使用类

在pygmo中，population是用于存储某些问题（有时称为个体）的候选解的容器。因此，它包含一个问题和多个决策向量（染色体）以及适应度向量，每个向量都与一个唯一的ID相关联，以便进行一定程度的跟踪。

>>> import pygmo as pg
>>> prob = pg.problem(pg.rosenbrock(dim = 4))
>>> pop1 = pg.population(prob)
>>> pop2 = pg.population(prob, size = 5, seed= 723782378)

在上面的代码中，在简单导入pygmo包之后，我们首先从rosenbrock定义了一个问题，然后我们构建了两个种群（即两组候选解）。第一个种群pop1是空的，而第二个种群初始化为五个候选解，因此也导致了五次适应度评估。pop2中的候选解是在问题的边界内随机创建的，使用了作为kwarg传递的随机种子。

>>> print(len(pop1))
0
>>> print(pop1.problem.get_fevals())
0
>>> print(len(pop2))
5
>>> print(pop2.problem.get_fevals())
5

对population的全面检查是可能的，通常通过其方法或查看整个类的屏幕打印：

>>> print(pop2) 
...

List of individuals:
#0:
    ID:                     10207561574636104601
    Decision vector:        [-0.777137, 7.91467, -4.31933, 5.92765]
    Fitness vector:         [470010]
#1:
    ID:                     15637512834538262525
    Decision vector:        [8.94985, 0.924838, 4.39905, -1.17683]
    Fitness vector:         [670339]
#2:
    ID:                     15983142956381075935
    Decision vector:        [-0.291054, 4.99031, 1.34008, -0.00609471]
    Fitness vector:         [58271.1]
#3:
    ID:                     9198455452901607935
    Decision vector:        [2.18419, -1.04727, 6.35101, 6.39632]
    Fitness vector:         [121365]
#4:
    ID:                     4553447107323210017
    Decision vector:        [7.50729, -1.14561, 5.98053, -3.48833]
    Fitness vector:         [487030]

个体，即新的候选解决方案可以通过调用其push_back()方法放入种群中：

>>> pop1.push_back(x = [0.1,0.2,0.3,0.4]) # correct size
>>> len(pop1) == 1
True
>>> pop1.problem.get_fevals() == 1
True
>>> pop1.push_back(x = [0.1,0.2,0.3]) # wrong size
Traceback (most recent call last):
  File ".../lib/python3.6/doctest.py", line 1330, in __run
    compileflags, 1), test.globs)
  File "<doctest default[3]>", line 1, in <module>
    pop1.push_back([0.1,0.2,0.3])
ValueError:
function: check_decision_vector
where: /Users/darioizzo/Documents/pagmo2/include/pagmo/problem.hpp, 1835
what: Length of decision vector is 3, should be 4

一些一致性检查由push_back()完成，例如对决策向量长度的检查。

注意

允许将超出边界框的决策向量推回种群中

上面的代码片段将触发适应度函数评估，因为决策向量总是与population中的适应度向量相关联。如果与染色体相关联的适应度向量已知，您仍然可以将其推回种群中，并通过输入以下内容避免触发适应度重新评估：

>>> pop1.push_back(x = [0.2,0.3,1.3,0.2], f = [11.2])
>>> len(pop1) == 2
True
>>> pop1.problem.get_fevals() == 1
True

在设计用户定义算法（UDAs）时，通常能够更改某些个别决策向量是非常重要的：

>>> pop1.problem.get_fevals() == 1
True
>>> print(pop1.get_x()[0]) 
[0.1  0.2  0.3  0.4]
>>> pop1.set_x(0, [1.,2.,3.,4.])
>>> pop1.problem.get_fevals() == 2
True
>>> print(pop1.get_f()[0])
[2705.]
>>> pop1.set_xf(0, [1.,2.,3.,4.], [8.43469444])
>>> pop1.problem.get_fevals() == 2
True
>>> print(pop1.get_f()[0])
[8.43469444]

注意

使用set_xf()方法或:func:~pygmo.population.push_back()可以避免触发适应度函数评估，但也可能向种群中注入虚假信息（即破坏问题所施加的决策向量与适应度向量之间的关系）。

可以从种群中提取出最佳个体：

>>> # The decision vector
>>> pop1.get_x()[pop1.best_idx()] 
array([1.,  2.,  3.,  4.])
>>> # The fitness vector
>>> pop1.get_f()[pop1.best_idx()]
array([8.43469444])

在种群中生活过的最佳个体，即冠军，也可以被提取为：

>>> # The decision vector
>>> pop1.champion_x 
array([1.,  2.,  3.,  4.])
>>> # The fitness vector
>>> pop1.champion_f
array([8.43469444])

注意

冠军并不一定与当前种群中的最佳个体相同，因为它实际上保留了所有曾经在种群中的过去个体的记忆。