Comments 7
Апгрейд генетического алгоритма
Хороший подход. Схожий применяется в оптимизации градиентным спуском в нейросетях. Там «параметр» называется learning_rate.
Пример: www.pyimagesearch.com/2019/07/22/keras-learning-rate-schedules-and-decay (можно особо не вчитываться — на первом же графике понятен результат).
Однако, к моему удивлению, на просторах интернета не нашлось подобной реализации на питоне
Странно, вот даже обзоры библиотек по генетическим алгоритмам есть:
www.kaggle.com/getting-started/112297
Спасибо!
Находил несколько из списка, но не получилось выгрузить из них полную информацию о поколениях в целях визуализации и настройки алгоритма. Искал что-то подобное habr.com/ru/post/448870 только для питона.
Находил несколько из списка, но не получилось выгрузить из них полную информацию о поколениях в целях визуализации и настройки алгоритма. Искал что-то подобное habr.com/ru/post/448870 только для питона.
Надо бы эту прелесть сравнить с роем частиц (https://habr.com/ru/post/440234/) в плане памятизатратности и необходимых вычислений на одну особь, а потом со стаей котов, который имеет больше тонких настроек.
Гифки быстроватые, а за статью спасибо
Есть Pyevolve, базовые вещи делает вполне успешно
Есть реализация генетики в python в scipy.optimize например алгоритм диф эволюции, один из разновидностей генетики:
https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.differential_evolution.html
Наиболее популярной библиотекой в сообществе эволюционных вычислителей является DEAP. Он как раз на Питоне, думаю Вам подойдёт. В примерах у него есть реализации и ссылки на пару оригинальных работ всех основных ветвей эволюционных вычислений. Возможно Вам стоит посмотреть в сторону эволюционных стратегий или дифференциальной эволюции, а не генетических алгоритмов.
Sign up to leave a comment.
Генетический алгоритм на Python для поиска глобальных экстремумов