一、前言

优化算法，尤其是启发式的仿生智能算法在最近很火，它适用于解决管理学，运筹学，统计学里面的一些优化问题。比如线性规划，整数规划，动态规划，非线性约束规划，甚至是超参数搜索等等方向的问题。

但是一般的优化算法还是matlab里面用的多，Python相关代码较少。

我在参考了一些文章的代码和模块之后，决定学习scikit-opt这个模块。这个优化算法模块对新手很友好，代码简洁，上手简单。而且代码和官方文档是中国人写的，还有很多案例，学起来就没什么压力。

缺点是包装的算法种类目前还不算多，只有七种：（差分进化算法、遗传算法、粒子群算法、模拟退火算法、蚁群算法、鱼群算法、免疫优化算法）

本次带来的是数学建模里面经常使用的遗传算法的使用演示。

二、安装

首先安装模块，在cmd里面或者anaconda prompt里面输入：

pip install scikit-opt

对于当前开发人员版本：

git clone git@github.com:guofei9987/scikit-opt.git
cd scikit-opt
pip install .

三、遗传算法

3.1 自定义函数

UDF（用户定义函数）现已推出！

例如，您刚刚制定了一种新型函数。现在，你的函数是这样的：
$$f=0.5+\frac{si{n}^2(x_1^2+x_2^2)-0.5}{1+0.001(x_1^2+x_2^2)}$$

该函数有大量的局部最小值，具有很强的冲击力，在(0,0) 处的全局最小值，值为 0。

import numpy as np
def schaffer(p):x1, x2 = px = np.square(x1) + np.square(x2)return 0.5 + (np.square(np.sin(x)) - 0.5) / np.square(1 + 0.001 * x)

导入和构建 ga ：（遗传算法）

from sko.GA import GA
ga = GA(func=schaffer, n_dim = 2, size_pop = 100, 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)

运行结果为：

可以看到基本找到了全局最小值和对应的x 。

画出迭代次数的图：

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()

GA算法的参数详解：

输入参数：

输入参数	默认值	参数的意义
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	精确度，int / float或者它们组成的列表

输出参数：

GA & GA_TSP

输出参数	参数的意义
ga.generation_best_X	每一代的最优函数值对应的输入值
ga.generation_best_Y	每一代的最优函数值
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

3.2 遗传算法进行整数规划

在多维优化时，想让哪个变量限制为整数，就设定 precision 为 整数 即可。

例如，我想让我的自定义函数的某些变量限制为整数+浮点数（分别是整数，整数，浮点数），那么就设定 precision=[1, 1, 1e-7]

例子如下：

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 = [1,1,1e-7])
best_x, best_y = ga.run()
print('best_x:', best_x, '\n', 'best_y:', best_y)

可以看到第一个、第二个变量都是整数，第三个就是浮点数了 。

3.3 遗传算法用于旅行商问题

商旅问题(TSP)就是路径规划的问题，比如有很多城市，你都要跑一遍，那么先去哪个城市再去哪个城市可以让你的总路程最小。

实际问题需要一个城市坐标数据，比如你的出发点位置为（0,0），第一个城市离位置为$（x_1,y_1）$,第二个为$（x_2,y_2）$…这里没有实际数据，就直接随机生成了。

import numpy as np
from scipy import spatial
import matplotlib.pyplot as plt
num_points = 50
points_coordinate = np.random.rand(num_points, 2)  # generate coordinate of points
points_coordinate

这里定义的是50个城市，每个城市的坐标都在是上图随机生成的矩阵。

然后我们把它变成类似相关系数里面的矩阵：

distance_matrix = spatial.distance.cdist(points_coordinate, points_coordinate, metric='euclidean')
distance_matrix.shape

(50, 50)

这个矩阵就能得出每个城市之间的距离，算上自己和自己的距离（0），总共有2500个数。

定义问题：

def cal_total_distance(routine):num_points, = routine.shapereturn sum([distance_matrix[routine[i % num_points], routine[(i + 1) % num_points]] for i in range(num_points)])

求解问题：

from sko.GA import GA_TSP
ga_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()

我们展示一下结果：

best_distance

画图查看计算出来的路径，还有迭代次数和y的关系：

fig, ax = plt.subplots(1, 2,figsize = (12, 8))
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], 'o-r')
ax[1].plot(ga_tsp.generation_best_Y)
plt.show()

3.4 使用遗传算法进行曲线拟合

构建数据集：

import numpy as np
import matplotlib.pyplot as plt
from sko.GA import GA
x_true = np.linspace(-1.2, 1.2, 30)
y_true = x_true ** 3 - x_true + 0.4 * np.random.rand(30)
plt.plot(x_true, y_true, 'o')

构建的数据是$y=x^3-x+0.4$，然后加上了随机扰动项。如图：

定义需要拟合的函数（三次函数），然后将残差作为目标函数去求解：

def f_fun(x, a, b, c, d):return a * x ** 3 + b * x ** 2 + c * x + d   #三次函数def obj_fun(p):a, b, c, d = presiduals = np.square(f_fun(x_true, a, b, c, d) - y_true).sum()return residuals

求解：

ga = GA(func = obj_fun, n_dim = 4, size_pop = 100, max_iter = 500, lb = [-2] * 4, ub = [2] * 4)
best_params, residuals = ga.run()
print('best_x:', best_params, '\n', 'best_y:', residuals)

可以看到拟合出来的方程为$y=0.9656x^3-0.0065x^2-1.0162x+0.2162$

画出拟合线:

y_predict = f_fun(x_true, *best_params)
fig, ax = plt.subplots()
ax.plot(x_true, y_true, 'o')
ax.plot(x_true, y_predict, '-')
plt.show()