本文主要是介绍python 中的启发式算法工具包，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
之前一直以为python没有相应的python工具包，后来发现其实python也有诸如遗传算法/粒子群算法等启发式算法工具包，链接如下：
github链接
中文帮助文档
Ubuntu安装如下：
pip install scikit-opt
scikit-opt是一个封装了7种启发式算法的 Python 代码库（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）
下面粘贴几个例子：
1. 差分进化算法
步骤1 定义问题 （demo源代码）
"""
原问题：min f(x1, x2, x3) = x1^2 + x2^2 + x3^2s.t.x1*x2 >= 1x1*x2 <= 5x2 + x3 = 10 <= x1, x2, x3 <= 5
"""def obj_func(p):x1, x2, x3 = preturn x1 ** 2 + x2 ** 2 + x3 ** 2constraint_eq = [lambda x: 1 - x[1] - x[2]
]constraint_ueq = [lambda x: 1 - x[0] * x[1],lambda x: x[0] * x[1] - 5
]
步骤2 做差分算法
from sko.DE import DEde = DE(func=obj_func, n_dim=3, size_pop=50, max_iter=800, lb=[0, 0, 0], ub=[5, 5, 5],constraint_eq=constraint_eq, constraint_ueq=constraint_ueq)best_x, best_y = de.run()
print('best_x:', best_x, '\n', 'best_y:', best_y)
2.遗传算法
步骤1 定义问题（demo源代码）
import numpy as npdef schaffer(p):'''This function has plenty of local minimum, with strong shocksglobal minimum at (0,0) with value 0'''x1, x2 = px = np.square(x1) + np.square(x2)return 0.5 + (np.sin(x) - 0.5) / np.square(1 + 0.001 * x)步骤2 运行遗传算法
from sko.GA import GAga = GA(func=schaffer, n_dim=2, size_pop=50, max_iter=800, 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)
步骤3 用 matplotlib 画出结果
3.粒子群算法
demo：带约束的粒子群算法（源代码）
步骤1 定义问题
def demo_func(x):x1, x2, x3 = xreturn x1 ** 2 + (x2 - 0.05) ** 2 + x3 ** 2
步骤2 做粒子群算法
from sko.PSO import PSOpso = PSO(func=demo_func, dim=3, pop=40, max_iter=150, lb=[0, -1, 0.5], ub=[1, 1, 1], w=0.8, c1=0.5, c2=0.5)
pso.run()
print('best_x is ', pso.gbest_x, 'best_y is', pso.gbest_y)
步骤3 画出结果
import matplotlib.pyplot as pltplt.plot(pso.gbest_y_hist)
plt.show()
还有个动图贴不出来……
总之这个算法包还是非常好的，更多资源请访问原链接和中文文档
这篇关于python 中的启发式算法工具包的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
