scikit opt
0.6.5
Schwarmintelligenz in Python
(Genetischer Algorithmus, Partikelschwarmoptimierung, simuliertes Annealing, Ameisenkolonie-Algorithmus, Immunalgorithmus, künstlicher Fischschwarm-Algorithmus in Python)
Dokumentation: https://scikit-opt.github.io/scikit-opt/#/en/
Quelle: https://scikit-opt.github.io/scikit-opt/#/zh/
Quellcode: https://github.com/guofei9987/scikit-opt
Helfen Sie uns, scikit-opt https://www.wjx.cn/jq/50964691.aspx zu verbessern
pip install scikit-opt
Für die aktuelle Entwicklerversion:
git clone [email protected]:guofei9987/scikit-opt.git
cd scikit-opt
pip install .UDF (benutzerdefinierte Funktion) ist jetzt verfügbar!
Sie haben zum Beispiel gerade eine neuartige selection erarbeitet.
Ihre selection sieht nun wie folgt aus:
-> Democode: examples/demo_ga_udf.py#s1
# Schritt 1: Definieren Sie Ihren eigenen Operator:def Selection_tournament(algorithm, tourn_size):FitV = algorithm.FitVsel_index = []for i in range(algorithm.size_pop):aspirants_index = np.random.choice(range(algorithm.size_pop), size =tourn_size)sel_index.append(max(aspirants_index, key=lambda i: FitV[i]))algorithm.Chrom = algorithm.Chrom[sel_index, :] # next generationreturn algorithm.Chrom
GA importieren und erstellen
-> Democode: examples/demo_ga_udf.py#s2
import numpy as npfrom sko.GA import GA, GA_TSPdemo_func = lambda x: x[0] ** 2 + (x[1] - 0.05) ** 2 + (x[2] - 0.5) ** 2ga = GA(func =demo_func, n_dim=3, size_pop=100, max_iter=500, prob_mut=0.001,lb=[-1, -10, -5], ub=[2, 10, 2], precision=[1e-7, 1e-7, 1])
Registrieren Sie Ihre UDF bei GA
-> Democode: examples/demo_ga_udf.py#s3
ga.register(operator_name='selection', Operator=selection_tournament, tourn_size=3)
scikit-opt bietet auch einige Operatoren
-> Democode: examples/demo_ga_udf.py#s4
aus sko.operators importieren Sie Ranking, Auswahl, Crossover, Mutationga.register (Operatorname='Ranking', Operator=Ranking.Ranking). registrieren(Operatorname='Crossover', Operator=Crossover.Crossover_2Punkt). registrieren(Operatorname='Mutation', Operator=Mutation.Mutation)
Machen Sie nun GA wie gewohnt
-> Democode: examples/demo_ga_udf.py#s5
best_x, best_y = ga.run()print('best_x:', best_x, 'n', 'best_y:', best_y)Bisher bietet der UDF -Surport
crossover,mutation,selectionundrankingvon GA Scikit-Opt ein Dutzend Operatoren, siehe hier
Für fortgeschrittene Benutzer:
-> Democode: examples/demo_ga_udf.py#s6
Klasse MyGA(GA):def Selection(self, tourn_size=3):FitV = self.FitVsel_index = []for i in range(self.size_pop):aspirants_index = np.random.choice(range(self.size_pop), size =tourn_size)sel_index.append(max(aspirants_index, key=lambda i: FitV[i]))self.Chrom = self.Chrom[sel_index, :] # next generationreturn self.Chromranking = ranking.rankingdemo_func = lambda x: x[0] ** 2 + (x[1] - 0,05) ** 2 + (x[2] - 0,5) ** 2my_ga = MyGA( func=demo_func, n_dim=3, size_pop=100, max_iter=500, lb=[-1, -10, -5], ub=[2, 10, 2], precision=[1e-7, 1e-7, 1])best_x, best_y = my_ga.run()print('best_x:', best_x, ' n', 'best_y:', best_y) (Neu in Version 0.3.6)
Führen Sie einen Algorithmus für 10 Iterationen aus und führen Sie dann weitere 20 Iterationen basierend auf den 10 vorherigen Iterationen aus:
aus sko.GA importieren GAfunc = lambda x: x[0] ** 2ga = GA(func=func, n_dim=1)ga.run(10)ga.run(20)
Vektorisierung
Multithreading
Mehrfachverarbeitung
zwischengespeichert
siehe https://github.com/guofei9987/scikit-opt/blob/master/examples/example_function_modes.py
Wir entwickeln GPU-Berechnungen, die auf Version 1.0.0 stabil sein werden
