PGAPy 2.4

新闻

2023年10月新闻

• 为整数添加差分进化

• 添加负 assortative 繁殖选项

2023年4月新闻

• PyPi上最后一次构建对于串行安装是损坏的，它缺少串行版本所需的mpi_stub.c。并行安装仍然是可能的，所以我没注意到，抱歉！

• 将MPI_Abort添加到包装器中，它在evaluate方法中发生异常时调用

  pga.MPI_Abort (errcode)

  有关如何在运行与MPI部分使用它来在发生异常时终止MPI运行的信息，请参阅下文。

2022年12月新闻：添加回归测试并更新到新的上游，包括几个错误修复。还包括包装器中的几个错误修复。

2022年10月新闻：添加用户定义的数据类型。在examples/gp中使用用户定义的数据类型来实现遗传编程（我们用树数据结构表示表达式）。这使用pgapack中的新序列化API将Python pickle表示传递到对等MPI进程。还纳入了pgapack的最新更改，这优化了重复检查。这对于遗传编程示例中的大型种群大小很有兴趣。请注意，gene_difference方法已重命名为gene_distance。

新闻 08-2022：Epsilon约束优化以及一个保留排列的交叉变体（因此，对于整数基因，基因可以表示排列）。

新闻 03-2022：尝试使其在Windows上可安装。这涉及到代码中的某些变通方法，因为可视编译器不支持某些C99结构。

新闻 01-2022：这个版本使用了NSGA-III进行多次评估（注意额外的“I”）。

新闻 12-2021：这个版本从您的目标函数中包装了多个评估值：现在您可以返回多个值，用于约束（必须在优化目标之前满足）或用于与Nondominated Sorting Genetic Algorithm V.2（NSGA-II）的多目标优化。您可以同时使用多目标优化和约束。

新闻：这个版本包装了差分进化方法（这是一个相当老的方法，但在pgapack中是新生成的）。

简介

PGAPy是PGAPack的包装器，一个并行遗传算法库（参见PGAPack Readme），由D. Levine编写，属于数学与计算机科学部，Argonne国家实验室。该库是用C语言编写的。PGAPy为此库提供了Python的包装，以便使用。原始的PGAPack库虽然已经相当老，但它是目前最完整、最精确（虽然这不是将它们包装到Python时的主要关注点）的遗传算法实现之一，具有许多用于实验的铃声和口哨。它还显示出惊人的少量错误。除了正常的“串行”版本外，它还支持通过消息传递接口MPI进行并行执行。这就是为什么我也想在Python中使用它。

要开始使用，您需要PGAPack库，尽管它现在与PGApy捆绑在一起，但要安装一个并行版本，您目前需要为所选的MPI库预编译的PGAPack。有关详细信息，请参阅安装部分。

目前对PGAPy的文档不多。您真的、绝对需要阅读随PGAPack一起提供的文档。PGAPack用户指南现在与PGAPy一起提供。它与一些示例一起安装，安装位置由Python安装程序决定（通常在Linux上为/usr/local/share）。

原始的PGAPack库仍然可以从PGAPack ftp站点下载，它使用ANSI C编写，但可能无法与最新的MPI版本兼容。它也无法与最新的PGAPy版本一起工作。请注意，此版本不再积极维护。我在GitHub上启动了一个PGAPack分支，其中我已经将库移植到最新的MPI标准，并修复了一些文档中的小不一致之处。我还实现了一些新功能，特别是选择方案的增强，称为受限锦标赛替换 [1]，[2]，[4]，以及最近，差分进化策略 [5]，[6]。此外，此版本现在支持多目标优化与NSGA-II [7]以及多目标优化与NSGA-III [8]，[9]，并且支持Epsilon约束方法 [10]。

注意：当使用NSGA_III替换进行多（或多）目标优化时，您需要执行以下操作之一：

• 在所有轴偏移1的超平面上设置参考点。这些参考点可以通过方便的函数pga.das_dennis获得，它使用I. Das和J. E. Dennis最初发布的算法创建一个规则的参考点集 [12]。然后，将这些点作为参数reference_points传递给PGA构造函数。

