DEAP框架基础教程：操作符与算法详解

前言

DEAP（Distributed Evolutionary Algorithms in Python）是一个强大的进化计算框架，本教程将深入讲解DEAP中的核心操作符和算法实现。通过本教程，您将掌握如何构建完整的进化算法流程。

个体创建与初始化

在DEAP中，个体是进化计算的基本单元。创建个体前需要先定义其类型和适应度函数：

from deap import base, creator, tools
import random

# 定义适应度类型（最小化双目标）
creator.create("FitnessMin", base.Fitness, weights=(-1.0, -1.0))
# 定义个体类型（浮点数列表）
creator.create("Individual", list, fitness=creator.FitnessMin)

# 初始化工具盒
toolbox = base.Toolbox()
# 注册属性生成器
toolbox.register("attr_float", random.random)
# 注册个体生成器
toolbox.register("individual", tools.initRepeat, creator.Individual, 
                toolbox.attr_float, n=10)

创建第一个个体并检查其适应度：

ind1 = toolbox.individual()
print(ind1)  # 输出个体内容
print(ind1.fitness.valid)  # 输出False，因为尚未评估

评估函数设计

评估函数是进化算法中最具个性化的部分，它决定了如何量化个体的优劣：

def evaluate(individual):
    # 计算第一个目标：个体元素之和
    obj1 = sum(individual)
    # 计算第二个目标：个体元素平方和
    obj2 = sum(x**2 for x in individual)
    return obj1, obj2

# 评估个体并设置适应度
ind1.fitness.values = evaluate(ind1)
print(ind1.fitness.valid)  # 现在输出True

注意：即使单目标优化，评估函数也必须返回元组形式。

变异操作

DEAP提供了多种变异算子，每种都有其特点：

# 高斯变异示例
mutant = toolbox.clone(ind1)  # 必须先克隆
tools.mutGaussian(mutant, mu=0, sigma=0.2, indpb=0.1)
del mutant.fitness.values  # 变异后适应度失效

关键点：

1. 变异操作会直接修改个体
2. 变异后必须手动清除适应度值
3. 原始个体和变异体是不同对象

交叉操作

交叉操作同样需要特别注意克隆问题：

ind2 = toolbox.individual()
# 克隆两个个体作为父代
child1, child2 = [toolbox.clone(ind) for ind in (ind1, ind2)]
# 执行模拟二进制交叉
tools.cxSimulatedBinaryBounded(child1, child2, eta=20.0, low=0, up=1)
del child1.fitness.values
del child2.fitness.values

选择操作

选择操作从种群中挑选个体进行繁殖：

population = [toolbox.individual() for _ in range(50)]
# 评估整个种群
fits = [toolbox.evaluate(ind) for ind in population]
for ind, fit in zip(population, fits):
    ind.fitness.values = fit
    
# 使用锦标赛选择
selected = tools.selTournament(population, k=10, tournsize=3)

重要警告：选择操作返回的是原始个体的引用，修改一个会影响另一个。

工具盒的高级用法

工具盒(Toolbox)是DEAP的核心组件，它统一管理所有进化操作：

# 注册各种操作
toolbox.register("mate", tools.cxBlend, alpha=0.2)
toolbox.register("mutate", tools.mutGaussian, mu=0, sigma=0.2)
toolbox.register("select", tools.selTournament, tournsize=3)

装饰器应用

DEAP支持使用装饰器来增强操作符功能：

def checkBounds(min, max):
    def decorator(func):
        def wrapper(*args, **kargs):
            offspring = func(*args, **kargs)
            for child in offspring:
                for i in range(len(child)):
                    if child[i] > max:
                        child[i] = max
                    elif child[i] < min:
                        child[i] = min
            return offspring
        return wrapper
    return decorator

# 应用装饰器
toolbox.decorate("mutate", checkBounds(0, 1))

完整算法示例

结合上述组件，可以构建完整的进化算法：

def eaSimple(population, toolbox, cxpb, mutpb, ngen):
    # 评估初始种群
    fitnesses = map(toolbox.evaluate, population)
    for ind, fit in zip(population, fitnesses):
        ind.fitness.values = fit
    
    for g in range(ngen):
        # 选择下一代
        offspring = toolbox.select(population, len(population))
        # 克隆选中的个体
        offspring = list(map(toolbox.clone, offspring))
        
        # 交叉
        for child1, child2 in zip(offspring[::2], offspring[1::2]):
            if random.random() < cxpb:
                toolbox.mate(child1, child2)
                del child1.fitness.values
                del child2.fitness.values
        
        # 变异
        for mutant in offspring:
            if random.random() < mutpb:
                toolbox.mutate(mutant)
                del mutant.fitness.values
        
        # 评估新个体
        invalid_ind = [ind for ind in offspring if not ind.fitness.valid]
        fitnesses = map(toolbox.evaluate, invalid_ind)
        for ind, fit in zip(invalid_ind, fitnesses):
            ind.fitness.values = fit
        
        # 更新种群
        population[:] = offspring
    
    return population

内置算法使用

DEAP提供了一些预设算法实现：

from deap import algorithms

# 使用内置的eaSimple算法
algorithms.eaSimple(population, toolbox, cxpb=0.5, mutpb=0.2, ngen=50)

总结

本教程详细介绍了DEAP框架中的核心组件：

1. 个体创建与初始化
2. 评估函数设计
3. 变异、交叉、选择等基本操作符
4. 工具盒的高级用法
5. 完整算法构建方法

掌握这些基础知识后，您可以根据具体问题定制自己的进化算法。DEAP的模块化设计使得实验不同算子组合变得非常方便。