Ein Beispiel ist bereits verfügbar: https://github.com/guofei9987/scikit-opt/blob/master/examples/demo_ga_gpu.py
Schritt 1 : Definieren Sie Ihr Problem
-> Democode: examples/demo_de.py#s1
'''min f(x1, x2, x3) = x1^2 + x2^2 + x3^2s.t. x1*x2 >= 1 x1*x2 <= 5 x2 + x3 = 1 0 <= x1, x2, x3 <= 5'''def obj_func(p):x1, x2, x3 = preturn x1 ** 2 + x2 ** 2 + x3 ** 2constraint_eq = [lambda x: 1 - x[1] - x[2] ]constraint_ueq = [lambda x: 1 - x[0] * x[1],lambda x: x[0] * x[1] - 5]
Schritt 2 : Führen Sie Differential Evolution durch
-> Democode: examples/demo_de.py#s2
aus sko.DE importieren DEde = DE(func=obj_func, n_dim=3, size_pop=50, max_iter=800, lb=[0, 0, 0], ub=[5, 5, 5],constraint_eq=constraint_eq, Constraint_ueq =constraint_ueq)best_x, best_y = de.run()print('best_x:', best_x, 'n', 'best_y:', best_y) Schritt 1 : Definieren Sie Ihr Problem
-> Democode: examples/demo_ga.py#s1
import numpy as npdef schaffer(p):'' Diese Funktion hat viele lokale Minimum, mit starken Schocks globales Minimum bei (0,0) mit Wert 0 https://en.wikipedia.org/wiki/Test_functions_for_optimization '''' x1, x2 = ppart1 = np.square(x1) - np.square(x2)part2 = np.square(x1) + np.square(x2)return 0.5 + (np.square(np.sin(part1)) - 0.5) / np.square(1 + 0.001 * part2)
Schritt 2 : Führen Sie den genetischen Algorithmus aus
-> Democode: examples/demo_ga.py#s2
aus sko.GA import GAga = GA(func=schaffer, n_dim=2, size_pop=50, max_iter=800, prob_mut=0.001, lb=[-1, -1], ub=[1, 1], precision=1e -7)best_x, best_y = ga.run()print('best_x:', best_x, 'n', 'best_y:', best_y)-> Democode: examples/demo_ga.py#s3
Pandas als pdimport matplotlib.pyplot as importieren pltY_history = pd.DataFrame(ga.all_history_Y)fig, ax = plt.subplots(2, 1)ax[0].plot(Y_history.index, Y_history.values, '.', color='red')Y_history.min(axis=1).cummin().plot(kind='line')plt.show()
Importieren Sie einfach den GA_TSP , er überlastet die crossover mutation , um den TSP zu lösen
Schritt 1 : Definieren Sie Ihr Problem. Bereiten Sie Ihre Punktkoordinaten und die Distanzmatrix vor.
Hier generiere ich die Daten zufällig als Demo:
-> Democode: examples/demo_ga_tsp.py#s1
numpy als npfrom scipy importieren. Routine):'''Das Ziel Funktion. Eingaberoutine, Gesamtentfernung zurückgeben. cal_total_distance(np.arange(num_points)) '''num_points, = routine.shapereturn sum([distance_matrix[routine[i % num_points], routine[(i + 1) % num_points]] für i in range(num_points)])
Schritt 2 : GA durchführen
-> Democode: examples/demo_ga_tsp.py#s2
aus sko.GA importieren GA_TSPga_tsp = GA_TSP(func=cal_total_distance, n_dim=num_points, size_pop=50, max_iter=500, prob_mut=1)best_points, best_distance = ga_tsp.run()
Schritt 3 : Zeichnen Sie das Ergebnis auf:
-> Democode: examples/demo_ga_tsp.py#s3
fig, ax = plt.subplots(1, 2)best_points_ = np.concatenate([best_points, [best_points[0]]])best_points_coordinate = points_coordinate[best_points_, :]ax[0].plot(best_points_coordinate[:, 0] , best_points_coordinate[:, 1], 'or')ax[1].plot(ga_tsp.generation_best_Y)plt.show()
Schritt 1 : Definieren Sie Ihr Problem:
-> Democode: examples/demo_pso.py#s1
def demo_func(x):x1, x2, x3 = xreturn x1 ** 2 + (x2 - 0,05) ** 2 + x3 ** 2
Schritt 2 : PSO durchführen
-> Democode: examples/demo_pso.py#s2
aus sko.PSO importieren PSOpso = PSO(func=demo_func, n_dim=3, pop=40, max_iter=150, lb=[0, -1, 0.5], ub=[1, 1, 1], w=0.8, c1=0,5, c2=0,5)pso.run()print('best_x is ', pso.gbest_x, 'best_y ist', pso.gbest_y) Schritt 3 : Zeichnen Sie das Ergebnis grafisch auf