  有关使用示例和用户指南的参考文献，请参阅examples/dtlz2.py。该函数获取目标空间的维数（num_eval减去num_constraint）和要使用的分区数。

• 或者使用reference_directions参数设置参考方向（在目标空间中），使用refdir_partitions参数设置这些方向的数量（参见上文的das_dennis，这使用Das/Dennis点内部），并使用参数refdir_scale设置一个比例因子。

您可以同时设置这两个参数，这些参数不是互斥的。

我主要在Linux上测试pgapy。但最近我也让它能在Windows上运行，但我并不是非常积极地测试Windows。如果您在Windows上运行它，无论是成功还是不成功，请让我知道。

如上所述，您可以在GitHub上找到我的PGAPack分支，该存储库包含git中的三个上游版本作为版本，并包含有关支持更新的MPI版本和文档更新的某些更新。我还将补丁包含在软件包的Debian维护者Dirk Eddelbuettel的git存储库中。我正在积极维护该分支，添加新功能和错误修复。

为了帮助您开始，我在“examples”中包含了几个非常简单的示例，例如，one-max.py实现了类似于PGAPack文档中的一个“Maxbit”示例。这些示例灵感来源于《Python遗传算法》一书，但都是从头编写的，不包含书中的任何代码。这些示例说明了几个要点。

• 您实现遗传算法的类需要从pga.PGA（pga是PGAPy包装模块）继承。

• 您需要定义一个名为evaluate的评估函数，该函数返回一个表示给定基因适应度的数字序列。它通过使用get_allele方法获取基因的等位基因值，这些参数是p和pop。有关更多详细信息，请参阅PGAPack文档。您的函数返回的评估次数由构造函数参数num_eval定义，此参数的默认值为1。如果您的评估函数不返回多个评估（使用默认的num_eval设置），则可以返回一个只有一个元素的序列或单个返回值。

• 当使用多个评估时，这些评估可以用于约束（默认）或多目标优化。在后一种情况下，约束的数量（默认情况下比使用参数num_eval设置的评估次数少一个）必须设置为至少为两个目标留下两个评估的数字。可以使用参数num_constraint设置约束的数量。在多目标优化中使用时，您需要一个两种替换类型之一PGA_POPREPL_NSGA_II或PGA_POPREPL_NSGA_III，使用pop_replace_type参数设置。

• 您可以定义额外的函数来覆盖PGAPack库的内置函数，例如print_string的示例。请注意，我们可以调用我们的PGA超类的原始print_string方法。以相同的方式，您可以实现，例如，您自己的交叉方法。

• 类的构造函数需要定义基因类型，在示例中我们使用了int和bool内置数据类型。

• 基因的长度需要在构造函数中给出。

• 我们通常希望最大化评估函数返回的数字，如果您想最小化，将参数maximize设置为False。

• 对于非二进制基因，我们可以定义一个初始化值的数组，每个条目包含一个包含下限和上限的序列。该数组必须与基因的长度相同。请注意，上限包含在可能值的范围内（与python范围运算符不同，但与PGAPack定义兼容）。

• 在类的构造函数中，我们可以添加遗传算法的参数。并非所有PGAPack参数都已包装，目前您需要查阅PGAPy的源代码以找出哪些参数已包装。在示例中，我们定义了几个打印选项。

• 最后，使用run方法启动遗传算法。

PGAPy的命名约定

当您扩展PGAPy时——请记住并非所有PGAPack函数都已包装，您可能需要额外的函数——在做出更改时，您应该坚持我的命名约定。以下命名约定用于包装器

• PGAPack的常量，如PGA_REPORT_STRING，按原样以大写形式使用。这些常量可以直接从包装模块导入。到目前为止，并非所有常量都已包装，如果您需要更多，请将它们添加到pgamodule.c中的constdef数组，并发送补丁给我。

• 对于pga.PGA类的各种方法，我已经移除了PGAPack中使用的全局< span class="docutils literal">PGA前缀，并将原始函数名中的大写单词之间用下划线连接，转换为小写，例如< span class="docutils literal">PGARun变为< span class="docutils literal">run，< span class="docutils literal">PGACheckStoppingConditions变为< span class="docutils literal">check_stopping_conditions。但是，如果名称中包含“GA”（表示“遗传算法”），则例外，所以< span class="docutils literal">PGASetMaxGAIterValue变为< span class="docutils literal">max_GA_iter。

