Rust Core Edition · v2.7.6 · 更新于
geatpy-rs高性能进化算法工具箱
geatpy-rs 是经典进化算法工具箱 Geatpy 的纯 Rust (PyO3 + abi3) 内核重构版:pip install geatpy-rs 即可在 Python 3.8 ~ 3.15(含 free-threaded 3.14t)、Apple Silicon、Linux ARM64 与 Windows 上使用,沿用原版 API,import geatpy as ea 的代码无需改动;内核行为已与官方 2.7.0 二进制逐项差分验证,经典用例的运行耗时普遍低于原版。
pip install geatpy-rs- Python 版本全覆盖
- 3.8 ~ 3.15
- 内核算子 Rust 重写
- 74
- 算法模板原样保留
- 42
- 随机差分用例对照官方内核
- ≈1500

Why Rust
为什么做 Rust 重构版本?
原版 Geatpy 长期基于特定版本的 C/C++ 动态链接库,在现代开发与生产环境中面临三个痛点:
- 01
高版本 Python 无法安装
原版只发布到 Python 3.10 的预编译轮子。Python 3.11、3.12、3.13、3.14 与 3.15 的 C API 变化较大,pip 只能退回源码构建,而原版内核并不随源码公开,基本无法安装。
- 02
ARM 平台覆盖不全
原版的 Apple Silicon 轮子只覆盖 Python 3.8 ~ 3.10,且没有 Linux ARM64 (aarch64) 轮子,在 ARM 云服务器、树莓派与 Docker 容器里装不上。
- 03
二进制内核难排错
原版内核是编译好的 C/C++ 二进制:长度为 1 的染色体、一维输入等边界情况会直接段错误,整个 Python 进程退出;还有多处行为与其自身文档不符。
Comparison
核心特性对比
geatpy-rs 与原官方 C/C++ 版本的技术指标对比:
| 维度 | 原官方版本 (Geatpy) | geatpy-rs |
|---|---|---|
| 底层核心实现 | 早期 C/C++ 动态库,内核以预编译二进制分发 | 纯 Rust 原生实现(crates/geatpy_core),源码公开 |
| Python 版本 | 仅支持 Python 3.5 ~ 3.10 | Python 3.8 ~ 3.15 全覆盖,另有 free-threaded(无 GIL)Python 3.14t 的轮子 |
| ABI 兼容 | 每个 Python 小版本单独构建 | PyO3 abi3:一次构建,3.8+ 各版本通用;free-threaded 3.14t 没有稳定 ABI,单独构建 |
| 预编译 Wheel | Windows x86 / x64、Linux x86_64、macOS(Apple Silicon 仅 Python 3.8 ~ 3.10),无 Linux ARM64 | macOS Universal2(Apple Silicon + Intel)、Linux x86_64 / ARM64、Windows x64 |
| 内存安全 | 边界输入可能触发段错误,导致 Python 进程退出 | 安全 Rust(唯一的 unsafe 是确认 CPU 支持 FMA 后调用 FMA 指令版本的点积);空、反向、超大等边界输入抛出 Python 异常 |
| 多核并行与性能 | C OpenMP | 2.7.6 内核为单线程实现(Parallel 参数为兼容保留,暂不生效),36 个经典用例耗时为原版的 0.05 ~ 0.73 倍,10 万变量时每代耗时为原版的 0.27 ~ 0.46 倍;free-threaded Python 3.14t 上可用线程同时运行多个模板;2.8.0b2 预览版起,非支配排序、参考点选择、距离与 GD / IGD / Spacing 指标在大规模时自动多线程,结果与单线程逐位一致 |
| 随机数与复现 | 取自 numpy 全局随机状态,np.random.seed 可复现 | 与原版一致:np.random.seed / ea.optimize(seed=…) 可完整复现一次运行 |
| API 兼容度 | 基准 | 沿用原有 Python 接口、数据结构与 42 个算法模板;内核行为与官方 2.7.0 二进制逐项差分验证 |
Parity
与官方 2.7.0 内核的一致性
Rust 内核以官方 geatpy 2.7.0 的二进制为行为基准,通过黑盒差分测试持续验证,期望值均取自官方二进制的实际输出:
确定性算子逐值比对
非支配排序、拥挤距离、编码解码、适应度分配、参考点、性能指标、NSGA-III / RVEA 环境选择等,以官方 2.7.0 二进制的实际输出为基准逐值比对。
随机算子比对统计分布
交叉、变异、选择等随机算子重复调用数百到数千次,逐元素比对均值分布,确认与官方实现同分布。
算法模板与经典用例比较解质量
39 个算法模板在相同问题上比对最终解质量;另有 Ackley、Rastrigin、att48 TSP、ZDT、DTLZ 等 36 个经典用例,覆盖最大化、混合整数、带约束、排列编码、多种群与多染色体模板,两边各运行 30 次比较最优值或 IGD / HV 的分布。除修正了原版迁移缺陷的多种群模板明显更好外,均无显著差异。
