DEAP中的适应度共享

Question

有没有办法使用DEAP实现体能共享/小众定位？具体地说，我正在寻找pdf第98页上定义的方法here (Goldberg's fitness sharing)的实现。如果您知道DEAP中有任何其他方法，那也会很有用。

谢谢

Answer 1

编写您自己的选择例程。默认例程位于deap/tools/selection.py，作为入门指南可能很有用

例如：

def selYourSelectionRoutine(individuals, k):
    """Select the *k* best individuals among the input *individuals*.

    :param individuals: A list of individuals to select from.
    :param k: The number of individuals to select.
    :returns: A list containing the k best individuals.
    """
    return sorted(individuals, key=attrgetter("fitness"), reverse=True)[:k]

然后按照他们的规定在deap的其余部分中使用它：

toolbox.register("select", tools.selYourSelectionRoutine, yourargs)

我有一个更像是基于相对适合度的概率选择，这是我没有权利的，它只有10-15行python-所以它可以做到，并且不是很难。

我还不知道那个特定的选择例程有什么公开的实现。

Answer 2

要进行适应度共享，您必须定义自己的共享适应度函数，该函数依赖于整个种群。

假设您已经定义了一个fitness函数，您可以执行以下操作：

from scipy.spatial import distance_matrix

def sharing(distance, sigma, alpha):
    res = 0
    if distance<sigma:
        res += 1 - (distance/sigma)**alpha
    return res

def shared_fitness(individual, population, sigma, alpha):
    num = fitness(individual)[0]

    dists = distance_matrix([individual], population)[0]
    tmp = [sharing(d, sigma, alpha) for d in dists]
    den = sum(tmp)

    return num/den,

这种共享的适应性将有利于邻居较少的个人。sigma是一个半径，在这个半径内，邻居将惩罚个人的共享健康。如果sigma更大，那么您的利基将会更远，并且您可能会错过局部最大值。如果sigma较小，则需要更大的人口，并且算法将需要更长的运行时间。alpha表明了对附近邻居的惩罚力度有多大。

然后，可以像常规健身一样在工具箱中注册此共享健身。

population = toolbox.population()
toolbox.register('evaluate', shared_fitness, population=population, sigma=0.1, alpha=1.)