-> Democode: examples/demo_pso.py#s3
matplotlib.pyplot als pltplt.plot(pso.gbest_y_hist)plt.show() importieren
Wenn Sie eine nichtlineare Einschränkung wie (x[0] - 1) ** 2 + (x[1] - 0) ** 2 - 0.5 ** 2<=0 benötigen
Codes sind wie folgt:
Constraint_ueq = (Lambda x: (x[0] - 1) ** 2 + (x[1] - 0) ** 2 - 0,5 ** 2,
)pso = PSO(func=demo_func, n_dim=2, pop=40, max_iter=max_iter, lb=[-2, -2], ub=[2, 2]
, Constraint_ueq=constraint_ueq) Beachten Sie, dass Sie mehr als eine nichtlineare Einschränkung hinzufügen können. Fügen Sie es einfach zu constraint_ueq hinzu
Darüber hinaus haben wir eine Animation:
↑ siehe examples/demo_pso_ani.py
Schritt 1 : Definieren Sie Ihr Problem
-> Democode: examples/demo_sa.py#s1
demo_func = lambda x: x[0] ** 2 + (x[1] - 0,05) ** 2 + x[2] ** 2
Schritt 2 : SA durchführen
-> Democode: examples/demo_sa.py#s2
aus sko.SA importieren SAsa = SA(func=demo_func, x0=[1, 1, 1], T_max=1, T_min=1e-9, L=300, max_stay_counter=150)best_x, best_y = sa.run() print('best_x:', best_x, 'best_y', best_y) Schritt 3 : Zeichnen Sie das Ergebnis grafisch auf
-> Democode: examples/demo_sa.py#s3
matplotlib.pyplot als pltimport pandas als pdplt.plot(pd.DataFrame(sa.best_y_history).cummin(axis=0))plt.show() importieren
Darüber hinaus bietet scikit-opt drei Arten des simulierten Temperns: Fast, Boltzmann, Cauchy. Weitere sa
Schritt 1 : Oh ja, definieren Sie Ihre Probleme. Zu langweilig, diesen Schritt zu kopieren.
Schritt 2 : SA für TSP durchführen
-> Democode: examples/demo_sa_tsp.py#s2
aus sko.SA import SA_TSPsa_tsp = SA_TSP(func=cal_total_distance, x0=range(num_points), T_max=100, T_min=1, L=10 * num_points)best_points, best_distance = sa_tsp.run()print(best_points, best_distance, cal_total_distance (best_points))
Schritt 3 : Zeichnen Sie das Ergebnis auf
-> Democode: examples/demo_sa_tsp.py#s3
from matplotlib.ticker import FormatStrFormatterfig, ax = plt.subplots(1, 2)best_points_ = np.concatenate([best_points, [best_points[0]]])best_points_coordinate = points_coordinate[best_points_, :]ax[0].plot(sa_tsp.best_y_history)ax[0].set_xlabel("Iteration")ax[0].set_ylabel("Distance")ax[1].plot(best_points_coordinate[:, 0], best_points_coordinate [:, 1], marker='o', markerfacecolor='b', color='c', linestyle='-')ax[1].xaxis.set_major_formatter(FormatStrFormatter('%.3f'))ax[1].yaxis.set_major_formatter(FormatStrFormatter('%.3f'))ax[1].set_xlabel(" Längengrad")ax[1].set_ylabel("Breitengrad")plt.show()Mehr: Zeichnen Sie die Animation:
↑ siehe examples/demo_sa_tsp.py
-> Democode: examples/demo_aca_tsp.py#s2
aus sko.ACA importieren ACA_TSPaca = ACA_TSP(func=cal_total_distance, n_dim=num_points, size_pop=50, max_iter=200, distance_matrix=distance_matrix)best_x, best_y = aca.run()
-> Democode: examples/demo_ia.py#s2
aus sko.IA import IA_TSPia_tsp = IA_TSP(func=cal_total_distance, n_dim=num_points, size_pop=500, max_iter=800, prob_mut=0.2,T=0.7, alpha=0.95)best_points, best_distance = ia_tsp.run()print('best routine:', best_points, 'best_distance:', best_distance)-> Democode: examples/demo_afsa.py#s1
def func(x):x1, x2 = xreturn 1 / x1 ** 2 + x1 ** 2 + 1 / x2 ** 2 + x2 ** 2from sko.AFSA import AFSAafsa = AFSA(func, n_dim=2, size_pop= 50, max_iter=300, max_try_num=100, Schritt=0,5, visual=0.3,q=0.98, delta=0.5)best_x, best_y = afsa.run()print(best_x, best_y)
Yu, J., He, Y., Yan, Q. & Kang, X. (2021). SpecView: Malware Spectrum Visualization Framework mit Singular Spectrum Transformation. IEEE Transactions on Information Forensics and Security, 16, 5093-5107.
