RUST 遗传算法库

描述

本库提供了一个使用 Rust 实现遗传算法（GA）的简单框架。

本库还支持多线程和自适应遗传算法。

目录

• RUST 遗传算法库
  • 描述
  • 目录
  • 文档
  • 特性
    • 特质
    • 操作符
    • 种群
    • 运行器
    • GA 配置
  • 示例
    • 基因和基因型结构的创建
    • 其他示例
  • 使用方法

文档

见 docs.rs

特性

特质

本版本使用特质进行泛型实现。

这些特质位于 traits 模块中

• GeneT：这个特质必须在你自己的基因表示上实现。
  • new()：可选。这是一个构造函数。
  • get_id()：可选。这个函数必须返回基因的 ID。
  • set_id()：设置基因的 ID。
• GenotypeT：这个特质必须在你自己的基因型表示上实现。
  • Gene：这是 GeneT 关联类型。
  • new()：可选。这是一个构造函数。
  • new_gene()：可选。必须返回 Self::Gene。
  • get_dna(): 必须返回基因数组（GeneT）。
  • set_dna(dna: &[Self::Gene]): 必须设置基因数组（GeneT）。
  • set_gene(gene_index: usize, gene: Self::Gene): 可选。此方法替换指定基因_index位置的基因。
  • calculate_fitness(): 可选。此函数必须以f64计算个体的适应度（或基因型）。
  • get_fitness(): 返回之前由 calculate_fitness() 计算的适应度。
  • set_fitness(fitness: f64): 设置适应度值。
  • get_age(): 返回基因型的年龄。
  • set_age(age: i32): 设置基因型的年龄。

操作符

在 operations 模块中，我们有以下操作符

• 杂交
  • 循环
  • 多点
  • 均匀
• 变异
  • 交换
  • 倒置
  • 洗牌
• 选择
  • 随机
  • 轮盘赌
  • 随机均匀抽样
  • 锦标赛
• 幸存者
  • 基于适应度
  • 基于年龄

种群

在遗传算法中，操作符应用于个体种群和一组规则（尚未实现）。在 population 模块中，Population 结构将定义种群。

运行器

由于遗传算法在多代中运行，因此在此库的 ga 模块中有一个 run 函数，该函数简化了过程。此函数需要 GaConfiguration 结构，该结构包含要使用的操作符、最大代数、问题求解器（最大化或最小化）等，以及 Population 结构，该结构位于 population 模块中。

GA 配置

在此库中，您可以通过使用配置结构 GaConfiguration 来配置遗传算法的执行方式。此结构具有以下属性

• adaptive_ga: 指定遗传算法是否是自适应的。
• number_of_threads: 可选。指示将同时执行多少线程。
• limit_configuration: 使用 LimitConfiguration 结构配置遗传算法的限制。
• selection_configuration: 使用 SelectionConfiguration 结构配置选择方法。
• crossover_configuration: 使用 CrossoverConfiguration 结构配置交叉方法。
• mutation_configuration: 使用 MutationConfiguration 结构配置变异方法。
• survivor: 指定要使用的幸存者操作符。
• log_level: 可选。配置我们想要的日志最大级别。如果此值为空，则禁用日志。

SelectionConfiguration:

• number_of_couples：可选。此属性仅适用于随机均匀抽样。它指定从总体中选择多少对。默认情况下，值将是总体大小的一半。
• method：指定要使用哪个选择算子。

交叉配置:

• number_of_points：可选。此属性仅适用于多点交叉，表示在交叉操作期间在DNA中创建多少个点。
• probability_max：可选。指定两个父代交叉的最大概率。此数字必须在0.0和1.0之间，包括两者。在自适应遗传算法的情况下，此参数是强制性的，必须大于probability_min。
• probability_min：可选。指定两个父代交叉的最小概率。此数字必须在0.0和1.0之间，包括两者。在自适应遗传算法的情况下，此参数是强制性的，必须小于probability_max。
• method：指定要使用哪个交叉算子。

