Algorithmes génétiques et multi-objectifs de l'optimisation sur PYTHON : bibliothèques/outils à utiliser?
Je suis à l'affût de l'internet pour les bibliothèques disponibles à utiliser GA avec un potentiel de développement pour le multi-objectif des algorithmes tels que NSGAII pour Python. Avez-vous une suggestion?
Voici ce que j'ai à ce jour:
- Pyevolve : Bien documentés, mais ne comprennent pas multi objectif
- Pygene : Ne semble pas inclure multi objectif
- deap : Il semble bien documenté, comprend plusieurs objectifs
- inspyred: me semble bien documenté, comprend plusieurs objectifs
La question n'est pas nécessairement sur lequel est le mieux, mais plus sur les caractéristiques de ces bibliothèques et la possibilité de passer facilement d'une seule multi-objectif d'optimisation.
Merci
- Il a été utile à une question, je ne comprends pas les gens, pourquoi vous l'avez fermé...
- Je suis d'accord, cela a été utile à une question et l'ensemble des réponses. Il a résolu un de mes problèmes d'optimisation.
- La question tel qu'il est libellé des adresses utiles sujet, est bien documenté, et demande des réponses objectives. Il n'est pas "sollicitation de débat, les arguments, les bureaux de vote, ou de longues discussions" - ceux qui choisissent de fermer ce sont ceux n'étant pas constructif.
- Je suis d'accord avec les commentaires ci-dessus. Peut-être les membres qui ont clos la question pourrait suggérer précisément les critères pour la clôture de cette question relève de l' (je soupçonne que c'est le seul sur la sollicitation d'interrogation), et comment il peut être reformulé de manière à exclure lui-même de ce critère.
- Alors que je suis d'accord que cette question est quelque peu utile, il y a une raison qui répond spécifiquement à ce type de question: Questions nous demandant de recommander ou trouver un livre, un outil, une bibliothèque de logiciels, tutoriel ou d'autres hors-site de ressources sont hors sujet pour Stack Overflow [...]. Aussi jeter un oeil sur ce post: meta.stackexchange.com/questions/199411
Vous devez vous connecter pour publier un commentaire.
Divulgation: je suis l'un des développeurs du DEAP.
DEAP est le plus activement développé projet parmi celles qui sont mentionnées. Il dispose d'un actif de la mailing-liste, qui est une fonctionnalité intéressante si vous avez besoin d'aide à un certain point. La création de la classe qui est unique à DEAP rend la commutation à partir d'un seul ou plusieurs objectifs très facile. Il est livré avec de nombreux exemples, y compris des exemples de multi-objectif des algorithmes génétiques.
Il est également compatible avec Python 2 et 3, tandis que certains autres cadres seulement le support de Python 2. Enfin, alors qu'il est écrit dans le plus pur Python, nous aurons toujours des performances à l'esprit, donc c'est assez rapide. Calendrier des différents exemples sont disponibles à http://deap.gel.ulaval.ca/speed/.
Pybrain semble avoir GA et multi-objectif GA:
http://pybrain.org/docs/api/optimization/optimization.html?highlight=genetic#population-based
Semble encore un peu basique. Je ne l'ai pas essayé donc je ne peux pas vous dire comment il est bon.