deag

Distributed Evolutionary Algorithms in Golang

Introduction

An Implement of deap (https://github.com/DEAP/deap) which full name is "Distributed Evolutionary Algorithms in Python"

If you want to run Evolutionary Calculation experiment in python, deap is a good choice.

The project is still in its infancy, and interested parties are welcome to participate in the development.

The old repositoy of this project: https://gitee.com/sineatos/deag

Architecture

deag
|-algorithms        // Algorithm implemented by deag
|  |-de             // Differential Evolution
|  |-pso            // Particle Swarm Optimization
├─base              // basic structure
├─benchmarks        // benchmark function
├─tools             // tools
|  |-constraint     // constraint
│  ├─crossover      // common cross operation
|  |-emo            // multi-objective operation
│  ├─inits          // common initialization operation
│  ├─mutation       // common mutation operation
│  ├─selection      // common selection operation
│  └─support        // common auxiliary structures, such as statistics, etc.
└─utility           // utilities

Installation

1. This project has not yet planned to use any third-party libraries. The plan is that core functions allow users to use third-party libraries to enhance their functions.
2. go get https://github.com/sineatos/deag

How to use

1. Because of the documentation of deag has not completed, please read the tests files in each package (especially the deag/algorithm) and learn how to use.

TODO

Feature	Description	progress rate	test(coverage)
base			74.1%
base.Fitness	Fitness	Finish	Almost Done
base.Individual	Individual	Finish	Almost Done
base.Individuals	Population	Finish	Finish
tools.inits	Initialization	Finish	100%
tools.mutation	Mutation	Finish	96.9%
tools.crossover	Crossover	Finish	93.1%
tools.selection	Selection	Finish	83.0%
tools.support			87.9%
tools.support.statistics	Statistics	Finish	Almost Done
tools.support.logbook	Logbook	Finish	Finish
tools.support.halloffame	HOF	Finish	Finish
tools.support.constraint	Constraint	Finish	Finish
tools.support.pareto_front	Pareto Front	Finish	0%
benchmarks			87.7%
benchmarks.binary	Binary benchmark	Finish	Finish
benchmarks.single_objective	Single objective benchmark	Finish	Almost Done
benchmarks.gp	GP benchmark	0%
benchmarks.movingpeaks	Moving peaks	0%
benchmarks.multi_objectives	Multi-objectives benchmark	Finish	0%
benchmarks.btools	Tools using with benchmark	0%

Others

1. Implement concurrent with deag by using goroutine
2. modify comment and document

---

项目介绍

Distributed Evolutionary Algorithms in Golang

借鉴deap(https://github.com/DEAP/deap)，编写的一个Golang下的进化计算框架

本项目还在初级阶段，希望感兴趣的人参与开发

项目原仓库地址：https://gitee.com/sineatos/deag

软件架构

软件架构说明

deag
|-algorithms        // 采用deag实现的算法
|  |-de             // 差分进化算法
|  |-pso            // 粒子群算法
├─base              // 基础结构
├─benchmarks        // 基准函数
├─tools             // 工具
|  |-constraint     // 约束
│  ├─crossover      // 常用交叉操作
|  |-emo            // 多目标操作(目前只有NSGA2的选择)
│  ├─inits          // 常用初始化操作
│  ├─mutation       // 常用变异操作
│  ├─selection      // 常用选择操作
│  └─support        // 常用辅助结构，如统计量等
└─utility           // 实用工具

安装教程

1. 本项目暂时还没打算使用任何第三方库，计划是核心功能可以不使用第三方库，但允许用户使用第三方库加强其功能

使用说明

1. 参考deag/algorithms中各个子包的测试文件。

项目

Golang作为强类型的静态编译性语言，加上Golang的语法糖不多，因此无法做到很多Python等语言的“骚操作”，所以虽然借鉴了deap，但是还是无法实现很多deap中功能。 另一方面，由于考虑到框架的效率问题，deap中的一些功能虽然可以借鉴interface{}或者reflection等方式实现，但是还是没有选择使用这些方式实现。

实际上golang下也有进化计算框架，如evo，但是看了一下这个框架的大体结构以后，我还是希望能实现一个不同的框架，最好能够兼容多目标算法，因此借鉴deap对多目标问题的处理。

本项目由于是使用Golang实现的，因此计划引入一些Golang的强项特性，如goroutine等，但计划在基础功能实现完以后再加入

目前借鉴了deap的设计

设计	对应实现
适应值	base.Fitness
个体	base.Individual
统计量	tools.support.statistics
记录	tools.support.logbook
HallOfFame	tools.support.halloffame
约束	tools.support.constraint

以上结构除了适应值是结构体以外，个体、统计量和记录都是借口，同时也给出了一个默认的实现(以Default命名开头)，其中默认实现为deap的实现，这样设计的目的一是使得整个项目更像一个工程，二是抽象出每一个结构应该实现的功能，三是使得用户可以有自己的实现。

移植了deap中的功能模块

模块	对应实现
初始化	tools.inits
变异	tools.mutation
交叉	tools.crossover
选择	tools.selection
基准函数	benchmarks

TODO

这里只写完成基本功能，详细功能需要基本功能能用以后再实现

功能	说明	实现	测试(覆盖率)
base			74.1%
base.Fitness	适应值	完成	基本完成
base.Individual	个体	完成	基本完成
base.Individuals	种群	完成	完成
tools.inits	初始化操作	完成	100%
tools.mutation	变异操作	完成	96.9%
tools.crossover	交叉操作	完成	93.1%
tools.selection	选择操作	完成	83.0%
tools.support			87.9%
tools.support.statistics	统计量	完成	基本完成
tools.support.logbook	记录	完成	完成
tools.support.halloffame	HOF	完成	完成
tools.support.constraint	约束	完成	完成
tools.support.pareto_front	帕累托前沿	完成	0%
benchmarks			87.7%
benchmarks.binary	二进制benchmark	完成	完成
benchmarks.single_objective	单目标benchmark	完成	基本完成
benchmarks.gp	GP benchmark	0%
benchmarks.movingpeaks	移动峰	0%
benchmarks.multi_objectives	多目标benchmark	完成	0%
benchmarks.btools	基准函数使用到的工具	0%

其他TODO

1. 结合goroutine实现并发
2. 完善注释和文档