scikit opt
0.6.5
Kecerdasan Kawanan dengan Python
(Algoritma Genetika, Optimasi Kawanan Partikel, Simulasi Annealing, Algoritma Koloni Semut, Algoritma Kekebalan Tubuh, Algoritma Kawanan Ikan Buatan dengan Python)
Dokumentasi: https://scikit-opt.github.io/scikit-opt/#/en/
Petunjuk: https://scikit-opt.github.io/scikit-opt/#/zh/
Kode sumber: https://github.com/guofei9987/scikit-opt
Bantu kami meningkatkan scikit-opt https://www.wjx.cn/jq/50964691.aspx
pip instal scikit-opt
Untuk versi pengembang saat ini:
git clone [email protected]:guofei9987/scikit-opt.git
cd scikit-opt
pip install .UDF (fungsi yang ditentukan pengguna) tersedia sekarang!
Misalnya, Anda baru saja mengerjakan fungsi selection tipe baru.
Sekarang, fungsi selection Anda adalah seperti ini:
-> Kode demo: contoh/demo_ga_udf.py#s1
# langkah1: tentukan operator Anda sendiri:def choice_tournament(algorithm, tourn_size):FitV = algoritma.FitVsel_index = []untuk saya dalam rentang(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 = algoritma.Chrom[sel_index, :] # algoritma pengembalian generasi berikutnya.Chrom
Impor dan bangun ga
-> Kode demo: example/demo_ga_udf.py#s2
impor numpy sebagai npfrom sko.GA impor 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, ukuran_pop=100, max_iter=500, prob_mut=0,001,lb=[-1, -10, -5], ub=[2, 10, 2], presisi=[1e-7, 1e-7, 1])
Daftarkan udf Anda ke GA
-> Kode demo: contoh/demo_ga_udf.py#s3
ga.register(nama_operator='pilihan', operator=turnamen_pilihan, ukuran_turnamen=3)
scikit-opt juga menyediakan beberapa operator
-> Kode demo: example/demo_ga_udf.py#s4
dari sko.operator mengimpor peringkat, seleksi, crossover, mutasiga.register(nama_operator='peringkat', operator=peringkat.peringkat). daftar(nama_operator='crossover', operator=crossover.crossover_2point). daftar(nama_operator='mutasi', operator=mutasi.mutasi)
Sekarang lakukan GA seperti biasa
-> Kode demo: example/demo_ga_udf.py#s5
best_x, best_y = ga.run()print('best_x:', best_x, 'n', 'best_y:', best_y)Hingga saat ini, udf surport
crossover,mutation,selection,rankingGA scikit-opt menyediakan selusin operator, lihat di sini
Untuk pengguna tingkat lanjut:
-> Kode demo: example/demo_ga_udf.py#s6
kelas MyGA(GA):pilihan def(mandiri, ukuran_turnamen=3):FitV = self.FitVsel_index = []untuk saya dalam rentang(self.size_pop):aspirants_index = np.random.choice(range(self.size_pop), ukuran =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, ukuran_pop=100, max_iter=500, lb=[-1, -10, -5], ub=[2, 10, 2], presisi=[1e-7, 1e-7, 1])best_x, best_y = my_ga.run()print('best_x :', terbaik_x, 'n', 'terbaik_y:', terbaik_y) (Baru di versi 0.3.6)
Jalankan algoritma untuk 10 iterasi, lalu jalankan 20 iterasi lainnya berdasarkan 10 iterasi sebelumnya:
dari sko.GA import GAfunc = lambda x: x[0] ** 2ga = GA(func=func, n_dim=1)ga.run(10)ga.run(20)
vektorisasi
multithreading
multiproses
di-cache
lihat https://github.com/guofei9987/scikit-opt/blob/master/examples/example_function_modes.py
Kami sedang mengembangkan komputasi GPU, yang akan stabil pada versi 1.0.0
Contoh sudah tersedia: https://github.com/guofei9987/scikit-opt/blob/master/examples/demo_ga_gpu.py
Langkah 1 : tentukan masalah Anda
-> Kode demo: contoh/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] ]kendala_ueq = [lambda x: 1 - x[0] * x[1],lambda x: x[0] * x[1] - 5]
Langkah 2 : lakukan Evolusi Diferensial
-> Kode demo: contoh/demo_de.py#s2
dari sko.DE import 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) Langkah 1 : tentukan masalah Anda
-> Kode demo: contoh/demo_ga.py#s1
import numpy as npdef schaffer(p):''' Fungsi ini memiliki banyak minimum lokal, dengan guncangan kuat minimum global pada (0,0) dengan nilai 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)kembali 0,5 + (np.square(np.sin(bagian1)) - 0,5) / np.square(1 + 0,001 * bagian2)
Langkah 2 : lakukan Algoritma Genetika
-> Kode demo: example/demo_ga.py#s2
dari 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], presisi=1e -7)best_x, best_y = ga.run()print('best_x:', best_x, 'n', 'best_y:', terbaik_y)-> Kode demo: example/demo_ga.py#s3
impor panda sebagai pdimport matplotlib.pyplot as 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()
Cukup impor GA_TSP , itu membebani crossover , mutation untuk menyelesaikan TSP
Langkah 1 : tentukan masalah Anda. Siapkan koordinat titik dan matriks jarak Anda.
