1 帮助文档

https://scikit-opt.github.io/scikit-opt/#/zh/README

2 安装SCIKIT-OPT

pip install scikit-opt

3 遗传算法算例

3.1 定义问题

#定义问题
import numpy as np


def schaffer(p):
    '''
    This function has plenty of local minimum, with strong shocks
    global minimum at (0,0) with value 0
    '''
    x1, x2 = p
    x = np.square(x1) + np.square(x2)
    return 0.5 + (np.square(np.sin(x)) - 0.5) / np.square(1 + 0.001 * x)

3.2 运行遗传算法

from sko.GA import GA

ga = 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)

文工注：最优解为最小值，若要求最大值，需要在前面加负号

3.3 结果绘制

import pandas as pd
import matplotlib.pyplot as plt

Y_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()

3.4 算例2

from sko.GA import GA

demo_func = lambda x: (x[0] - 1) ** 2 + (x[1] - 0.05) ** 2 + x[2] ** 2
ga = GA(func=demo_func, n_dim=3, max_iter=500, lb=[-1, -1, -1], ub=[5, 1, 1], precision=[2, 1, 1e-7])
best_x, best_y = ga.run()
print('best_x:', best_x, '\n', 'best_y:', best_y)

4 参数说明

4.1 输入

入参	默认值	意义
func	-	目标函数
n_dim	-	目标函数的维度
size_pop	50	种群规模
max_iter	200	最大迭代次数
prob_mut	0.001	变异概率
lb	-1	每个自变量的最小值
ub	1	每个自变量的最大值
constraint_eq	空元组	等式约束
constraint_ueq	空元组	不等式约束
precision	1e-7	精准度，int/float或者它们组成的列表

4.2 输出

4.2.1 GA

ga.generation_best_Y 每一代的最优函数值
ga.generation_best_X 每一代的最优函数值对应的输入值

ga.all_history_FitV 每一代的每个个体的适应度
ga.all_history_Y 每一代每个个体的函数值

ga.best_y 最优函数值
ga.best_x 最优函数值对应的输入值