genetic-algorithm-library 0.2.0

Librería avanzada de algoritmos genéticos adaptativos para problemas de optimización

🧬 Genetic Algorithm Library

Optimización evolutiva avanzada para problemas complejos

📋 Descripción General

Genetic Algorithm Library es un potente framework de computación evolutiva diseñado para resolver problemas de optimización complejos. Esta librería implementa algoritmos genéticos avanzados con capacidades adaptativas, proporcionando herramientas flexibles y eficientes para investigadores y desarrolladores.

La librería destaca por su amplia variedad de operadores genéticos, soporte para optimización multi-objetivo, y mecanismos de adaptación dinámica que mejoran la convergencia y diversidad poblacional.

✨ Características Principales

• 🔄 Múltiples codificaciones genéticas:

  • Representaciones reales, binarias, enteras y de permutación
  • Adaptación automática al tipo de problema

• 🔧 Operadores genéticos avanzados:

  • Selección: Torneo, Ruleta, Ranking, SUS (Muestreo Universal Estocástico), Boltzmann
  • Cruce: Uniforme, Un punto, Dos puntos, Blend, SBX, PMX (para permutaciones)
  • Mutación: Gaussiana, Uniforme, Reset, Adaptativa, Swap e Inversión (para permutaciones)

• 📊 Algoritmos especializados:

  • Algoritmo genético estándar con adaptación dinámica
  • Optimización multi-objetivo (basada en NSGA-II)
  • Modelo de islas con migración controlada
  • Capacidades paralelas para problemas computacionalmente intensivos

• 📈 Herramientas analíticas integradas:

  • Visualización avanzada de evolución y convergencia
  • Análisis de frentes de Pareto para optimización multi-objetivo
  • Monitoreo de diversidad poblacional
  • Seguimiento de rendimiento y eficiencia

• ⚙️ Alta personalización:

  • Integración sencilla de funciones objetivo personalizadas
  • Operadores genéticos personalizables
  • Parámetros adaptables durante la ejecución

🚀 Instalación

pip install genetic-algorithm-library

🏁 Guía Rápida

Optimización Simple

from genetic_algorithm import run_genetic_algorithm, plot_evolution
import numpy as np

# Definir función objetivo (maximizar)
def objective_function(x):
    return -(x[0]**2 + x[1]**2)  # Minimizar la suma de cuadrados

# Ejecutar algoritmo genético
result = run_genetic_algorithm(
    objective_function=objective_function,
    gene_length=2,               # 2 parámetros a optimizar
    bounds=(-10, 10),            # Límites de búsqueda
    pop_size=100,                # Tamaño de población
    num_generations=50,          # Número de generaciones
    selection_type="tournament", # Método de selección
    adaptive=True,               # Mutación adaptativa
    verbose=True                 # Mostrar progreso
)

# Mostrar resultados
print(f"Mejor solución: {result['best_individual']}")
print(f"Mejor fitness: {result['best_fitness']}")

# Visualizar evolución
plot_evolution(result['history'])

Optimización Multi-objetivo

from genetic_algorithm import run_multi_objective_ga, plot_pareto_front

# Definir funciones objetivo
def objective1(x):
    return -sum(x**2)  # Minimizar (convertido a maximizar con negativo)

def objective2(x):
    return -sum((x-2)**2)  # Minimizar distancia a (2,2,...,2)

# Ejecutar algoritmo genético multi-objetivo
result = run_multi_objective_ga(
    objective_functions=[objective1, objective2],
    gene_length=2,
    bounds=(-5, 5),
    pop_size=200,
    num_generations=100
)

# Visualizar frente de Pareto
plot_pareto_front(
    result['pareto_fitness'],
    objective_names=["Suma de cuadrados", "Distancia a (2,2)"]
)