Zhen, H., Zhai, H., Ma, W., Zhao, L., Weng, Y., Xu, Y., ... & He, X. (2021). Entwurf und Tests eines auf Verstärkungslernen basierenden Generators für optimale Leistungsflusslösungen. Energieberichte.
Heinrich, K., Zschech, P., Janiesch, C. & Bonin, M. (2021). Prozessdateneigenschaften sind wichtig: Einführung von Gated Convolutional Neural Networks (GCNN) und Key-Value-Predict Attention Networks (KVP) für die Vorhersage des nächsten Ereignisses mit Deep Learning. Entscheidungsunterstützungssysteme, 143, 113494.
Tang, HK, & Goh, SK (2021). Ein neuartiger, nicht bevölkerungsbasierter metaheuristischer Optimierer, inspiriert von der Philosophie von Yi Jing. arXiv-Vorabdruck arXiv:2104.08564.
Wu, G., Li, L., Li, X., Chen, Y., Chen, Z., Qiao, B., ... & Xia, L. (2021). Auf Diagrammeinbettung basierendes Echtzeit-Matching sozialer Ereignisse für EBSNs-Empfehlungen. World Wide Web, 1-22.
Pan, X., Zhang, Z., Zhang, H., Wen, Z., Ye, W., Yang, Y., ... & Zhao, X. (2021). Ein schneller und robuster Algorithmus zur Identifizierung und Konzentrationserkennung von Mischgasen, der auf einem Aufmerksamkeitsmechanismus basiert und mit einem rekurrenten neuronalen Netzwerk mit Doppelverlustfunktion ausgestattet ist. Sensoren und Aktoren B: Chemical, 342, 129982.
Castella Balcell, M. (2021). Optimierung des Stationshaltesystems für die schwimmende Offshore-Windkraftanlage WindCrete.
Zhai, B., Wang, Y., Wang, W. & Wu, B. (2021). Optimale Strategie zur variablen Geschwindigkeitsbegrenzung auf Autobahnabschnitten bei Nebelbedingungen. arXiv-Vorabdruck arXiv:2107.14406.
Yap, XH (2021). Multi-Label-Klassifizierung auf lokal-linearen Daten: Anwendung zur Vorhersage chemischer Toxizität.
Gebhard, L. (2021). Ausbauplanung von Niederspannungsnetzen mittels Ameisenkolonie-Optimierung Ausbauplanung von Niederspannungsnetzen mithilfe eines Ameisenalgorithmus.
Ma, X., Zhou, H. & Li, Z. (2021). Optimales Design für Wechselwirkungen zwischen Wasserstoff- und Energiesystemen. IEEE-Transaktionen zu Industrieanwendungen.
de Curso, TDC (2021). Studiert mit dem Modell Johansen-Ledoit-Sornette von Bolhas Financeiras.
Wu, T., Liu, J., Liu, J., Huang, Z., Wu, H., Zhang, C., ... & Zhang, G. (2021). Ein neuartiges KI-basiertes Framework für die AoI-optimale Flugbahnplanung in UAV-gestützten drahtlosen Sensornetzwerken. IEEE-Transaktionen zur drahtlosen Kommunikation.
Liu, H., Wen, Z. & Cai, W. (2021, August). FastPSO: Auf dem Weg zu einem effizienten Swarm-Intelligence-Algorithmus auf GPUs. In der 50. Internationalen Konferenz zur Parallelverarbeitung (S. 1-10).
Mahbub, R. (2020). Algorithmen und Optimierungstechniken zur Lösung von TSP.
Li, J., Chen, T., Lim, K., Chen, L., Khan, SA, Xie, J. & Wang, X. (2019). Deep Learning beschleunigte die Gold-Nanocluster-Synthese. Advanced Intelligent Systems, 1(3), 1900029.
