Возобновление оптимизации с помощью pyevolve - PullRequest
Новая
       25

Возобновление оптимизации с помощью pyevolve

2 голосов
/ 27 июля 2011

Я провел оптимизацию с помощью Pyevolve и, посмотрев на результаты, я хотел добавить несколько поколений для лучшей конвергенции. Поскольку оценка довольно долгая, мне было интересно, смогу ли я возобновить оптимизацию до последнего поколения и добавить еще 20 поколений. Все должно быть установлено в БД, я надеюсь, что он может быть возможным.

Вот мои свойства GA (аналогично первому примеру, но с более сложной оценочной функцией): 

    # Genome instance, 1D List of 6 elements
genome = G1DList.G1DList(6)

# Sets the range max and min of the 1D List
genome.setParams(rangemin=1, rangemax=15)

# The evaluator function (evaluation function)
genome.evaluator.set(eval_func)

# Genetic Algorithm Instance
ga=GSimpleGA.GSimpleGA(genome)

# Set the Roulette Wheel selector method, the number of generations and
# the termination criteria
ga.selector.set(Selectors.GRouletteWheel)
ga.setGenerations(50)
ga.setPopulationSize(10)
ga.terminationCriteria.set(GSimpleGA.ConvergenceCriteria)

# Sets the DB Adapter, the resetDB flag will make the Adapter recreate
# the database and erase all data every run, you should use this flag
# just in the first time, after the pyevolve.db was created, you can
# omit it.
sqlite_adapter = DBAdapters.DBSQLite(identify="F-Beam-Optimization", resetDB=True)
ga.setDBAdapter(sqlite_adapter)

# Do the evolution, with stats dump
# frequency of 5 generations
ga.evolve(freq_stats=2)

Кто-нибудь с идеей?

1 Ответ

3 голосов
/ 05 августа 2011

Привет после просмотра документации Pyevolve, похоже, нет никакого способа возобновить базу эволюции на том, что вы сохранили в базе данных (странное поведение).

Если вы хотите реализовать этот типМеханизм, вы могли бы взглянуть на то, чтобы время от времени собирать население и реализовывать все это в Pyevolve.

Или вы можете попробовать DEAP очень открытую среду, которая позволяет вам видеть и манипулировать каждымаспект эволюционного алгоритма, прозрачно.И уже реализован некоторый механизм checkpointing .

Вот как ваш код будет выглядеть в DEAP. 

import random    
from deap import algorithms, base, creator, tools

# Create the needed types
creator.create("FitnessMax", base.Fitness, weights=(1.0,))
creator.create("Individual", list, fitness=creator.FitnessMax)

# Container for the evolutionary tools
toolbox = base.Toolbox()
toolbox.register("attr", random.random, 1, 15)
toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attr, 6)
toolbox.register("population", tools.initRepeat, list, toolbox.individual)

# Operator registering
toolbox.register("evaluate", eval_func)
toolbox.register("mate", tools.cxTwoPoints)
toolbox.register("mutate", tools.mutGaussian, mu=0, sigma=1, indpb=0.05)
toolbox.register("select", tools.selTournament, tournsize=3)

population = toolbox.population(n=10)
stats = tools.Statistics(key=lambda ind: ind.fitness.values)
stats.register("Max", max)
checkpoint = tools.Checkpoint(population=population)

GEN, CXPB, MUTPB = 0, 0.5, 0.1
while stats.Max() < CONDITION:
    # Apply standard variation (crossover followed by mutation)
    offspring = algorithms.varSimple(toolbox, population, cxpb=CXPB, mutpb=MUTPB)

    # Evaluate the individuals
    fits = toolbox.map(toolbox.evaluate, offspring)
    for fit, ind in zip(fits, offspring):
        ind.fitness.values = fit

    # Select the fittest individuals
    offspring = [toolbox.clone(ind) for ind in toolbox.select(offspring, len(offspring)]
    # The "[:]" is important to not replace the label but what it contains
    population[:] = offspring

    stats.update(population)
    if GEN % 20 == 0:
        checkpoint.dump("my_checkpoint")
    GEN += 1

Обратите внимание, что приведенный выше код не был проверен,Но он делает все, что вы просите.Теперь о том, как загрузить контрольную точку и перезапустить эволюцию. 

checkpoint = tools.Checkpoint()
checkpoint.load("my_checkpoint.ems")
population = checkpoint["population"]

# Continue the evolution has in before

Более того, DEAP очень хорошо документирован и содержит более 25 разнообразных примеров, которые помогают новому пользователю очень быстро набрать скорость, я также слышал, что разработчики отвечают навопрос очень быстро.

...