优化问题的轻量级遗传算法模块
meltingpot的Python项目详细描述
meltingpot
一种用于解决实际编码优化问题的遗传算法，也有约束条件。
灵感来源于自然选择概念，最初由[charles darwin]开发（https://en.wikipedia.org/wiki/natural\u selection），遗传算法：
1。创建可能解（个体）的随机初始总体。
2.生成许多新的种群，其中每一代都是通过执行以下操作来创建的：
-基于适应度评估的选择，
-双亲之间的交叉，
-个体的突变。
选择最佳个体作为给定问题的解决方案。
等于目标函数：因此，最好的个人得分最低，反之亦然。
<35<35<35<
<35<35<35<35<35<
` ` `
` ` `
` ` ` `
；定义目标函数-强制
f=lambda x：（x[0]-1）**2+（x[1]-1]-1）**2
定义变量数量-也必须
nvars=2
init ga
ga=geneticalgorithm（f，nvars）
它们必须接受长度为nvars*的向量并返回标量值。
种群设置为100个个体，固定变异算子。
```
来自meltingpot导入遗传算法，变异
rosenbrock函数
a=1
b=100
f=lambda x:（a-x[0]）**2+b*（x[1]-x[0]**2）**2
nvars=2
=变异（收缩=0.5，sigma=1）
>；sol，score=ga.run（）
>；>print（sol）
[1.00057427 1.00115261]
>；>print（score）
3.3118979646719515E-07
````
0.84296）*，并受以下不等式约束：
-*-（x[0]-5）^2-（x[1]-5）^2+100<；=0*
-*（x[0]-6）^2+（x[1]-5）^2-82.81<；
`````
目标函数-g06
f=λx:（x[0]-10）**3+（x[1]-20）**3
nvars=2
不等式约束
g1=λx:-（x[0]-5）**2-（x[1]-5）**2+100
g2=λx=λx:（x[0]-6）**2+（x[1]-5）**2-82-82*2-82.81
ics=[g1，G2]
定义惩罚模式
惩罚=惩罚（α=5，β=5，c=1000）
惩罚=惩罚）
sol，score=ga.run（）
````
_边界
上下边界分别由"lb"和"ub"参数定义。它们必须是一个长度等于*nvars*
边界是硬约束的列表，也就是说，算法只允许边界内的个体。
给定n个个体的排名（其中排名1最适合，排名n最少），标度适应度具有3个基本性质：
＜BR/> 1。给定一个秩为k的个体，它与1/sqrt（k）成正比。
2。标度适应度之和等于新一代所需的候选数。
3。标度值与原始分数成反比，即最佳个体的标度值最高，反之亦然。
elites=2）
```
默认值为"elites=2"。
`交叉=0.6`.
1]。
在每次迭代中，sigma都根据一个"shrink"值和上一个"sigma"值进行更新，使得*sigma_k=sigma_k-1*（1-shrink*k/num_kiters）*，其中*k*是当前迭代。设置*shrink=0*让"sigma"为常量。
默认值为"shrink=1"和"sigma=1"。
` ics和ecs参数：
````
边界
lb=[-10，-10]
ub=[10,10]
罚函数的目的是将约束优化问题转化为无约束优化问题，在目标函数中加入代价项罚函数。如果满足约束，罚函数等于零；如果违反约束，罚函数等于正数。由于得分最低的个体最适合，增加一个正项会降低其适合度。
对于不等式约束，如果违反了*cs*，则值*v*等于*f（x）*，否则为*0*。对于等式约束，*v*等于*abs（f（x））*is*cs*被违反或*0*否则。
惩罚的默认值为：`c=1`，`alpha=2`，`beta=2`.
每次迭代都会执行暂停检查。如果失速条件得到验证，将触发灾难性事件。大灾变只会使大多数合适个体中的一小部分存活下来，并重新生成剩余的种群。
惩罚函数被重置，正如一个新的进化阶段实际上所暗示的那样。
```
from meltingpot import stall
stall=stall）
设置cataclism幸存者的分数
ga.survists=0.2
```
默认值为"tol=0.01"和"stall=5"。
欢迎加入QQ群-->： 979659372
