yukai08008的博客

说明爹有娘有，不如自个有成熟的包稍微参考一下，或者在某些场景下对付一下即可。核心的部件还是要自己研发。本篇从0.1开始（因为以前已经写过一篇)，构造一个新的可迭代版本。目标：1 完成连通性测试。2 可以使用GPU运算。3 厘清算法的要素和要点。4 使用PM规范搭建（既能测试脚手架方法的便利程度，又能使得算法过程足以服务化）内容先对遗传算法进行一些梳理（和增强）遗传算法的灵感来自与遗传学与进化论。首先，会出现一批种群（道生一，谁知道为什么有初始种群？），然后种群开始变化与繁殖（

说明遗传算法，或者说其他的优化算法，本质上都是在无穷多的可能里找到可行解，在可行的时间内。所以，算法需要有一定的「方向」。这种方向或者是算法本身自带的，或者是通过指定范围减少的（约束），通常来说是二者的结合。我觉得就目前的情况来看（从应用的角度），最主要的就是表达约束。以下梳理一下在geatpy里表达几种约束的方式。内容我把约束分为四种类型：1 变量范围约束。2 等号约束。3 不等号约束。4 例外约束。以商店配货的场景进行举例。1 变量范围约束一家门店通常只能在一天的某个时段收获，

说明在实际的应用中，我们首先关心：1 目标是什么（目标函数）2 都有哪些约束本质上遗传算法解决的是有目标的随机搜索问题， 约束减少了不必要区域的随机搜索。解决问题的标志是提出有效的方案，这个方案可以称为解，或者个体，或者说一行记录。按遗传算法的概念，若干个体构成了一个种群（一组解），其中每个个体都是一种随机搜索的方案。在经过历次进化后，最后留下来的种群个体是高度相似的。内容1 场景连锁商店(S)的配货问题。1 商店有两类货物G1和G2,货物有重量和体积2 商店有一定时间窗口可以收

说明遗传算法的简单应用到这里就告一段落，原理比较简单，上手也容易。在应用过程中发现几个问题：1 文档做的太粗糙，我很多参数是靠猜的（比如cv)2 调用的参数还是比较复杂3 用matplotlib画图的效果不好（特别是对中文的支持很差，应该改为前端展示）当然这个包的计算效果(效率）是很不错的，所以这里计划：1 进行封装，方便日后调用2 解读源码，参考性的进行重构（例如目前都是基于numpy计算，可以转向pytorch的tensor计算）在应用上，遗传算法有几个方向：1 直接的应用问

说明上篇介绍了基本的例子，这篇做一个实践。这里再推荐一篇文章，排版更好一些。内容1 业务问题假设存在这样一个业务问题：1 在爬虫服务器上起k个同样的爬虫，爬取目标网站2 对于某个爬虫来说，每次爬取时需要使用一个ip发起请求3 某一时刻，爬虫服务器需要根据爬虫的数量向代理请求ip， ip有每分钟和每天最大数量两种限制假设1 不同机器起的爬虫，处理速度一样2 目标主机的响应稳定3 同一个代理，ip的性能稳定推论爬虫的速度????????取决于代理ip的质量稳定时间 ????

说明最终我应该会自己开发一套遗传算法工具包，在这之前，我觉得参考/学习现有的工具包比较好：1 现有的工具包在结构上应该是充分考虑到了2 应用起来比较快（自己开发时间还是长的）3 可以作为未来开发的一个比对为什么要自己开发？通常来说，现有的工具包总是能比较快的实现普通的需求，但是核心的部分一般就很难了。内容本篇的内容主要参考这篇文章，写的非常详细，内容也比较多。我这里做了内容的拆分、精简和补充，看起来会容易一些。1 安装!pip install geatpy -i https://mir

说明这个也算是很早以前就打算搞的一块了，一方面是因为优化方法有好一些，要么太底层，要么应用不是那么成熟，选择有点焦虑。做事还是不要等，先做了再说。遗传算法算是比较可取的一种方法，原理容易理解，就是计算的时间长了一点。（计算效率的问题暂时不认为是个问题）内容...