变异配置:

• probability_max：可选。指定基因型变异的最大概率。此数字必须在0.0和1.0之间，包括两者。在自适应遗传算法的情况下，此参数是强制性的，必须大于probability_min。

• probability_min：可选。指定基因型变异的最小概率。此数字必须在0.0和1.0之间，包括两者。在自适应遗传算法的情况下，此参数是强制性的，必须小于probability_max。

• method：指定要使用哪个变异算子。

限制配置:

• problem_solving：您可以选择最小化问题或最大化问题。
• max_generations：如果结果不是最优的，此属性指示在停止之前运行的代数最大值。
• fitness_target：可选。最佳个体的适应性。
• get_best_individual_by_generation：可选。告诉运行者按代返回最佳个体。
• population_size：要执行的种群大小。
• genes_per_individual：每个个体必须拥有的基因数。
• needs_unique_ids：可选。指示每个基因是否必须有唯一的编号。
• alleles_can_be_repeated：指示是否可以在个体中重复相同的等位基因。

示例

使用示例可以是最小化具有单个基因id的基因型。

基因和基因型结构的创建

使用特性和use genetic_algorithms::{operations::{Selection, Crossover, Mutation, Survivor{}, population::Population, traits::{GenotypeT, ConfigurationT{}, configuration::ProblemSolving, ga{};

定义基因结构。

#[derive(Debug, Copy, Clone, Default, PartialEq)]
pub struct Gene{
    pub id: i32,
}
impl GeneT for Gene{
    fn get_id(&self) -> &i32{
        return &self.id;
    }
    fn set_id(&mut self, id: i32) {
        self.id = id;
    }
}

定义基因型结构和适应性计算。

#[derive(Debug, Clone, Default, PartialEq)]
pub struct Genotype{
    pub dna: Vec<Gene>,
    pub fitness: f64,
    pub age: i32,
}
impl GenotypeT for Genotype{
    type Gene = Gene;
    fn get_dna(&self) -> &[Self::Gene] {
        &self.dna
    }
    fn get_fitness(&self) -> f64 {
        return self.fitness;
    }
    fn set_fitness(&mut self, fitness: f64) {
        self.fitness = fitness;
    }
    fn set_age(&mut self, age:i32){
        self.age = age;
    }
    fn get_age(&self) -> i32 {
        self.age
    }
    fn calculate_fitness(&mut self) {
        
        self.fitness = 0.0;
        let mut position = 0;

        for i in &self.dna{
            let fitness = f64::from(i.get_id()*position);
            self.fitness += fitness;
            position += 1;
        }
    }
    fn set_dna(&mut self, dna: &[Self::Gene]){
        self.dna = dna.to_vec();
    }
}

定义等位基因。

  let binding =  vec![Gene{id:1}, Gene{id:2}, Gene{id:3}, Gene{id:4},
                                   Gene{id:5}, Gene{id:6}, Gene{id:7}, Gene{id:8}];
  let alleles = binding.as_slice();

最后，配置并运行遗传算法。

let population = ga::Ga::new()
                    .with_threads(8)
                    .with_problem_solving(ProblemSolving::Maximization)
                    .with_selection_method(Selection::Tournament)
                    .with_number_of_couples(10)
                    .with_crossover_method(Crossover::Cycle)
                    .with_mutation_method(Mutation::Swap)
                    .with_survivor_method(Survivor::Fitness)
                    .with_alleles(alleles)
                    .with_genes_per_individual(6)
                    .with_population_size(100)
                    .run();

其他示例

• 旅行商问题：[链接](https://en.wikipedia.org/wiki/Travelling_salesman_problem)
  • 查看[链接](https://github.com/leimbernon/traveller_problem)

使用方法

请将此内容添加到您的 Cargo.toml

[dependencies]
genetic_algorithms = "1.3.2"