• 尽可能地将PGAPack需要为每种数据类型分别提供的函数合并为单个类方法，因此< span class="docutils literal">PGAGetBinaryAllele、< span class="docutils literal">PGAGetCharacterAllele、< span class="docutils literal">PGAGetIntegerAllele、< span class="docutils literal">PGAGetRealAllele都变为< span class="docutils literal">get_allele。同样，对于< span class="docutils literal">set_allele也是如此。

• 每当PGAPack中的名称带有“Value”或“Flag”后缀时，我都会省略它，因此< span class="docutils literal">PGAGetFitnessCmaxValue变为< span class="docutils literal">fitness_cmax，< span class="docutils literal">PGAGetMutationAndCrossoverFlag变为< span class="docutils literal">mutation_and_crossover。唯一的例外是两个函数< span class="docutils literal">PGAGetMutationRealValue和< span class="docutils literal">PGAGetMutationIntegerValue，它们变为< span class="docutils literal">mutation_value，而不仅仅是< span class="docutils literal">mutation。

• 某些字段可以接受多个值（它们通过按位或整数常量实现，在Python中，它们指定为常量的列表或元组）。如果这些字段在PGAPack中不是复数（如果不是复数），则将它们转换为复数，例如，< span class="docutils literal">PGASetStoppingRuleType变为< span class="docutils literal">stopping_rule_types。

• 包装程序中的内部方法名称以PGA_开头，因此类方法< span class="docutils literal">set_allele通过C函数< span class="docutils literal">PGA_set_allele在< span class="docutils literal">pgamodule.c中实现。

构造函数参数

PGAPack有很多用于设置参数的< span class="docutils literal">PGASet和< span class="docutils literal">PGAGet函数。这些函数一方面反映在构造函数参数中，另一方面反映在（通常是只读的，但请参见下文）< span class="docutils literal">PGA对象的属性中。以下表格概述了所有原始PGAPack名称和Python包装器的名称。对于PGAPack名称，我只列出了< span class="docutils literal">PGASet函数，在许多情况下，有一个相应的< span class="docutils literal">PGAGet函数。如果构造函数参数存在相应的只读属性，则在“Prop”列中指示。在某些情况下，由于PGAPack中没有实现相应的< span class="docutils literal">PGAGet函数，因此属性缺失，在其他情况下，返回具有PGApy中符号常量的数值在意义上并不太多。

属性与构造函数参数具有相同的名称。有一些属性没有相应的构造函数参数，即< span class="docutils literal">eval_count属性（返回函数评估的计数），返回当前GA代数的< span class="docutils literal">GA_iter属性，以及返回当前进程MPI排名的< span class="docutils literal">mpi_rank属性（这归入PGAGetRank）。

在类型列中，我列出了Python类型。如果类型后跟一个数字，则表示该类型的多个项目被指定（Python中的序列）。一些条目包含“sym”，这些是具有符号常数的整数值，值“msym”表示可以给出由符号常数的列表表示的几个值。特殊情况是PGASetRealInitRange、PGASetRealInitPercent、PGASetIntegerInitRange函数。这些为基因的每个等位基因取两个值。在Python中，这是一个2元组的序列。请注意，这意味着可以为每个等位基因有不同的允许值范围。

num_eval属性是特殊的：由于C编程语言的限制，在C中进行多次评估时，第一个评估作为evaluate函数的函数返回值返回，所有其他参数都返回在一个辅助数组中。PGAPack指定要返回的辅助评估次数。在Python中，评估函数可以始终返回一个评估值的序列，而num_eval比PGAGetNumAuxEval返回的值多1。默认情况下，num_eval为1。

前两个（必需）构造函数参数是基因的类型（这需要一个Python类型，例如，对于二进制基因组使用bool，对于整数基因组使用int）和长度。请注意，string_length通过length参数隐式设置。也可以使用Python内置的len函数将string_length作为PGA对象的长度的值。

