[論文レビュー] PyGAD: An Intuitive Genetic Algorithm Python Library

Ahmed Fawzy Gad|arXiv (Cornell University)|Jun 11, 2021

Evolutionary Algorithms and Applications参考文献 5被引用数 78

ひとこと要約

PyGAD は遺伝的アルゴリズムによる単一目的最適化のためのオープンソースで使いやすい Python ライブラリで、Keras と PyTorch のモデルを含むサポートを含む広範なカスタマイズとライフサイクルコールバックを提供します。

ABSTRACT

This paper introduces PyGAD, an open-source easy-to-use Python library for building the genetic algorithm. PyGAD supports a wide range of parameters to give the user control over everything in its life cycle. This includes, but is not limited to, population, gene value range, gene data type, parent selection, crossover, and mutation. PyGAD is designed as a general-purpose optimization library that allows the user to customize the fitness function. Its usage consists of 3 main steps: build the fitness function, create an instance of the pygad.GA class, and calling the pygad.GA.run() method. The library supports training deep learning models created either with PyGAD itself or with frameworks like Keras and PyTorch. Given its stable state, PyGAD is also in active development to respond to the user's requested features and enhancement received on GitHub https://github.com/ahmedfgad/GeneticAlgorithmPython. PyGAD comes with documentation https://pygad.readthedocs.io for further details and examples.

研究の動機と目的

• 遺伝的アルゴリズムのための使いやすく、かつ高度に構成可能な Python ライブラリを提供する。
• 多様な最適化問題に対応するGAのライフサイクル、演算子、遺伝子空間のカスタマイズを可能にする。
• PyGAD の Keras および PyTorch への拡張を通じて深層学習モデルのトレーニングを可能にする。
• 研究者を支援するための豊富なドキュメント、例、および継続的な開発を提供する。

提案手法

• PyGAD の設計目標を、初心者にはシンプルで、研究者には強力であるように説明する。
• 3ステップの使用フローを提示する：適応度関数を定義し、pygad.GA をインスタンス化し、進化を実行する。
• GA ライフサイクルを7つのコールバックポイント（on_start, on_fitness, on_parents, on_crossover, on_mutation, on_generation, on_stop）で説明する。
• 7 つの PyGAD モジュール（pygad, nn, gann, cnn, gacnn, kerasga, torchga）とそれぞれの役割を強調する。
• 遺伝子空間 gene_space、遺伝子型 gene_type、初期集団 initial_population、適応的変異 を GA をカスタマイズする方法を示す。

実験結果

リサーチクエスチョン

• RQ1 使いやすさと機能の点で、PyGADは既存のGAライブラリとどのように比較されるか。
• RQ2 遺伝子表現、突然変異、およびライフサイクル制御のために PyGAD はどのようなカスタマイズオプションを提供するか。
• RQ3 組み込みモジュールまたは外部フレームワーク（Keras、PyTorch）を使用して、PyGAD は効率的にニューラルネットワークを訓練できるか。

主な発見

• PyGAD は1年以内に18.5万以上のインストールを達成し、急速な普及を示している。
• このライブラリは最小コードで問題を解決可能（例：OneMax）で、引用された比較で他の代替よりも実行時間が速いと報告している。
• ユーザーはGAライフサイクルのほぼすべての側面をカスタマイズでき、演算子の有効化/無効化、コールバックを介してカスタム演算子を提供、on_generation による早期停止を含む。
• PyGAD は dedicated modules（kerasga と torchga）を通じて Keras と PyTorch と統合され、pygad.nn、gann、cnn、gacnn を介してニューラルネットワークの構築／トレーニング機能を提供する。
• API は記述的な命名、コンパクトなインターフェース、および 3-step usage を強調し、Python経験が限られたユーザーにもGA実験をアクセス可能にする。
• ライフサイクルコールバックと gene_space、gene_type、initial_population、適応的変異といったパラメータは、洗練された研究実験をサポートする。