约 1500 个随机差分用例
随机形状、参数组合与边界值同时在官方二进制与 Rust 内核上运行,逐项比对数值、dtype、返回结构与报错;全整数变量时同样返回 int32,参数校验与报错信息与官方一致。
边界输入逐一复核
空种群、空参考点、反向或三维数组、超大尺寸、NaN、错误的参数类型与关键字等合法输入之外的情形,逐一对照官方二进制,报错类型与信息与原版一致;原版在其中一些情形下崩溃或越界读取,geatpy-rs 改为抛出 Python 异常。
官方二进制的 24 处已知缺陷(geatpy-rs 按文档修正)
- ndsortDED 分层错误
- mergecv 跨行累加
- tcheby / pbi 在 idealPoint=None 时返回理想点
- refselect 候选矩阵行序错位
- migrate 择劣替换实际淘汰的是最优个体
- migrate 随机替换总是淘汰最后一个个体,完全网状结构会从自身迁入
- mutgau / mutuni 的 Middle=True 以 (ub-lb)/2 而非区间中点为中心
- crtip 在边界为小数时生成越界整数
- pbi 对恰在理想点上的个体返回 NaN
- cdist 对非连续数组读错数据
- refselect 在极点矩阵奇异(如重复极点)时因舍入解出无意义的截距
- crtri 与 crtip 一样在边界为小数时生成越界整数
- mutde 把 F 列表中的 None 当作另一个因子(文档写明 None 表示随机生成),Mask_N 为 N 行矩阵时不排除个体自身
- refgselect 不检查 CV 行数且会就地修改传入的 CV
- refselect / refgselect 在参考点集为空时仍给出选择
- mselecting 只给一个都没选中的种群补选,做不到文档保证的每个种群最少选择数
- 带全局存档的模板(NSGA2_archive、awGA、MOEAD_archive)返回重复解
- 染色体长度为 1 或一维输入时 xovsp / xovsh 等段错误
- 空种群上抽取 mutde 供体时崩溃,refgselect 的 Gamma 过短、GD / IGD / HV 输入为空时读取越界内存
- 空种群上 rws / sus 返回未初始化的下标,tour / dup 崩溃
- migrate 用到适应度时,FitnVs 的个数或行数不足会越界读取
- 非线性 ranking 在个体数或 SP 较大时溢出为 NaN
- recint / reclin 的 Alpha 为整数、float32 或 bool 数组时按 float64 读取内存
- 种群切片 pop[:]、pop[:-1] 报错或个体数算错,PsyPopulation 重复初始化时累加 Linds、派生种群共用译码矩阵
Installation
安装
支持 PyPI 一键安装、GitHub Releases 预编译 Wheel 与源码本地构建三种方式:
pip install geatpy-rs# Linux (x86_64)
pip install https://github.com/yangyachao/geatpy-rs/releases/download/v2.7.6/geatpy_rs-2.7.6-cp38-abi3-manylinux_2_17_x86_64.manylinux2014_x86_64.whl
# Linux (ARM64 / aarch64)
pip install https://github.com/yangyachao/geatpy-rs/releases/download/v2.7.6/geatpy_rs-2.7.6-cp38-abi3-manylinux_2_17_aarch64.manylinux2014_aarch64.whl
# macOS (Universal2 - 支持 Apple Silicon M1-M4 及 Intel)
pip install https://github.com/yangyachao/geatpy-rs/releases/download/v2.7.6/geatpy_rs-2.7.6-cp38-abi3-macosx_10_12_x86_64.macosx_11_0_arm64.macosx_10_12_universal2.whl
# Windows (x64)
pip install https://github.com/yangyachao/geatpy-rs/releases/download/v2.7.6/geatpy_rs-2.7.6-cp38-abi3-win_amd64.whl
# free-threaded(无 GIL)Python 3.14t:把文件名中的 cp38-abi3 换成 cp314-cp314t,例如
pip install https://github.com/yangyachao/geatpy-rs/releases/download/v2.7.6/geatpy_rs-2.7.6-cp314-cp314t-manylinux_2_17_x86_64.manylinux2014_x86_64.whlgit clone https://github.com/yangyachao/geatpy-rs.git
cd geatpy-rs
