博客

多目标优化的python代码中用到deap库，首先要在命令行安装deap：

pip install deap

安装后deap下的一些常用的方法就可以使用了，下面是一些我第一次见的新工具。

• creator

1. creator.create(“FitnessMin”, base.Fitness, weights=(-1.0,))
   
   这里代表创建一个名为“FitnessMin”的单目标最小问题
   
   类
   
   ，并且继承了base.Fitness这个类(后面有介绍)。weights属性是tuple的形式，里面含有几个元素就代表几个目标函数，其中元素为负值代表最小化问题，正值代表最大化问题。
2. creator.create(“Individual”, list, fitness=creator.FitnessMin)
   
   使用creator创建一个Individual类，继承标准list类型，并拥有一个fitness属性，这个属性的值为上面1中创建的名为FitnessMin的类。

• toolbox

1. 
toolbox.register(self,alias,function,*args,**kargs)

   
   把方法function和参数二次打包成一个新方法,其别名为self，下次可直接用
   
   toolbox.别名
   
   直接调用。

   
   eg
   
   : toolbox.register(“attribute”, random.random)
   
   给toolbox注册了random.random，使用” attribute “别名。程序中直接调用toolbox.attribute()就相当于调用random.random()。

   

• tools

1. 
tools.initRepeat(container, func, n)

   
   调用 func 方法n 次，产生的结果放在 container。

   
   eg
   
   : tools.initRepeat(list,random.random,2)
   
   

2. 
tools.initIterate(container, generator)

   
   我的理解是和initRepeat()类似，只是执行一遍方法即可，不需要重复n次了。

   
   eg
   
   ：
   
   

3. 
tools.cxSimulatedBinaryBounded(ind1, ind2, eta, low, up)

   
   tools子代的交叉算法之——二进制交叉

   ind1 – 参与交叉的第一个个体
   
   ind2 – 参与交叉的第二个个体
   
   eta – 交叉的拥挤程度。较高的ETA将产生与其父代相似的子代，而较小的ETA将产生更多不同的解决方案
   
   low – 作为搜索空间下界的值或值序列
   
   up – 作为搜索空间上界的值或值序列
   
   返回: 由两个个体组成的一个元组

4. 
tools.selTournamentDCD(individuals, k)

   
   基于两个个体的支配优势(D)进行锦标赛选择，若不互相支配，则根据拥挤距离(CD)进行选择。

• base.Fitness的属性

1. valid
   
   判断适应度是否有效(true/false)

2. values
   
   适应度值。直接使用individual.fitness.values = values来设置适配度，并使用del del individual.fitness.values来清除适应度(使适应度无效)。(未加权的)适应度可以通过individual.fitness.values直接访问

3. weights = None
   
   weights用在适应度的比较上。权重必须定义为一个元组，其中每个元素都与目标相关联。负数对应于相关目标的最小化，正数对应于最大化。