Question

有没有办法使用DEAP实现健身共享/小生境？具体来说，我正在寻找pdf第98页定义的方法here（Goldberg的健身共享）的实现。如果您知道DEAP中的任何其他方法，那么这也是有用的。

由于

Answer 1

编写自己的选择例程。默认例程位于deap/tools/selection.py，可能非常适合作为入门指南

例如：

def selYourSelectionRoutine(individuals, k):
    """Select the *k* best individuals among the input *individuals*.

    :param individuals: A list of individuals to select from.
    :param k: The number of individuals to select.
    :returns: A list containing the k best individuals.
    """
    return sorted(individuals, key=attrgetter("fitness"), reverse=True)[:k]

然后按照处方的其余部分使用它：

toolbox.register("select", tools.selYourSelectionRoutine, yourargs)

我有一个更像是基于相对适应性的概率选择，我没有权利，它只有大约10-15行的python - 所以它可以做到，并且不是很难过。

我不知道公开可用的特定选择例程的任何实现（还）。

Answer 2

要进行健身共享，您必须定义自己的共享健身函数，该函数取决于整个人群。

假设您已经定义了fitness函数，则可以执行以下操作：

from scipy.spatial import distance_matrix

def sharing(distance, sigma, alpha):
    res = 0
    if distance<sigma:
        res += 1 - (distance/sigma)**alpha
    return res

def shared_fitness(individual, population, sigma, alpha):
    num = fitness(individual)[0]

    dists = distance_matrix([individual], population)[0]
    tmp = [sharing(d, sigma, alpha) for d in dists]
    den = sum(tmp)

    return num/den,

这种共享的适应性将有利于邻居少的人。 sigma是邻居会惩罚某人的共享适应度的半径。如果sigma较大，则您的利基空间将更远，您可能会错过局部最大值。如果sigma较小，则需要更大的人口，并且算法将需要更长的时间才能运行。 alpha表示对附近邻居的惩罚程度。

然后，您可以像常规健身一样在工具箱中注册此共享健身。

population = toolbox.population()
toolbox.register('evaluate', shared_fitness, population=population, sigma=0.1, alpha=1.)

然后，您可以使用$ \ mu + \ lambda $等标准算法，该算法将根据后代的适应性来选择后代。

在DEAP中分享健身

2 个答案: