PyGAD：Python中的遗传算法

PyGAD 是一个开源、易于使用的 Python 3 库，用于构建遗传算法并优化机器学习算法。它支持 Keras 和 PyTorch。PyGAD 可以用于优化单目标和多目标问题。

试试 Optimization Gadget，这是一款由 PyGAD 提供支持的免费云端工具。它通过减少或消除编码需求来简化优化过程，同时提供富有洞察力的可视化效果。

请查阅 PyGAD 的文档。

PyGAD 支持多种类型的交叉、变异和父代选择。通过自定义适应度函数，PyGAD 能够使用遗传算法优化不同类型的问题。

该库目前仍在积极开发中，功能也在不断更新。如果您希望新增某项功能，请查看“联系我们”部分提交请求。

捐赠

• 信用卡/借记卡: https://donate.stripe.com/eVa5kO866elKgM0144
• Open Collective: opencollective.com/pygad
• PayPal: 使用此链接：paypal.me/ahmedfgad 或电子邮件地址 ahmed.f.gad@gmail.com
• Interac e-Transfer：使用电子邮件地址 ahmed.f.gad@gmail.com

安装

要安装 PyGAD，只需使用 pip 从 PyPI（Python 包索引）下载并安装该库。该库在 PyPI 上的页面为：https://pypi.org/project/pygad。

使用以下命令安装 PyGAD：

pip install pygad

要开始使用 PyGAD，请阅读位于 Read The Docs 的文档：https://pygad.readthedocs.io。

PyGAD 源代码

PyGAD 各模块的源代码位于以下 GitHub 项目中：

• pygad: (https://github.com/ahmedfgad/GeneticAlgorithmPython)
• pygad.nn: https://github.com/ahmedfgad/NumPyANN
• pygad.gann: https://github.com/ahmedfgad/NeuralGenetic
• pygad.cnn: https://github.com/ahmedfgad/NumPyCNN
• pygad.gacnn: https://github.com/ahmedfgad/CNNGenetic
• pygad.kerasga: https://github.com/ahmedfgad/KerasGA
• pygad.torchga: https://github.com/ahmedfgad/TorchGA

PyGAD 的文档可在 Read The Docs 上找到：https://pygad.readthedocs.io。

PyGAD 文档

PyGAD 库的文档可在 Read The Docs 上找到，链接为：https://pygad.readthedocs.io。文档详细介绍了 PyGAD 支持的模块、所有类、方法、属性和函数，并为每个模块提供了多个示例。

如果在使用 PyGAD 时遇到问题，欢迎在 GitHub 仓库 中提交问题：https://github.com/ahmedfgad/GeneticAlgorithmPython，或者发送邮件至 ahmed.f.gad@gmail.com。

如果您使用 PyGAD 构建了某个项目，请将以下信息发送至 ahmed.f.gad@gmail.com，以便将您的项目收录到文档中：

• 项目标题
• 简要描述
• 最好附上指向您项目的链接

更多联系方式请参阅“联系我们”部分。

PyGAD 的生命周期

下图列出了 pygad.GA 类实例生命周期中的各个阶段。请注意，当所有代数都已完成，或者当传递给 on_generation 参数的函数返回字符串 stop 时，PyGAD 将停止运行。

以下代码实现了所有回调函数，以跟踪遗传算法的执行过程。每个回调函数都会打印其名称。

import pygad
import numpy

function_inputs = [4,-2,3.5,5,-11,-4.7]
desired_output = 44

def fitness_func(ga_instance, solution, solution_idx):
    output = numpy.sum(solution*function_inputs)
    fitness = 1.0 / (numpy.abs(output - desired_output) + 0.000001)
    return fitness

fitness_function = fitness_func

def on_start(ga_instance):
    print("on_start()")

def on_fitness(ga_instance, population_fitness):
    print("on_fitness()")

def on_parents(ga_instance, selected_parents):
    print("on_parents()")

def on_crossover(ga_instance, offspring_crossover):
    print("on_crossover()")

def on_mutation(ga_instance, offspring_mutation):
    print("on_mutation()")

def on_generation(ga_instance):
    print("on_generation()")

def on_stop(ga_instance, last_population_fitness):
    print("on_stop()")

ga_instance = pygad.GA(num_generations=3,
                       num_parents_mating=5,
                       fitness_func=fitness_function,
                       sol_per_pop=10,
                       num_genes=len(function_inputs),
                       on_start=on_start,
                       on_fitness=on_fitness,
                       on_parents=on_parents,
                       on_crossover=on_crossover,
                       on_mutation=on_mutation,
                       on_generation=on_generation,
                       on_stop=on_stop)

ga_instance.run()