Modelo de Islas

from genetic_algorithm import run_island_model_ga

# Ejecutar algoritmo con modelo de islas
result = run_island_model_ga(
    objective_function=my_objective,
    gene_length=5,
    bounds=(-10, 10),
    num_islands=4,              # Número de islas
    pop_size_per_island=50,     # Población por isla
    num_generations=100,
    migration_interval=10,      # Migración cada 10 generaciones
    migration_rate=0.1          # 10% de individuos migran
)

🛠️ Uso Avanzado

La biblioteca permite un control completo de todos los aspectos del algoritmo genético:

import numpy as np
from genetic_algorithm import (
    create_population,
    selection,
    crossover,
    mutation,
    adaptive_mutation,
    fitness_function
)

# Crear población inicial con codificación específica
population = create_population(
    size=50, 
    gene_length=5, 
    min_val=-5, 
    max_val=5,
    encoding="real"  # Otras: "binary", "integer", "permutation"
)

# Función objetivo personalizada
def my_objective(x):
    return np.sin(x[0]) + np.cos(x[1]) + x[2]**2 - x[3] + x[4]

# Iteración manual del algoritmo
for generation in range(100):
    # Evaluar fitness
    fitness_values = np.array([fitness_function(ind, my_objective) for ind in population])
    
    # Seleccionar padres
    parents = selection(
        population, 
        fitness_values, 
        num_parents=25, 
        selection_type="rank"  # Otras: "tournament", "roulette", "sus", "boltzmann"
    )
    
    # Crear descendencia mediante cruce
    offspring = crossover(
        parents, 
        offspring_size=(25, 5), 
        crossover_type="blend"  # Otras: "uniform", "single_point", "two_point", "sbx"
    )
    
    # Aplicar mutación adaptativa basada en fitness
    offspring = adaptive_mutation(
        offspring,
        fitness_values[:25],  # Fitness de los padres
        np.max(fitness_values),
        np.mean(fitness_values),
        min_val=-5,
        max_val=5,
        base_rate=0.05
    )
    
    # Actualizar población con elitismo
    best_idx = np.argmax(fitness_values)
    population = np.vstack([population[best_idx:best_idx+1], parents[:-1], offspring])

📊 Visualización de Resultados

La librería incluye herramientas para visualizar y analizar los resultados:

Evolución del Fitness	Frente de Pareto Multi-objetivo

🧪 Problemas Implementados

La librería incluye implementaciones para diversos problemas:

• Optimización de funciones continuas:

  • Sphere, Rastrigin, Schwefel, Ackley, Rosenbrock, Griewank y más
  • Fácilmente extensible a funciones personalizadas

• Problemas de permutación:

  • Problema del Viajante (TSP)
  • Ordenamiento y secuenciación

• Problemas discretos:

  • Mochila (Knapsack)
  • Asignación de tareas
  • Max-Cut

• Optimización multi-objetivo:

  • Problemas con objetivos en conflicto
  • Visualización de frentes de Pareto

📖 Documentación

Para la documentación completa, visite nuestra Wiki en GitHub.

También puede consultar los ejemplos incluidos:

• examples/basic_optimization.py: Optimización básica
• examples/tsp_example.py: Problema del Viajante
• examples/multi_objective.py: Optimización multi-objetivo

👥 Colaboradores

• Johan Rojas - Desarrollo principal y algoritmos avanzados
• Julian Lara - Diseño de API y optimización de rendimiento

📄 Licencia

Este proyecto está licenciado bajo la Licencia MIT - ver el archivo LICENSE para más detalles.

📚 Cómo Citar

Si utiliza esta biblioteca en su investigación, por favor cite:

@software{genetic_algorithm_library,
  author = {Lara, Julian and Rojas, Johan},
  title = {Genetic Algorithm Library},
  url = {https://github.com/Zaxazgames1/genetic-algorithm-library},
  version = {0.2.0},
  year = {2025},
}

🔗 Enlaces Útiles

• Repositorio GitHub
• Registro de Problemas
• Página PyPI
• Documentación Wiki

---

Desarrollado con ❤️ para la comunidad de investigación en computación evolutiva