现在也可以在优化器运行期间设置一些属性。这些目前是crossover_prob、epsilon_exponent、multi_obj_precision、p_tournament_prob和uniform_crossover_prob。只需将优化器（PGA.pga对象的子代）的成员变量赋值即可。

注意：mutation_or_crossover 和 mutation_and_crossover 参数已弃用，请使用 mixing_type 代替！

PGA对象方法

以下是在遗传搜索运行期间可以使用的方法。使用 run 方法来启动搜索。这可以用于，例如，在自定义 endofgen 方法中的爬山过程中设置等位基因。请注意，某些方法仅适用于某些基因类型，例如 encode_int_ 方法只能用于二进制等位基因（它们将整数值编码为二进制或灰度代码表示形式到基因中）。其他方法根据基因类型接收或返回不同的类型，例如 get_allele 或 set_allele，它们根据基因类型调用不同的后端函数。使用 set_random_seed 方法，可以重新播种随机数生成器。通常最好在（在）开始时（之前）通过在构造函数中指定 random_seed 来播种生成器。有关更多详细信息，请参阅用户指南。方法 get_evaluation 将返回单个评估的双精度值和一个双精度元组（当 num_eval > 1 时）

用户方法

PGAPack 具有用户函数的概念。这允许自定义遗传算法的不同区域。在 Python 中，它们实现为可以在派生类中更改的方法。必须在派生类中实现的方法之一是 evaluate 函数（尽管技术上它不是 PGAPack 中的用户函数）。它解释基因并返回评估值或评估值的序列，如果您设置了 num_eval 构造函数参数。 PGAPack 从原始评估值计算适应性。对于某些方法，可以向上调用 PGA 类，对于某些方法则不可行（并且在大多数情况下不合理）。请注意，对于 stop_cond 方法，可以使用以下方式调用标准停止条件检查

self.check_stopping_conditions()

以下表格列出了可覆盖的方法及其参数（对于函数签名，省略了第一个参数 self）。请注意，在 PGAPack 中，还有其他用户函数，这些函数对于用户定义的数据类型是必需的，但目前尚未在 Python 中公开。在函数签名中，p 表示个体的索引，pop 表示种群。如果指定了多个个体（例如，对于交叉），则可以跟一个数字。对于交叉，c1 和 c2 表示目标个体（子代）。突变方法的 probability 是介于 0 和 1 之间的浮点值。请记住计算发生突变的数量，并为此返回该值！

常量

以下 PGAPack 常量可用

用户定义数据类型

PGAPy的最新版本支持用户定义数据类型。只需定义您的数据类型，并将其作为第二个参数传递给PGA构造函数。框架将在通过MPI（如果您运行的是并行版本）传输数据时处理数据的序列化。

如果通过no_duplicates构造函数参数启用重复检查，则您的数据类型需要定义一个__hash__方法（除非Python默认的哈希方法满足您的需求）。

用户定义的数据类型不使用等位基因，因此正常的get_allele（和set_allele）方法不可用。相反，可以使用get_gene方法检索整个个体，并使用set_gene方法设置。

使用用户数据类型，您需要定义以下方法

• check_duplicate (self, p1, pop1, p2, pop2)如果您启用交叉参数no_duplicates的重复检查。当两个个体是重复项时应返回True。使用get_gene检索在种群pop1和pop2中的个体p1和p2的基因。

• crossover (self, p1, p2, ppop, c1, c2, cpop)对于交叉操作，使用get_gene获取在生成ppop中的父代p1和p2的基因，并使用set_gene设置在生成cpop中的子代基因c1和c2。

• initstring (self, p, pop)用于初始化给定的字符串，在该方法中使用set_gene将您的对象设置为基因。

• 使用mutation(self, p, pop, pm)进行变异操作。这个方法应该返回执行变异的数量。如果启用重复检查，框架将反复调用变异算子，将重复的个体变异为非重复的另一个个体。这使用您变异方法的返回值。如果您的变异算子在重复检查启用时偶尔不返回非零的变异次数，您将进入一个无限循环。pm参数给出变异概率。使用get_gene来检索要变异的个体，使用set_gene在变异后更新此个体。