# 内置跨平台构建脚本(需要 Rust 工具链)
python scripts/build.py --install
# 或用 maturin 直接安装到当前环境
pip install maturin
maturin develop --release包名为 geatpy-rs,安装后 Python 代码无需任何改动,继续使用 import geatpy as ea 即可。
Quick Start
代码示例
无需修改原有算法逻辑,用 NSGA-III 求解经典 DTLZ1 三目标优化问题:
import numpy as np
import geatpy as ea # 沿用原有接口,代码无需改动
class DTLZ1(ea.Problem):
def __init__(self, M=3):
name = 'DTLZ1'
maxormins = [1] * M
Dim = M + 4
varTypes = [0] * Dim
lb = [0] * Dim
ub = [1] * Dim
lbin = [1] * Dim
ubin = [1] * Dim
ea.Problem.__init__(self, name, M, maxormins, Dim, varTypes, lb, ub, lbin, ubin)
def aimFunc(self, pop):
Vars = pop.Phen
XM = Vars[:, (self.M - 1):]
g = np.array([100 * (self.Dim - self.M + 1 + np.sum(((XM - 0.5)**2 - np.cos(20 * np.pi * (XM - 0.5))), 1))]).T
ones_metrix = np.ones((Vars.shape[0], 1))
pop.ObjV = 0.5 * np.fliplr(np.cumprod(np.hstack([ones_metrix, Vars[:, :self.M - 1]]), 1)) * \
np.hstack([ones_metrix, 1 - Vars[:, range(self.M - 2, -1, -1)]]) * np.tile(1 + g, (1, self.M))
if __name__ == '__main__':
problem = DTLZ1(M=3)
algorithm = ea.moea_NSGA3_templet(
problem,
ea.Population(Encoding='RI', NIND=100),
MAXGEN=500,
logTras=1
)
res = ea.optimize(algorithm, verbose=True, drawing=1, outputMsg=True, drawLog=True)Architecture
74 个内核算子全部用 Rust 重写
Rust 内核位于 crates/geatpy_core/,以下是它导出的全部算子,名称与原版一致:
编码与种群初始化
encoding.rs创建种群、二进制 / 格雷码与实数互转、越界修复
- crtfld
- crtbp
- crtip
- crtrp
- crtri
- crtpp
- crtpc
- crtup
- crtgp
- bs2ri
- bs2real
- bs2int
- ri2bs
- boundfix
选择与适应度
selection.rs锦标赛、轮盘赌、随机遍历抽样等选择,以及适应度排序与缩放
- tour
- etour
- rws
- sus
- urs
- rcs
- rps
- ecs
- otos
- dup
- selecting
- mselecting
- ranking
- scaling
- powing
- indexing
交叉与重组
recombination.rs单点 / 两点 / 均匀 / 洗牌交叉,排列编码的 PMX、OX,实数编码的 SBX 等
- xovsp
- xovdp
- xovud
- xovsh
- xovbd
- xovexp
- xovsec
- xovpmx
- xovox
- recsbx
- recdis
- recint
- reclin
- recndx
- recombin
变异
mutation.rs多项式、高斯、均匀、差分进化变异,以及排列编码的交换、移位、逆转
- mutpolyn
- mutgau
- mutbga
- mutuni
- mutbin
- mutde
- mutinv
- mutmove
- mutswap
- mutpp
- mutate
多目标、约束与迁移
multiobjective.rs非支配排序、拥挤距离、分解聚合、参考点选择、约束合并与多种群迁移
- ndsortESS
- ndsortTNS
- ndsortDED
- crowdis
- cdist
- mergecv
- tcheby
- pbi
- crtidp
- awGA
- rwGA
- refselect
- refgselect
- migrate
性能指标
indicator.rs世代距离、反世代距离、间距与超体积
- GD
- IGD
- Spacing
- HV
FAQ
常见问题
Python 3.11+ 安装报错、ARM 平台支持、与原版的一致性和迁移问题:
Q1什么是 geatpy-rs?与原版 Geatpy 有什么区别?
