老师推荐的一篇知乎北大大神非常好的文章：
主要介绍的是scikit-opt
https://github.com/guofei9987/scikit-opt
主要计算：一个封装了7种启发式算法的 Python 代码库：（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、鱼群算法、免疫优化算法）
安装：pip install scikit-opt
Step1：定义你的问题，这个demo定义了有约束优化问题
Step2: 做差分进化算法
第一步：定义你的问题
第二步：运行遗传算法
*第三步**：用 matplotlib 画出结果
?针对TSP问题重载了?、?两个算子
第一步，定义问题。
这里作为demo，随机生成距离矩阵. 实战中从真实数据源中读取。
-> Demo code:?examples/demo_ga_tsp.py#s1
第二步，调用遗传算法进行求解
-> Demo code:?examples/demo_ga_tsp.py#s2
第三步，画出结果：
-> Demo code:?examples/demo_ga_tsp.py#s3
(PSO, Particle swarm optimization)
第一步，定义问题
-> Demo code:?examples/demo_pso.py#s1
第二步，做粒子群算法
-> Demo code:?examples/demo_pso.py#s2
第三步，画出结果
-> Demo code:?examples/demo_pso.py#s3
加入你的非线性约束是个圆内的面积?
这样写代码:
可以有多个非线性约束，向加就行了。
(SA, Simulated Annealing)
第一步：定义问题
-> Demo code:?examples/demo_sa.py#s1
第二步，运行模拟退火算法
-> Demo code:?examples/demo_sa.py#s2
第三步，画出结果 -> Demo code:?examples/demo_sa.py#s3
另外，scikit-opt 还提供了三种模拟退火流派: Fast, Boltzmann, Cauchy. 更多参见?more sa
第一步，定义问题。（我猜你已经无聊了，所以不黏贴这一步了）
第二步，调用模拟退火算法
-> Demo code:?examples/demo_sa_tsp.py#s2
第三步，画出结果 -> Demo code:?examples/demo_sa_tsp.py#s3
咱还有个动画
蚁群算法(ACA, Ant Colony Algorithm)解决TSP问题
-> Demo code:?examples/demo_aca_tsp.py#s2
(immune algorithm, IA) -> Demo code:?examples/demo_ia.py#s2
人工鱼群算法(artificial fish swarm algorithm, AFSA)
-> Demo code:?examples/demo_afsa.py#s1
举例来说，你想出一种新的“选择算子”，如下 -> Demo code:
examples/demo_ga_udf.py#s1?github.com/guofei9987/scikit-opt/blob/master/examples/demo_ga_udf.py#L1
导入包，并且创建遗传算法实例
把你的算子注册到你创建好的遗传算法实例上
scikit-opt 也提供了十几个算子供你调用
做遗传算法运算
现在udf支持遗传算法的这几个算子：,,,
提供一个面向对象风格的自定义算子的方法，供进阶用户使用:
例如，先跑10代，然后在此基础上再跑20代，可以这么写：
see
GPU加速功能还比较简单，将会在 1.0.0 版本大大完善。
有个 demo 已经可以在现版本运行了:
可以使用类似?,查看详细介绍，例如：
