Valdecy/pyMetaheuristic

解決的問題

pymetaheuristic 提供一個全面的工具包，用於使用元啟發式演算法解決複雜的優化問題。它簡化了在目標函數可能為非線性、有約束，或定義在混合類型變數空間（連續、整數、二進制、分類、排列）上的優化問題中，尋找最佳或近似最佳解的過程。

工作原理

該庫實現了廣泛的優化策略和支援基礎設施：

• 演算法庫： 包含超過400種演算法，涵蓋多種類型，如群體智慧、進化、軌跡和物理啟發式方法。
• 執行引擎： 提供高階 optimize 入口點用於單一演算法，以及 cooperative_optimize 和 orchestrated_optimize 用於多島系統，其中多個優化器透過遷移和自適應編排策略協同工作。
• 約束處理： 使用特定的處理器（如 "deb"）和修復策略（如 clip、reflect、wang）支援不等式和等式約束，確保解保持可行性。
• 搜尋空間管理： 使用類型化變數空間（FloatVar、IntegerVar 等）和轉換函數，將連續位置映射到離散或二進制機率。
• 診斷與可解釋性： 提供 EvoMapX 層用於內部探針標籤和屬性矩陣，以及基於 Plotly 的視覺化工具，用於收斂性、多樣性及島動態分析。
• 基準測試： 提供 BenchmarkRunner 用於快速掃描，以及 BenchmarkStudy 用於科學分析，支援統計檢定和性能輪廓。

適用對象

• 研究人員和資料科學家：進行優化演算法的科學基準測試。
• 工程師：尋找一個穩健的庫來解決現實世界中的約束優化問題。
• 無深度編碼經驗的使用者：可透過 pymetaheuristic Lab Web 應用程式使用圖形介面。

主要亮點

• 龐大的演算法集合： 一個套件內即可存取 400+ 個優化演算法。
• 協同搜尋： 支援可設定拓撲和自適應編排的多島系統。
• 深度可觀測性： 集成遙測、族群快照和 EvoMapX 可解釋性，幫助理解演算法收斂過程。
• 靈活的終止條件： 基於步數、評估次數、牆鐘時間、目標適應度或早停的可組合停止條件。
• 混合類型支援： 原生支援浮點、整數、二進制、分類和排列變數。