geatpy-rs 是经典进化算法工具箱 Geatpy 的 Rust 内核重构版。原版 Geatpy 的内核是只以二进制分发的 C/C++ 动态库,预编译轮子止于 Python 3.10,也没有 Linux ARM64 版本。geatpy-rs 用 Rust(PyO3 + abi3)重写了全部 74 个内核算子,提供 Python 3.8 ~ 3.15 通用的预编译 Wheel,沿用原版的 Python 接口与算法模板,业务代码无需改动即可替换。
Q2Geatpy 有 Rust 版吗?能在 Rust 程序里直接调用吗?
geatpy-rs 就是 Geatpy 的 Rust 版:原版内核的全部 74 个算子用 Rust 重写(源码在 crates/geatpy_core,基于 PyO3 与 rust-numpy),以 Python 扩展的形式发布,面向 Python 用户,pip install geatpy-rs 后照常 import geatpy as ea。这个 Rust 内核目前没有发布到 crates.io,算子的参数和返回值都是 Python / numpy 对象,Rust 程序不能把它当作普通的 Rust 库直接依赖;需要在 Rust 中实现同样的算法时,可以参考仓库中的源码。
Q3为什么在 Python 3.11 及以上版本中 pip install geatpy 会报错?如何解决?
原版 Geatpy 在 PyPI 上只提供 Python 3.5 ~ 3.10 的预编译包。在 Python 3.11、3.12、3.13、3.14 或 3.15 中执行 pip install geatpy 时,pip 找不到匹配的轮子,只能尝试从源码构建,而原版内核并不随源码公开,因此安装失败。解决方法是改装 geatpy-rs:运行 pip install geatpy-rs,即可使用预编译的 abi3 轮子,无需本地安装任何编译器。
Q4geatpy-rs 支持 Apple Silicon (M1 ~ M4) 和 Linux ARM64 吗?
都支持。macOS 提供 Universal2 轮子,同时包含 Apple Silicon 与 Intel 架构,无需 Rosetta 2;Linux 提供 x86_64 与 ARM64 (aarch64) 两种 manylinux2014 轮子,可直接用于 ARM 云服务器与 Docker 容器;Windows 提供 x64 轮子。
Q5原有基于 Geatpy 编写的优化代码需要修改吗?
不需要。geatpy-rs 沿用原版 Geatpy 的 Python 接口,包括问题定义类 ea.Problem、种群 ea.Population、ea.optimize,以及 moea_NSGA3_templet、moea_NSGA2_templet、soea_SEGA_templet 等算法模板和 ndsortESS、crowdis、mutbga、xovdp 等内核算子。安装 geatpy-rs 后仍然 import geatpy as ea,上层代码无需重构。
Q6geatpy-rs 的计算结果与原版一致吗?
一致性经过系统验证。确定性算子以官方 2.7.0 二进制的实际输出为基准逐值比对,随机算子比对统计分布,39 个算法模板比对最终解质量,另有约 1500 个随机差分用例同时在两边运行,逐项比对数值、dtype、返回结构与报错;36 个经典用例两边各运行 30 次,解的质量无显著差异。官方二进制中有多处与其自身文档不符的缺陷(如 ndsortDED 分层错误、mergecv 跨行累加、多种群迁移淘汰最优个体、边界输入段错误),geatpy-rs 按文档实现,并在测试中单独说明;其中多种群模板因此得到明显更好的解。
Q7geatpy-rs 包含哪些进化算法与算子?
42 个单目标与多目标算法模板:NSGA-III、NSGA-II、RVEA、MOEA/D、awGA 等多目标算法,以及 SEGA、SGA、EGA、差分进化 DE、进化策略 ES 等单目标算法。Rust 内核包含 74 个算子:种群初始化与编码转换,锦标赛、轮盘赌等选择,单点 / 两点 / 均匀 / PMX / SBX 等交叉,多项式、高斯、差分进化等变异,ndsortESS 非支配排序、crowdis 拥挤距离、refselect 参考点选择,以及 GD、IGD、Spacing、HV 性能指标。
Q8geatpy-rs 支持多核并行吗?
