【群智能算法】Python主要智能优化算法库汇总

unityloverz

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[0], 1))
        f = 0.5 * np.fliplr(np.cumprod(np.hstack([ones_metrix, Vars[:,:self.M-1]]), 1)) * np.hstack([ones_metrix, 1 - Vars[:, range(self.M - 2, -1, -1)]]) * 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