[论文解读] 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 78

一句话总结

PyGAD 是一个开源、易于使用的 Python 库，用于单目标优化的遗传算法，提供广泛的自定义和生命周期回调，包括对 Keras 和 PyTorch 模型的支持。

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.

研究动机与目标

• 提供一个易于使用但高度可配置的遗传算法 Python 库。
• 允许对 GA 生命周期、运算符和基因空间进行自定义，以适应多样化的优化问题。
• 通过 PyGAD 对 Keras 和 PyTorch 的扩展来训练深度学习模型。
• 提供广泛的文档、示例，以及持续开发以支持研究人员。

提出的方法

• 描述 PyGAD 的设计目标，使初学者易用、对研究人员强大。
• 呈现三步使用流程：定义适应度函数，实例化 pygad.GA，并运行进化。
• 解释具有七个回调点的 GA 生命周期（on_start、on_fitness、on_parents、on_crossover、on_mutation、on_generation、on_stop）。
• 重点介绍 7 个 PyGAD 模块（pygad、nn、gann、cnn、gacnn、kerasga、torchga）及其作用。
• 展示如何使用 gene_space、gene_type、initial_population 和 adaptive mutation 来定制 GA。

实验结果

研究问题

• RQ1 PyGAD 如何在可用性和功能方面与现有 GA 库相比？
• RQ2 PyGAD 为基因表示、变异和生命周期控制提供了哪些自定义选项？
• RQ3 PyGAD 是否能够使用内置模块或外部框架（Keras、PyTorch）高效训练神经网络？

主要发现

• PyGAD 在一年内实现了超过 185K 次安装，表明快速采用。
• 该库使解决问题所需的代码量最小化（例如 OneMax），并在所列比较中报告了比某些替代方案更快的运行时间。
• 用户几乎可以自定义 GA 生命周期的每一个方面，包括启用/禁用运算符、通过回调提供自定义运算符，以及通过 on_generation 提前停止。
• PyGAD 通过专用模块（kerasga 和 torchga）与 Keras 和 PyTorch 集成，并通过 pygad.nn、gann、cnn 和 gacnn 提供神经网络构建/训练能力。
• API 强调描述性命名、简洁接口和三步式用法，使有限 Python 经验的用户也可进行 GA 实验。
• 生命周期回调和诸如 gene_space、gene_type、initial_population 和 adaptive mutation 等参数支持复杂的研究实验。