稳定版 2.7.6 的 Rust 内核是单线程实现,原版算子中的 Parallel 参数为兼容而保留,传入不会报错,但暂不生效;即便如此,在 36 个经典用例上的运行耗时为原版的 0.05 ~ 0.73 倍。在 free-threaded(无 GIL)的 Python 3.14t 上,内核不需要 GIL,可以用线程同时运行多个模板(8 线程跑 8 次 DE 快 4.4 倍)。多线程预览版 2.8.0b2 可用 pip install --pre geatpy-rs 安装:非支配排序、参考点选择、距离与 GD / IGD / Spacing 指标在规模较大时自动多线程,结果与单线程逐位一致,线程数用 ea.set_num_threads() 或环境变量 GEATPY_NUM_THREADS 设置;常见的千人以下种群收益有限。同时运行多个进程时建议每个进程设 1 个线程。目标函数的计算仍需在问题类中自行向量化或多进程。
Q9为什么 soea_DE_currentToRand_1_templet 比原版收敛慢?
该模板传入 F=[0.5, None]。文档写明 None 表示 F2 在变异过程中随机生成,原版二进制实际却把 F2 固定为 0.5;geatpy-rs 按文档随机生成,因此在 Rastrigin 等问题上收敛比 2.7.0 慢(30 维、50×1000 时中位最优值约 93 → 156)。需要原版行为时,可在运行前设置 algorithm.mutOper.F = [0.5, 0.5]。
Q10提示 Could not find any feasible solution,明明有可行解怎么办?
约束写在 evalVars 返回的 CV 矩阵里,每一列一个约束,CV <= 0 才算满足。常见错误是符号写反(x1 + x2 >= 1 应写成 1 - x1 - x2),或等式约束没有容差(应写成 |h(x)| - 1e-6);“或”关系的两个约束取两者较小值。geatpy-rs 在求解失败时会打印最后一代每个约束的违反个数和最小值,便于定位。更多写法见 README 的常见问题。
Q11大规模、有约束的多目标问题会不会很慢?
原版在有约束时,不可行个体按违反程度排成一条长链,非支配排序退化为平方级,5 万个体排一次要几十分钟(上游 issue #319)。geatpy-rs 2.7.5 起每层只与最近的前沿成员比较,1 万个体、3 目标、1 个约束从原版的 6.4 秒降到 0.05 秒,分层结果与原版逐位一致。长时间运行可传 progress=True 显示进度条。
Q12geatpy-rs 支持 free-threaded(无 GIL)的 Python 3.14t 吗?
支持。2.7.6 起为 Python 3.14t 提供 cp314t 轮子(Linux x86_64 / ARM64、macOS Universal2、Windows x64),在 3.14t 上同样执行 pip install geatpy-rs 即可,导入后 GIL 保持关闭。多个线程可以同时运行各自的算法模板,或在 evalVars 里用线程池分块计算目标函数:8 个线程同时跑 8 次 DE 模板快 4.4 倍,目标函数用纯 Python 写时快 3.8 倍;单次运行分块计算纯 Python 目标函数(400 个体 × 1000 变量)整体快 1.9 倍。注意各线程共用 numpy 的全局随机状态,多线程同时运行时 seed 不能保证可复现;目标函数里对单个数逐个调用 numpy 函数(如 np.cos)会让线程相互争用而变慢,应改用 math 模块或对整个数组调用 numpy。
Q13决策变量很多(十万量级)时还能用吗?
能用,速度和内存都不是瓶颈。10 万个变量、50 个体时,DE、SEGA、EGA 每代只需 23 ~ 30 毫秒,是官方 2.7.0 的 0.33 ~ 0.39 倍;二进制编码的 0-1 背包每代 25 毫秒(原版 95 毫秒),50 万变量时 125 毫秒(原版 442 毫秒),峰值内存也比原版少 10% ~ 40%。不过进化算法在这种规模上本身难以收敛(上游 issue #281、#295),需要结合问题结构(变量分组、降维、专用算子)或改用传统优化方法。测试脚本见仓库的 scripts/parity/large_scale.py。
Q14geatpy-rs 的运行结果可以复现吗?
可以。与原版一样,内核的随机数取自 numpy 的全局随机状态:调用 np.random.seed,或给 ea.optimize 传入 seed 参数,同样的代码会得到完全相同的结果。
Open Source & Citation
开源协议与学术引用
本项目基于 LGPL-3.0 协议开源。在科研与学术成果中使用本项目时,请按原项目规范引用:
@misc{geatpy2020,
author = {Jazzbin, J.},
title = {Geatpy: The Genetic and Evolutionary Algorithm Toolbox with High Performance in Python},
year = {2020},
publisher = {GitHub},
journal = {GitHub repository},
howpublished = {\url{https://github.com/geatpy-dev/geatpy}}
}