化做得好。(亮点)比如画出图形,基本上就是一句代码:
plot_contour(pos_history=optimizer.pos_history, mesher=m, designer=d, mark=(0,0))

pos_history_3d = m.compute_history_3d(optimizer.pos_history) # preprocessing
animation3d = plot_surface(pos_history=pos_history_3d,
                           mesher=m, designer=d,
                           mark=(0,0,0))

缺点:
算法少。只有基于PSO的各类问题的算法(本质上其实就只是一个算法)
灵活度不够。
起点低。发表的论文既没进入CCF推荐,也没进入SCI。同时虽然号称有许多研究论文用过,但仔细看级别都不高(基本都属于三无型)7、SciPy(想不到吧)

项目地址:https://github.com/scipy/scipy
官网:https://www.scipy.org/
官方文档: https://docs.scipy.org/doc/
安装(当然其实当你装上Python的时候它就在了):
pip install scipy特别说明:scipy作为一个相对严谨和‘传统’的数值计算库,基本上常用的数值计算方法都有涉及。当然数值计算型的库通常都不会把智能优化(启发式算法)作为重点。它集成了十分有限的几种优化算法:差分进化、模拟退火等。但它仍然有不少优点:
优点:
作为严谨的数值计算库,它的正确性和稳定性值得信赖(超过800个contributor,其中有不少是名校的教师、博士等)
使用方便、简单
scipy也可以自定义优化算法缺点:
自然就是算法太少了
虽然可以自定义,但麻烦程度几乎相当于完全自己造轮子
小结

经过一番调研,发现在Python的包库里面有质量的智能算法库还真是非常有限(除上述库以外,还有不少几个算法就成一个库的库,实在不敢恭维,简单玩玩就行了)。这里个人认为可能有以下几个方面:
智能算法本身实现并不太难
在当前的大环境下,大规模的问题下智能算法并不具有明显的优势
专业做算法的通常仍然还是以Matlab为主(尤其数学类的)
智能算法,尤其进化算法,本质上差异并不大

参考:Python主要智能优化算法库汇总_半个冯博士的博客-CSDN博客
页: [1]
查看完整版本: 【群智能算法】Python主要智能优化算法库汇总