• 要打印基因对象，使用print_string(self, file, p, pop)，使用get_gene来检索要打印的个体。

对于这些方法，通常一个好的做法是永远不要就地修改一个个体：这个个体可能会被反复用于遗传操作（例如变异和交叉），所以在修改它时，您将在后续的遗传操作中产生错误的结果。要复制数据结构，通常使用python模块中的deepcopy函数。

除了上述方法之外，您可能希望使用stop_cond方法定义一个停止规则，或者使用hash方法覆盖哈希计算的方式。计算哈希的默认方法是调用hash(gene)，其中gene是用户定义的数据类型的一个对象。其他可能使用的方法是endofgen方法、gene_distance方法（例如，在使用带有PGA_POPREPL_RTR的受限锦标赛选择时），或者pre_eval方法。

有关用户定义数据类型的示例在examples/gp中：这实现了使用树数据结构的遗传编程。请注意，gp.py中的Node类有一个__hash__方法，它通过树的序列化构建哈希（对于具有相同树结构的个体来说是相同的）。

缺少的功能

如前所述，PGAPack中并非所有函数和常量都已被封装——对于许多应用，给定的集应该足够。如果您需要额外的函数，您可能希望封装这些函数并发给我一个补丁。

报告错误

请使用Sourceforge错误跟踪器或Github错误跟踪器，并

• 提供关于您认为的正确行为的简短描述

• 提供观察到的行为的描述

• 告诉我您确切做了什么。

• 如果您可以发布您的源代码，这将使我为您调试错误变得容易得多

资源

从Sourceforge主页获取项目信息和下载

或从Github检出

或直接通过pypi安装

安装

PGApy，正如其名所示，支持并行化遗传算法的评估函数。这使用消息传递接口（MPI）标准。

要安装一个串行版本（不使用MPI进行并行编程），您只需使用pip从pypi安装即可。或者，当您已解压或检出源代码时，您可以使用以下方式安装：

python3 setup.py install --prefix=/usr/local

如果您想使用MPI（消息传递接口）库的并行版本，您首先需要安装PGAPack的并行版本。最简单的方法是使用来自github的pgapack deb包构建器。克隆此存储库，检出分支master，安装构建依赖项，它们在文件debian/control中列出，并使用以下命令构建deb包：

dpkg-buildpackage -rfakeroot

这将为debian中所有受支持的MPI库构建pgapack deb包，目前这些是mpich、openmpi和lam。除了MPI库外，还构建了pgapack库的串行版本。接下来，安装pgapack包和所选的MPI后端库。如果您没有对MPI库的偏好，libpgapack-openmpi是使用Debian默认MPI库偏好的包。

安装PGAPack的并行版本后，您可以通过以下方式安装PGApy：设置PGA_PARALLEL_VARIANT环境变量（mpich、openmpi或lam之一）并将PGA_MODULE设置为module_from_parallel_install。最后，调用设置，例如：

export PGA_PARALLEL_VARIANT=openmpi
export PGA_MODULE=module_from_parallel_install
python3 setup.py install --prefix=/usr/local

请注意，这同样适用于pip install，即在安装PGAPack的并行版本后，您可以直接使用pip安装。

export PGA_PARALLEL_VARIANT=openmpi
export PGA_MODULE=module_from_parallel_install
pip install pgapy

或者根据您的系统上pip的安装方式选择其他方法。

python3 -m pip install pgapy

如果您的MPI库安装在另一个位置，您应该研究setup.py中的Extension配置，以便得出适合您的安装的扩展定义。如果您的安装对更多人来说很有趣，您可以随意提交一个补丁，将您的扩展配置添加到标准的setup.py。

apt-get install python3-pip python3-dev python3-toml \
    python3-build python3-installer python3-venv python3-sphinx
    netpbm

python3 -m build
python3 -m installer dist/*.whl

git clone https://github.com/schlatterbeck/releasetool.git

make dist

export PGA_PARALLEL_VARIANT=openmpi
export PGA_MODULE=module_from_parallel_install