Di sini saya menghasilkan data secara acak sebagai demo:
-> Kode demo: contoh/demo_ga_tsp.py#s1
impor numpy sebagai npfrom scipy impor spasialimport matplotlib.pyplot as pltnum_points = 50points_coordinate = np.random.rand(num_points, 2) # menghasilkan koordinat pointsdistance_matrix = spasial.distance.cdist(points_coordinate, points_coordinate, metric='euclidean')def cal_total_distance( rutin):'''Fungsi tujuan. masukan rutin, kembalikan jarak total. cal_total_distance(np.arange(num_points)) '''num_points, = rutin.bentuk pengembalian jumlah([distance_matrix[routine[i % num_points], rutin[(i + 1) % num_points]] untuk i dalam rentang(num_points)])
Langkah 2 : lakukan GA
-> Kode demo: contoh/demo_ga_tsp.py#s2
dari sko.GA impor 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()
Langkah 3 : Plot hasilnya:
-> Kode demo: contoh/demo_ga_tsp.py#s3
gbr, 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] , koordinat_titik_terbaik[:, 1], 'atau')ax[1].plot(ga_tsp.generasi_best_Y)plt.show()
Langkah 1 : tentukan masalah Anda:
-> Kode demo: contoh/demo_pso.py#s1
def demo_func(x):x1, x2, x3 = xreturn x1 ** 2 + (x2 - 0,05) ** 2 + x3 ** 2
Langkah 2 : lakukan PSO
-> Kode demo: example/demo_pso.py#s2
dari sko.PSO import 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 adalah ', pso.gbest_x, 'best_y adalah', pso.gbest_y) Langkah 3 : Plot hasilnya
-> Kode demo: example/demo_pso.py#s3
impor matplotlib.pyplot sebagai pltplt.plot(pso.gbest_y_hist)plt.show()
Jika Anda memerlukan batasan nolinier seperti (x[0] - 1) ** 2 + (x[1] - 0) ** 2 - 0.5 ** 2<=0
Kodenya seperti ini:
kendala_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]
, batasan_ueq=batasan_ueq) Perhatikan bahwa, Anda dapat menambahkan lebih dari satu batasan nonlinier. Tambahkan saja ke constraint_ueq
Terlebih lagi, kami memiliki animasi:
↑ lihat contoh/demo_pso_ani.py
Langkah 1 : tentukan masalah Anda
-> Kode demo: contoh/demo_sa.py#s1
demo_func = lambda x: x[0] ** 2 + (x[1] - 0,05) ** 2 + x[2] ** 2
Langkah 2 : lakukan SA
-> Kode demo: example/demo_sa.py#s2
dari sko.SA import 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('x_terbaik:',x_terbaik, 'y_terbaik',y_terbaik) Langkah 3 : Plot hasilnya
-> Kode demo: example/demo_sa.py#s3
impor matplotlib.pyplot sebagai pltimport panda sebagai pdplt.plot(pd.DataFrame(sa.best_y_history).cummin(axis=0))plt.show()
Selain itu, scikit-opt menyediakan 3 jenis Simulated Annealing: Fast, Boltzmann, Cauchy. Lihat selengkapnya
Langkah 1 : oh iya, jelaskan masalahmu. Membosankan untuk menyalin langkah ini.
