Python智能优化算法库

mealpy

MEALPY 是一个 Python 库，包含了众多基于种群的元启发式算法，提供了一种快速且高效的方式来找到数学优化问题的（近似）全局最优点。群体基元启发式算法（PMAs）是优化领域中最受欢迎的算法。PMAs有几种类型，包括：进化启发式计算、群体启发式计算、物理启发式计算、人类启发式计算、生物启发式计算、数学启发式计算；以及其他类型，比如：音乐启发式、系统启发式计算等。算法总数：目前有175个(102个原始算法，46个官方变体，27个开发变体)。

项目地址：mealpy GitHub
说明文档：https://mealpy.readthedocs.io/en/latest/
安装：pip install mealpy
优点：

• 提供多种元启发式算法（如遗传算法、粒子群优化等）。
• 支持自定义目标函数和优化问题，灵活性强。
• 代码简洁，易于快速上手与实验。

缺点：

• 功能较为基础，缺乏对高级优化问题的支持。
• 文档和使用案例相对较少，社区支持有限。

DEAP

DEAP（Distributed Evolutionary Algorithms in Python）是一个用于快速原型设计和测试进化算法的框架。它旨在使算法显式化，数据结构透明化，并且与并行化机制（如multiprocessing和SCOOP）完美兼容。DEAP支持多种进化算法，包括遗传算法、遗传编程、进化策略、多目标优化和协同进化等。

项目地址：DEAP GitHub
说明文档：https://deap.readthedocs.io/en/master/
安装：pip install deap
优点：

• 在机器学习领域有广泛应用，发表在Journal of Machine Learning Research。
• 灵活性高，所有模块均可自定义。
• 支持进化算法、遗传编程等多种优化方法。

缺点：

• 上手较为复杂，特别是在实现自定义算法时。
• 文档不够完善，学习曲线较陡峭。

scikit-opt

一个封装了7种启发式算法的Python库，包括差分进化算法，遗传算法，粒子群算法，模拟退火算法，蚁群算法，免疫优化算法，鱼群算法。

项目地址：scikit-opt GitHub
说明文档：https://scikit-opt.github.io/scikit-opt/#/zh/README
个人博客：https://blog.csdn.net/guofei9987?type=blog
安装：pip install scikit-opt
优点：

• API 设计与 scikit-learn 类似，易于上手。
• 提供多种常见优化算法，如遗传算法、粒子群优化等。
• 作为国产优化库，适合中文环境开发和支持。

缺点：

• 功能较为基础，适合入门级的优化任务。
• 更新较慢，部分算法实现可能存在性能瓶颈。

Geatpy2

Geatpy是国内几所高校做的一个开源遗传算法包，是一个高性能实用型进化算法工具箱，提供许多已实现的进化算法中各项重要操作的库函数，并提供一个高度模块化、耦合度低的面向对象的进化算法框架，利用“定义问题类 + 调用算法模板”的模式来进行进化优化，可用于求解单目标优化、多目标优化、复杂约束优化、组合优化、混合编码进化优化等。

项目地址：Geatpy2 GitHub
安装：pip install geatpy2
优点：

• 专注于多目标和工程优化问题，支持并行计算。
• 强大的适应性搜索策略，适合大规模问题。
• 文档详细，且中文社区支持良好。

缺点：

• 对非多目标问题的优化支持不如其他库。
• 库体积较大，对资源要求较高。
• 英文用语不规范，变量命名相对随意，比如入门文档中，将目标函数翻译成"aimFunc"，变量名称XM？等。

pygmo2

pygmo 是一个用于大规模并行优化的科学 Python 库。它的核心理念是提供一个统一的接口来访问优化算法和问题，并使得它们在大规模并行环境中的部署变得简单。pygmo 提供了高效的生物启发式和进化算法的实现，并与最先进的优化算法（如单纯形方法、序列二次规划方法、内点法等）并列，可以轻松混合使用（包括您新发明的算法），通过异步的、泛化的**岛屿模型（island model）**构建超级算法，利用算法间的合作。pygmo 可以用来解决有约束和无约束、单目标和多目标、连续和整数优化问题，随机和确定性问题，以及进行新算法和范式的研究，并轻松与已建立的最先进实现进行比较。

项目地址：pygmo2 GitHub
说明文档：https://esa.github.io/pygmo2/
安装：pip install pygmo2
优点：

• 提供多种全局多目标优化算法，适合复杂的优化问题。
• 高度模块化，算法与问题模型的灵活配置。
• 提供优化问题的测试实例，适合科研和教学。

缺点：

• 安装时可能会遇到兼容性问题，依赖较多。
• 对初学者来说，入门较为复杂，学习曲线较陡峭。

pyswarms

PySwarms 是一个用于粒子群优化（PSO）的可扩展研究工具包，完全用 Python 编写。旨在为群体智能研究人员、从业者和偏好在他们的问题中实现 PSO 的高级声明式接口的学生提供服务。PySwarms 支持使用 PSO 进行基本优化，并与群体优化进行交互。查看以下更多功能！

项目地址：pyswarms GitHub
说明文档：https://pyswarms.readthedocs.io/en/latest/
安装：pip install pyswarms
优点：

• 专注于粒子群优化算法（PSO），支持多种PSO变种。
• 支持并行计算，适用于大规模优化任务。
• API 简洁直观，适合快速上手。

缺点：

• 主要局限于粒子群优化算法，对其他启发式算法支持较少。
• 不适用于特定领域的复杂优化问题。

SciPy

SciPy作为一个相对严谨且“传统”的数值计算库，涵盖了大多数常用的数值计算方法。需要指出的是，数值计算类库通常不将智能优化（如启发式算法）作为其主要关注点，因此在优化算法的集成上，SciPy提供的种类较为有限，主要包括差分进化、模拟退火等几种常见的优化方法。

项目地址：SciPy GitHub
安装：pip install scipy
优点：

• 提供多种经典的优化算法，如牛顿法、拟牛顿法等。
• 功能强大，广泛应用于科学计算领域。
• 支持线性规划、非线性最优化等传统优化方法。

缺点：

• 对启发式和元启发式算法支持较弱。
• 算法选择有限，更多侧重于传统的数学优化方法。

pyMetaheuristic

pyMetaheuristic涵盖了传统与现代的各种元启发式算法，如粒子群优化（PSO）、遗传算法（Genetic Algorithm）等。库内还提供了多种测试函数，可对这些算法进行基准测试和性能评估。

项目地址：pyMetaheuristic GitHub
安装：pip install pyMetaheuristic
优点：

• 提供多种启发式算法，包括遗传算法、粒子群优化等。
• 代码设计简洁，适合初学者使用。
• 支持自定义优化目标函数和约束条件。

缺点：

• 功能基础，适合较简单的优化任务。
• 社区支持较少，文档不够完善。