Valdecy/pyMetaheuristic

解决的问题

pymetaheuristic 提供了一个全面的工具包，用于使用元启发式算法解决复杂的优化问题。它简化了在目标函数可能为非线性、有约束，或定义在混合类型变量空间（连续、整数、二进制、分类、排列）上的优化问题中，寻找最优或近似最优解的过程。

工作原理

该库实现了广泛的优化策略和支撑基础设施：

• 算法库： 包含超过400种算法，涵盖多种类型，如群体智能、进化、轨迹和物理启发式方法。
• 执行引擎： 提供高阶 optimize 入口点用于单个算法，以及 cooperative_optimize 和 orchestrated_optimize 用于多岛系统，其中多个优化器通过迁移和自适应编排策略协同工作。
• 约束处理： 使用特定的处理器（如 "deb"）和修复策略（如 clip、reflect、wang）支持不等式和等式约束，确保解保持可行性。
• 搜索空间管理： 使用类型化变量空间（FloatVar、IntegerVar 等）和转换函数，将连续位置映射到离散或二进制概率。
• 诊断与可解释性： 提供 EvoMapX 层用于内部探针标签和属性矩阵，以及基于 Plotly 的可视化工具，用于收敛性、多样性及岛动态分析。
• 基准测试： 提供 BenchmarkRunner 用于快速扫描，以及 BenchmarkStudy 用于科学分析，支持统计检验和性能轮廓。

适用人群

• 研究人员和数据科学家：进行优化算法的科学基准测试。
• 工程师：寻找一个稳健的库来解决现实世界中的约束优化问题。
• 无深度编码经验的用户：可通过 pymetaheuristic Lab Web 应用程序使用图形界面。

主要亮点

• 庞大的算法集合： 一个包内即可访问 400+ 个优化算法。
• 协同搜索： 支持可配置拓扑和自适应编排的多岛系统。
• 深度可观测性： 集成遥测、种群快照和 EvoMapX 可解释性，帮助理解算法收敛过程。
• 灵活的终止条件： 基于步数、评估次数、墙钟时间、目标适应度或早停的可组合停止条件。
• 混合类型支持： 原生支持浮点、整数、二进制、分类和排列变量。