使用MPI运行

要使用MPI运行并行版本，必须安装并行版本，请参阅上面安装部分。

对于串行版本，PGAPy确保在evaluate函数中发生异常时终止优化。目前框架不支持将信息返回给rank-0 MPI主进程，因此对于MPI不是这种情况。一个解决方案如下：将您的evaluate方法重命名为_evaluate，并在包装_evaluate的新evaluate方法中捕获异常。如果发生异常，调用MPI_Abort。

import traceback
import sys

...

def evaluate (self, p, pop):
    try:
        return self._evaluate (p, pop)
    except Exception:
        # Optionally log exception here
        print (traceback.format_exc ())
        pga.MPI_Abort (1)
        sys.exit (1)

测试

对于测试，最好在安装之前本地构建

python3 setup.py build_ext --inplace

之后，您在本地目录中将有pga.*.so文件。现在您可以使用以下命令运行测试：

python3 -m pytest test

该命令运行所有测试，可能需要一段时间。请注意，测试在examples目录中大多数示例使用不同的命令行参数运行（如果可用）。为了在单个（Python-）进程中执行多次优化运行，我们必须显式调用MPI_Init（而不是依赖PGAPack隐式调用它）。这是因为MPI_Init可能在每个进程中只被调用一次。在test/conftest.py中的固定函数中处理了MPI_Init和MPI_Finalize的调用。

python3 -m pytest --cov examples test

python3 -m pytest --cov-report term-missing --cov examples test

export CFLAGS=-coverage
python3 setup.py build_ext --inplace

lcov --capture --directory . --output-file coverage.info
genhtml coverage.info --output-directory coverage_out

mpirun $MPI_OPTIONS python3 -m pytest test

MPI_OPTIONS=--machinefile ~/.mpi-openmpi --np 8

PGA_PARALLEL_VARIANT=openmpi
PGA_MODULE=module_from_parallel_install
export CFLAGS=-coverage
python3 setup.py build_ext --inplace

Lines:      1423    1475    96.5 %
Functions:   131     133    98.5 %

参考文献

变更

版本 2.4：新上游

• 包裹负关联交配

• 允许差分进化用于整数基因

• 上游修复了与差分进化、RTR种群替换和重复避免的功能交互错误

• 添加选项在皇家道路示例中使用负关联交配

版本 2.2.2：添加pyproject.toml

• 添加pyproject.toml –遗憾的是，目前似乎无法在pyproject.toml中描述二进制模块，特别是通过环境变量实现的变体选择，这在setup.py中目前实现

版本 2.2.1：MPI_Abort

• 将MPI_Abort添加到包装器中

• 在发布中包含mpi_stub.c（如果设置了某些环境变量，请参见上述安装部分）

版本 2.2：模块目录

• 将pga C模块放入pga模块中

• 向pga添加几个仅限Python的模块

• pga.__init__导出所有内容，以确保兼容性

• pga.random包含基于pgapack随机数生成器的Python Random类

版本 2.1：回归测试

• 在测试期间发现的PGAPack错误修复

• Python包装器的错误修复

• 大量测试，覆盖包装器C代码 > 90%

版本 2.0：用户定义数据类型

• 实现用户定义数据类型，请注意，您的数据类型可以是可变大小的，例如，树数据结构。框架负责序列化数据类型，并在使用并行版本时将其传输到远程MPI进程。

• 当使用构造函数参数no_duplicates启用重复检查时，底层pgapack代码现在使用散列表。这意味着努力不再是与种群大小成二次关系，而是线性关系。

• 在examples/gp目录中的遗传编程（GP）示例

• 将gene_difference方法重命名为gene_distance

版本 1.8：ε约束优化

• ε约束优化

• 多目标优化中打印评估的精度，使用此功能使回归测试在AMD上工作，其中第16位或更小的浮点数差异会导致测试失败

• 排列交叉

• 版本号：尽量与pgapack匹配，尽管我们可能在最后一位数上有所不同

版本 1.2：具有NSGA-III的多目标优化

• 实现NSGA-III

版本 1.1.6：多项式变异和模拟二进制交叉（SBX）

• 模拟二进制交叉（SBX）

• 多项式变异

版本 1.1.1-1.1.5：PGAPack 小更新，非 Debian 修复

• 修复非 Debian 系统的 setup.py

• 更新到最新的 PGAPack，进行了一些小改动

版本 1.1：增加 NSGA-II 多目标优化

• 包含最新的 pgapack 版本 1.4

• 此版本增加了 Deb 等人提出的非支配排序遗传算法版本 2 (NSGA-II) 的多目标优化。这利用了之前引入的选项，可以在目标函数中返回多个值。要使用此功能，您需要将 num_constraint 参数设置为某个值，使得您的评估函数返回的一些函数值作为目标函数值（而不是约束）。请参见 examples/multi.py 中的示例。

