想要學習啟發式算法？推薦你看看這個價值極高的開源項目

許多學習算法的開發者在刷題或者練習的過程中都會遇到啟發式算法，如果你恰好也正在學習算法，那么今天 Gitee 介紹的這款開源項目一定能對你的學習過程有所幫助，幫你更好的理解啟發式算法。

啟發式算法（heuristic algorithm)是相對于最優化算法提出的。一個問題的最優算法求得該問題每個實例的最優解。啟發式算法可以這樣定義：一個基于直觀或經驗構造的算法，在可接受的花費（指計算時間和空間）下給出待解決組合優化問題每一個實例的一個可行解，該可行解與最優解的偏離程度一般不能被預計。

項目名稱：scikit-opt

項目作者：guofei9987

開源許可協議：MIT

項目地址：https://gitee.com/guofei9987/scikit-opt

項目簡介

該項目是一個封裝了7種啟發式算法的 Python 代碼庫，包含了差分進化算法、遺傳算法、粒子群算法、模擬退火算法、蟻群算法、魚群算法、免疫優化算法。

特性

UDF（用戶自定義算子）
GPU 加速
斷點繼續運行

算法演示

差分進化算法

1.定義你的問題

'''
min f(x1, x2, x3) = x1^2 + x2^2 + x3^2
s.t.
    x1*x2 >= 1
    x1*x2 <= 5
    x2 + x3 = 1
    0 <= x1, x2, x3 <= 5
'''




def obj_func(p):
    x1, x2, x3 = p
    return x1 ** 2 + x2 ** 2 + x3 ** 2




constraint_eq = [
    lambda x: 1 - x[1] - x[2]
]


constraint_ueq = [
    lambda x: 1 - x[0] * x[1],
    lambda x: x[0] * x[1] -

2.做差分進化算法

from sko.DE import DE


de = 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

遺傳算法

1.定義你的問題

import numpy as np




def schaffer(p):
    '''
    This function has plenty of local minimum, with strong shocks
    global minimum at (0,0) with value 0
    '''
    x1, x2 = p
    x = np.square(x1) + np.square(x2)
    return 0.5 + (np.sin(x) - 0.5) / np.square(1 + 0.001 * x

2.運行遺傳算法

from sko.GA import GA


ga = 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)

3.用 matplotlib 畫出結果

import pandas as pd
import matplotlib.pyplot as plt


Y_history = pd.DataFrame(ga.all_history_Y)
fig, ax = plt.subplots(2, 1)
ax[0].plot(Y_history.index, Y_history.values, '.', color='red')
Y_history.min(axis=1).cummin().plot(kind='line')
plt.show()

粒子群算法

1.定義問題

def demo_func(x):
    x1, x2, x3 = x
    return x1 ** 2 + (x2 - 0.05) ** 2 + x3 ** 2

2.做粒子群算法

from sko.PSO import PSO


pso = 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)

3.畫出結果

import matplotlib.pyplot as plt


plt.plot(pso.gbest_y_hist)
plt.show()

模擬退火算法

模擬退火算法用于多元函數優化

1.定義問題

demo_func = lambda x: x[0] ** 2 + (x[1] - 0.05) ** 2 + x[2] ** 2

2.運行模擬退火算法

from sko.SA import SA


sa = SA(func=demo_func, x0=[1, 1, 1], T_max=1, T_min=1e-9, L=300, max_stay_counter=150)
best_x, best_y = sa.run()
print('best_x:', best_x, 'best_y', best_y)

3.畫出結果

import matplotlib.pyplot as plt
import pandas as pd


plt.plot(pd.DataFrame(sa.best_y_history).cummin(axis=0))
plt.show()

蟻群算法

蟻群算法(ACA, Ant Colony Algorithm)解決TSP問題

from sko.ACA import ACA_TSP


aca = ACA_TSP(func=cal_total_distance, n_dim=num_points,
              size_pop=50, max_iter=200,
              distance_matrix=distance_matrix)


best_x, best_y = aca.run(

免疫優化算法

from sko.IA import IA_TSP


ia_tsp = IA_TSP(func=cal_total_distance, n_dim=num_points, size_pop=500, max_iter=800, prob_mut=0.2,
                T=0.7, alpha=0.95)
best_points, best_distance = ia_tsp.run()
print('best routine:', best_points, 'best_distance:', best_distance)

人工魚群算法

def func(x):
    x1, x2 = x
    return 1 / x1 ** 2 + x1 ** 2 + 1 / x2 ** 2 + x2 ** 2




from sko.AFSA import AFSA


afsa = AFSA(func, n_dim=2, size_pop=50, max_iter=300,
            max_try_num=100, step=0.5, visual=0.3,
            q=0.98, delta=0.5)
best_x, best_y = afsa.run()
print(best_x, best_

想要學習更多算法類開源項目？點擊下方了解更多前往 Gitee 看看。