根据为 num_generations 参数指定的 3 个代数，以下是输出结果。

on_start()

on_fitness()
on_parents()
on_crossover()
on_mutation()
on_generation()

on_fitness()
on_parents()
on_crossover()
on_mutation()
on_generation()

on_fitness()
on_parents()
on_crossover()
on_mutation()
on_generation()

on_stop()

示例

有关此示例实现的信息，请参阅 PyGAD 的文档。它解决的是一个单目标优化问题。

import pygad
import numpy

"""
已知以下函数：
    y = f(w1:w6) = w1x1 + w2x2 + w3x3 + w4x4 + w5x5 + w6x6
    其中 (x1,x2,x3,x4,x5,x6)=(4,-2,3.5,5,-11,-4.7)，且 y=44
那么，这 6 个权重（w1 至 w6）的最佳值是多少？我们将使用遗传算法来优化这个函数。
"""

function_inputs = [4,-2,3.5,5,-11,-4.7] # 函数输入。
desired_output = 44 # 函数输出。

def fitness_func(ga_instance, solution, solution_idx):
    # 计算当前种群中每个解的适应度值。
    # 适应度函数计算每个输入与其对应权重的乘积之和。
    output = numpy.sum(solution*function_inputs)
    fitness = 1.0 / numpy.abs(output - desired_output)
    return fitness

fitness_function = fitness_func

num_generations = 100 # 代数。
num_parents_mating = 7 # 作为交配池中父母的解的数量。

# 准备初始种群有两种方式：
# 1) 自己准备并将其传递给 initial_population 参数。这种方式适用于用户希望从自定义初始种群开始运行遗传算法的情况。
# 2) 为 sol_per_pop 和 num_genes 参数分配有效的整数值。如果提供了 initial_population 参数，则 sol_per_pop 和 num_genes 参数将不起作用。
sol_per_pop = 50 # 种群中的解的数量。
num_genes = len(function_inputs)

last_fitness = 0
def callback_generation(ga_instance):
    global last_fitness
    print(f"代数 = {ga_instance.generations_completed}")
    print(f"适应度值 = {ga_instance.best_solution()[1]}")
    print(f"变化 = {ga_instance.best_solution()[1] - last_fitness}")
    last_fitness = ga_instance.best_solution()[1]

# 在 ga 模块中创建 GA 类的实例。一些参数在构造函数中初始化。
ga_instance = pygad.GA(num_generations=num_generations,
                       num_parents_mating=num_parents_mating, 
                       fitness_func=fitness_function,
                       sol_per_pop=sol_per_pop, 
                       num_genes=num_genes,
                       on_generation=callback_generation)

# 运行 GA 以优化函数的参数。
ga_instance.run()

# 代数完成后，会显示一些图表，总结输出/适应度值随代数的变化情况。
ga_instance.plot_fitness()

# 返回最佳解的详细信息。
solution, solution_fitness, solution_idx = ga_instance.best_solution()
print(f"最佳解的参数：{solution}")
print(f"最佳解的适应度值 = {solution_fitness}")
print(f"最佳解的索引：{solution_idx}")

prediction = numpy.sum(numpy.array(function_inputs)*solution)
print(f"基于最佳解的预测输出：{prediction}")

if ga_instance.best_solution_generation != -1:
    print(f"最佳适应度值在第 {ga_instance.best_solution_generation} 代达到。")