版本 1.0：增加约束处理

• 包含最新的 pgapack 版本 1.3

• 这增加了辅助评估。现在，如果您在构造函数中将 num_eval 参数设置为大于 1，则评估函数可以返回多个浮点值作为序列。目前，额外的评估值用于约束处理。约束值被最小化。一旦它们达到零或负值，它们就不再计算：所有正约束的总和是整体约束违规。有关详细信息，请参阅 Deb 2000 年的论文，请参阅用户指南进行引用。如果您不使用约束，则您的代码无需更改。

• 此版本可能会改变优化路径。因此，对于随机数生成器的相同种子，您将得到不同的结果，至少如果在搜索过程中有评估相同（但遗传材料不同）的个体。这是由于 pgapack 中排序函数的改变（它从 C 标准库切换到稳定的排序）。

版本 0.9：允许安装并行版本

• 将 argv（或 sys.argv）传递给 PGACreate

• 向 setup.py 添加一个段以允许使用针对 MPI 库编译的 pgapack 变体进行并行安装。目前这需要一个预先安装的 pgapack Debian 软件包。

版本 0.8：修复真实突变中的错误

• 修复最新 pgapack 中的核心转储问题

版本 0.7：封装有重大变化

• 现在实现了差分进化，请参阅 minfloat 示例和 pgapack 用户指南。

版本 0.6：封装有重大变化

• 现在封装使用了 Python 标准建议来创建自定义类。

• 更新文档

• 重命名 fitness_cmax（从 fitness_cmax_value）

• 更好的参数错误检查

版本 0.5：错误修复发布

• 现在 setup.py 可以正常工作，之前的版本有一个编码问题

• 封装一些新方法

• 修复 PGAPack 截断选择中的错误

版本 0.4：捆绑 PGAPack

• 现在 PGAPack 软件包被包含为一个 git 子模块。默认情况下，我们针对这个库进行构建

• 许可证修复：该模块长期以来一直包含一个 COPYING 文件，该文件包含 2 条 BSD 许可证。但 setup.py 和 pgamodule.c 的头文件仍包含另一个许可证。这已经被纠正。

版本 0.3：功能增强，错误修复

移植到 Python3，Python2 仍然受支持，许可证更改。

• 包装器的 C 代码更新以支持 Python2 和 Python3

• 更新文档

• 修复在回调方法发生错误时可能导致的内存泄漏

• 许可证更改：我们现在有 2 条 BSD 许可证（类似于 PGAPack 的 MPICH 许可证），这之前是 LGPL。

版本 0.2：功能增强，错误修复

64 位支持，更多 PGAPack 函数和属性封装，Readme 更新：Sourceforge 标志，更改章节。

• 64 位架构的错误修复

• 更多 PGAPack 的函数和属性封装

• 向 setup.py 添加构建规则，以便进行 PGAPack 的标准安装构建 - 目前需要编辑 setup.py - 这里应使用自动检测，但这将需要我为测试设置一个带有标准安装的 PGAPack 的机器。

• 按需添加 Sourceforge 标志

• 为自动化发布添加“变更”章节

• 将 __module__ 字符串添加到模块 pga 中的类 PGA。现在在 Python 中调用:: help (pga) 将按预期工作，之前没有为包含的模块提供帮助文本

版本 0.1：初始 freshmeat 通告

PGAPy 是一个用于 PGAPack 的包装器，PGAPack 是一个并行遗传算法库，一个功能强大的遗传算法库。PGAPy 使用 Python 封装了此库。Pgapack 是最具完整性和精确性的遗传算法实现之一，具有许多用于实验的功能。

• 初始发布