Langkah 2 : LAKUKAN SA untuk TSP
-> Kode demo: contoh/demo_sa_tsp.py#s2
dari 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 (poin_terbaik))
Step3 : plot hasilnya
-> Kode demo: contoh/demo_sa_tsp.py#s3
dari matplotlib.ticker impor 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("Iterasi")ax[0].set_ylabel("Jarak")ax[1].plot(best_points_coordinate[:, 0], best_points_coordinate [:, 1], penanda='o', penandawajahwarna='b', warna='c', linestyle='-')ax[1].xaxis.set_major_formatter(FormatStrFormatter('%.3f'))ax[1].yaxis.set_major_formatter(FormatStrFormatter('%.3f'))ax[1].set_xlabel(" Bujur")ax[1].set_ylabel("Lintang")plt.show()Lebih lanjut: Plot animasinya:
↑ lihat contoh/demo_sa_tsp.py
-> Kode demo: contoh/demo_aca_tsp.py#s2
dari sko.ACA import 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()
-> Kode demo: example/demo_ia.py#s2
dari 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 rutin:', poin_terbaik, 'jarak_terbaik:', jarak_terbaik)-> Kode demo: example/demo_afsa.py#s1
def func(x):x1, x2 = xreturn 1 / x1 ** 2 + x1 ** 2 + 1 / x2 ** 2 + x2 ** 2dari sko.AFSA import AFSAafsa = AFSA(func, n_dim=2, size_pop= 50, max_iter=300,max_try_num=100, langkah=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: Kerangka Visualisasi Spektrum Malware Dengan Transformasi Spektrum Singular. Transaksi IEEE tentang Forensik dan Keamanan Informasi, 16, 5093-5107.
Zhen, H., Zhai, H., Ma, W., Zhao, L., Weng, Y., Xu, Y., ... & He, X. (2021). Desain dan pengujian generator solusi aliran daya optimal berbasis pembelajaran penguatan. Laporan Energi.
Heinrich, K., Zschech, P., Janiesch, C., & Bonin, M. (2021). Properti data proses penting: Memperkenalkan jaringan saraf konvolusional yang terjaga keamanannya (GCNN) dan jaringan perhatian prediksi nilai kunci (KVP) untuk prediksi peristiwa berikutnya dengan pembelajaran mendalam. Sistem Pendukung Keputusan, 143, 113494.
Tang, HK, & Goh, SK (2021). Pengoptimal Meta-heuristik Berbasis Non-populasi Baru yang Terinspirasi oleh Filsafat Yi Jing. arXiv pracetak arXiv:2104.08564.
Wu, G., Li, L., Li, X., Chen, Y., Chen, Z., Qiao, B., ... & Xia, L. (2021). Pencocokan acara sosial real-time berbasis penyematan grafik untuk rekomendasi EBSN. World Wide Web, 1-22.
Pan, X., Zhang, Z., Zhang, H., Wen, Z., Ye, W., Yang, Y., ... & Zhao, X. (2021). Algoritme identifikasi dan deteksi konsentrasi gas campuran yang cepat dan kuat berdasarkan mekanisme perhatian yang dilengkapi jaringan saraf berulang dengan fungsi kerugian ganda. Sensor dan Aktuator B: Kimia, 342, 129982.
Castella Balcell, M. (2021). Optimalisasi sistem pemeliharaan stasiun untuk turbin angin lepas pantai terapung WindCrete.
Zhai, B., Wang, Y., Wang, W., & Wu, B. (2021). Strategi Pengendalian Batas Kecepatan Variabel Optimal pada Ruas Jalan Tol dalam Kondisi Kabut. arXiv pracetak arXiv:2107.14406.
Yap, XH (2021). Klasifikasi multi-label pada data linier lokal: Penerapan pada prediksi toksisitas bahan kimia.
Gebhard, L. (2021). Perencanaan Perluasan Jaringan Tegangan Rendah Menggunakan Optimasi Koloni Semut Ausbauplanung von Niederspannungsnetzen mithilfe eines Ameisenalgorithmus.
Ma, X., Zhou, H., & Li, Z. (2021). Desain Optimal untuk Saling Ketergantungan antara Hidrogen dan Sistem Tenaga. Transaksi IEEE pada Aplikasi Industri.
de Curso, TDC (2021). Ini adalah model Johansen-Ledoit-Sornette dari perusahaan keuangan.
Wu, T., Liu, J., Liu, J., Huang, Z., Wu, H., Zhang, C., ... & Zhang, G. (2021). Kerangka Kerja Baru berbasis AI untuk Perencanaan Lintasan AoI yang optimal dalam Jaringan Sensor Nirkabel yang dibantu UAV. Transaksi IEEE pada Komunikasi Nirkabel.
Liu, H., Wen, Z., & Cai, W. (2021, Agustus). FastPSO: Menuju Algoritma Swarm Intelligence yang Efisien pada GPU. Dalam Konferensi Internasional ke-50 tentang Pemrosesan Paralel (hal. 1-10).
Mahbub, R. (2020). Algoritma dan Teknik Optimasi Penyelesaian TSP.
Li, J., Chen, T., Lim, K., Chen, L., Khan, SA, Xie, J., & Wang, X. (2019). Pembelajaran mendalam mempercepat sintesis nanokluster emas. Sistem Cerdas Tingkat Lanjut, 1(3), 1900029.
