Algorytmy genetyczne i optymalizacja wieloaspektowa w PYTHON: biblioteki/narzędzia do użycia?

Question

Skanuję Internet pod kątem bibliotek dostępnych do użycia GA z potencjalnym rozwojem dla algorytmów wieloobiektywowych, takich jak NSGAII dla Pythona. Czy masz jakieś propozycje?

Oto co mam do tej pory:

1. Pyevolve: dobrze udokumentowane, ale nie obejmuje wielu cel
2. Pygene: nie wydaje się zawierać obsługi wielu Celu
3. deap: Wygląda dobrze udokumentowane , zawiera wiele obiektywów
4. inspyred: Wydaje się być ok-udokumentowane, zawiera wiele obiektywów

Pytanie nie musi być jednoznaczne z tym, który z nich jest lepszy, ale raczej z cechami tych bibliotek i możliwością łatwego przełączania z optymalizacji pojedynczej do wielostronnej.

Dziękuję

Answer 1

Ujawnienie: Jestem jednym z twórców DEAP.

DEAP jest najbardziej aktywnie rozwijanym projektem spośród wymienionych. Posiada aktywną listę mailingową, co jest ciekawą funkcją, jeśli potrzebujesz pomocy w pewnym momencie. Tworzenie klas, które jest unikalne dla DEAP, sprawia, że ​​przełączanie się z jednego na wiele celów jest naprawdę łatwe. Zawiera wiele przykładów, w tym przykłady wieloobiektowych algorytmów genetycznych.

Jest również kompatybilny zarówno z Pythonem 2, jak i 3, podczas gdy niektóre inne frameworki obsługują tylko Python 2. Wreszcie, chociaż jest napisany w czystym Pythonie, zawsze będziemy mieć na uwadze występy, więc jest dość szybki. Harmonogram różnych przykładów jest dostępny pod adresem http://deap.gel.ulaval.ca/speed/.

Answer 2

Pybrain wydaje się mieć Ga i wielokryterialnej GA:

http://pybrain.org/docs/api/optimization/optimization.html?highlight=genetic#population-based

nadal wydaje się być nieco podstawowe. Nie próbowałem, więc nie mogę powiedzieć, jak dobrze jest.