# 保存 GA 实例。
filename = 'genetic' # 保存实例的文件名，不带扩展名。
ga_instance.save(filename=filename)

# 加载保存的 GA 实例。
loaded_ga_instance = pygad.load(filename=filename)
loaded_ga_instance.plot_fitness()

更多信息

有许多资源可以帮助您入门遗传算法，并在 Python 中构建它。

教程：在 Python 中实现遗传算法

要开始编写遗传算法代码，可以查看题为Python 中的遗传算法实现的教程，该教程可通过以下链接访问：

• LinkedIn
• Towards Data Science
• KDnuggets

本教程基于该项目的早期版本编写，但仍然是开始学习遗传算法编程的一个不错资源。

教程：遗传算法简介

通过阅读题为遗传算法优化入门的教程，开始学习遗传算法。该教程可通过以下链接访问：

• LinkedIn
• Towards Data Science
• KDnuggets

教程：用遗传算法优化神经网络

通过题为使用遗传算法和 Python 优化人工神经网络的教程，了解如何利用遗传算法训练神经网络。该教程可通过以下链接访问：

• LinkedIn
• Towards Data Science
• KDnuggets

书籍：使用 CNN 的深度学习进行实用计算机视觉应用

您还可以查阅我的著作，即Ahmed Fawzy Gad，《使用 CNN 的深度学习进行实用计算机视觉应用》。2018 年 12 月，Apress 出版社，ISBN：978-1-4842-4167-7，书中讨论了神经网络、卷积神经网络、深度学习、遗传算法等内容。

您可以通过以下链接找到该书：

• Amazon
• Springer
• Apress
• O'Reilly
• Google Books

引用 PyGAD - BibTeX 格式引用

如果您使用了 PyGAD，请考虑在关于 PyGAD 的论文中添加以下引用：

@article{gad2023pygad,
  title={Pygad: 一个直观的遗传算法 Python 库},
  author={Gad, Ahmed Fawzy},
  journal={多媒体工具与应用},
  pages={1--14},
  year={2023},
  publisher={Springer}
}

联系我们

• 邮箱：ahmed.f.gad@gmail.com
• LinkedIn
• Paperspace
• KDnuggets
• TowardsDataScience
• GitHub

PyGAD 快速上手指南

PyGAD 是一个易于使用的 Python 3 开源库，用于构建遗传算法（Genetic Algorithm）并优化机器学习模型。它支持 Keras 和 PyTorch 框架，适用于单目标和多目标优化问题。

环境准备

• 操作系统：Windows、Linux 或 macOS
• Python 版本：Python 3.8 至 3.13
• 前置依赖：
  • numpy (核心依赖)
  • matplotlib (用于绘图可视化，可选但推荐)
  • 若需优化深度学习模型，请确保已安装 tensorflow/keras 或 torch

安装步骤

使用 pip 从 PyPI 安装最新稳定版：

pip install pygad

国内加速方案： 如果您在中国大陆，建议使用清华或阿里镜像源以加快下载速度：

pip install pygad -i https://pypi.tuna.tsinghua.edu.cn/simple

或者使用阿里云镜像：

pip install pygad -i https://mirrors.aliyun.com/pypi/simple/

基本使用

以下示例演示如何使用 PyGAD 解决一个简单的线性方程权重优化问题。 目标：找到权重 $w_1$ 到 $w_6$，使得 $y = \sum(w_i \times x_i)$ 最接近期望值 44。

import pygad
import numpy

# 定义函数输入和期望输出
function_inputs = [4, -2, 3.5, 5, -11, -4.7]
desired_output = 44

# 定义适应度函数
def fitness_func(ga_instance, solution, solution_idx):
    output = numpy.sum(solution * function_inputs)
    # 适应度值越大越好，这里使用误差倒数的逻辑
    fitness = 1.0 / numpy.abs(output - desired_output)
    return fitness

# 配置遗传算法参数
ga_instance = pygad.GA(
    num_generations=100,          # 迭代代数
    num_parents_mating=7,         # 参与交配的父母数量
    sol_per_pop=50,               # 种群大小
    num_genes=len(function_inputs), # 基因数量（即权重数量）
    fitness_func=fitness_func     # 适应度函数
)

# 运行遗传算法
ga_instance.run()

# 可视化适应度变化
ga_instance.plot_fitness()

# 获取最佳结果
solution, solution_fitness, solution_idx = ga_instance.best_solution()
print(f"最佳解决方案的参数：{solution}")
print(f"最佳解决方案的适应度值：{solution_fitness}")

# 验证预测结果
prediction = numpy.sum(numpy.array(function_inputs) * solution)
print(f"基于最佳解的预测输出：{prediction}")

代码说明

1. fitness_func: 核心逻辑，计算当前解（权重组合）与目标值的接近程度。
2. pygad.GA: 初始化算法实例，设置迭代次数、种群大小等超参数。
3. run(): 启动进化过程。
4. best_solution(): 算法结束后提取最优解。