溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇“python遺傳算法之單/多目標規劃問題怎么解決”文章的知識點大部分人都不太理解，所以小編給大家總結了以下內容，內容詳細，步驟清晰，具有一定的借鑒價值，希望大家閱讀完這篇文章能有所收獲，下面我們一起來看看這篇“python遺傳算法之單/多目標規劃問題怎么解決”文章吧。
這里先介紹一下運行環境
系統：Windows10
配置：i7-6700 16G
python版本：3.10
geatpy版本：2.7.0
前面的章節中，我們介紹了遺傳算法主要分為算法模板類 (Algorithm)、種群類 (Population)、多染色體混合編碼種群類 (PsyPopulation) 以及問題類 (Problem)。其中 Population 類和 PsyPopulation 類是可以直接被實例化成對象去來使用的類；Algorithm 類和 Problem 類是父類，需要實例化其子類來使用。下面我們通過案例來演示一下用法。
在這一步中，主要是將我們的問題按照模板描述清楚,包括目標函數和約束條件。
import numpy as np import geatpy as ea class MyProblem(ea.Problem): # 繼承Problem父類 def __init__(self): name = 'MyProblem' # 初始化name（函數名稱，可以隨意設置） M = 1 # 初始化M（目標維數） maxormins = [-1] # 初始化目標最小最大化標記列表，1：min；-1：max Dim = 3 # 初始化Dim（決策變量維數） varTypes = [0] * Dim # 初始化決策變量類型，0：連續；1：離散 lb = [0, 0, 0] # 決策變量下界 ub = [1, 1, 2] # 決策變量上界 lbin = [1, 1, 0] # 決策變量下邊界 ubin = [1, 1, 0] # 決策變量上邊界 # 調用父類構造方法完成實例化 ea.Problem.__init__(self, name, M, maxormins, Dim, varTypes, lb, ub, lbin, ubin) def aimFunc(self, pop): # 目標函數，pop為傳入的種群對象 Vars = pop.Phen # 得到決策變量矩陣 x1 = Vars[:, [0]] # 取出第一列得到所有個體的x1組成的列向量 x2 = Vars[:, [1]] # 取出第二列得到所有個體的x2組成的列向量 x3 = Vars[:, [2]] # 取出第三列得到所有個體的x3組成的列向量 # 計算目標函數值，賦值給pop種群對象的ObjV屬性 pop.ObjV = 4 * x1 + 2 * x2 + x3 # 采用可行性法則處理約束，生成種群個體違反約束程度矩陣 pop.CV = np.hstack([2 * x1 + x2 - 1, # 第一個約束 x1 + 2 * x3 - 2, # 第二個約束 np.abs(x1 + x2 + x3 - 1)]) # 第三個約束
在第二步中，我們主要編寫的是算法模板對第一步中問題的定義進行求解，這里需要依次設置種群、算法參數、種群進化、結果的輸出。
"""main_solve.py"""
import geatpy as ea # import geatpy
from myaim import MyProblem # 導入自定義問題接口
"""============================實例化問題對象========================"""
problem = MyProblem() # 實例化問題對象
"""==============================種群設置==========================="""
Encoding = 'RI' # 編碼方式
NIND = 50 # 種群規模
Field = ea.crtfld(Encoding, problem.varTypes, problem.ranges,problem.borders) # 創建區域描述器
population = ea.Population(Encoding, Field, NIND) # 實例化種群對象（此時種群還沒被真正初始化，僅僅是生成一個種群對象）
"""===========================算法參數設置=========================="""
myAlgorithm = ea.soea_DE_best_1_L_templet(problem, population) # 實例化一個算法模板對象
myAlgorithm.MAXGEN = 1000 # 最大進化代數
myAlgorithm.mutOper.F = 0.5 # 差分進化中的參數F
myAlgorithm.recOper.XOVR = 0.7 # 設置交叉概率
myAlgorithm.logTras = 1 # 設置每隔多少代記錄日志，若設置成0則表示不記錄日志
myAlgorithm.verbose = True # 設置是否打印輸出日志信息
myAlgorithm.drawing = 1 # 設置繪圖方式（0：不繪圖；1：繪制結果圖；2：繪制目標空間過程動畫；3：繪制決策空間過程動畫）
"""==========================調用算法模板進行種群進化==============="""
[BestIndi, population] = myAlgorithm.run() # 執行算法模板，得到最優個體以及最后一代種群
BestIndi.save() # 把最優個體的信息保存到文件中
"""=================================輸出結果======================="""
print('評價次數：%s' % myAlgorithm.evalsNum)
print('時間花費 %s 秒' % myAlgorithm.passTime)
if BestIndi.sizes != 0:
print('最優的目標函數值為：%s' % BestIndi.ObjV[0][0])
print('最優的控制變量值為：')
for i in range(BestIndi.Phen.shape[1]):
print(BestIndi.Phen[0, i])
else:
print('此次未找到可行解。')種群進化的結果為：
最終的結果為：
對于多目標的問題，依舊是先編寫目標規劃問題。
import numpy as np import geatpy as ea class MyProblem(ea.Problem): # 繼承Problem父類 def __init__(self): name = 'BNH' # 初始化name（函數名稱，可以隨意設置） M = 2 # 初始化M（目標維數） maxormins = [1] * M # 初始化maxormins Dim = 2 # 初始化Dim（決策變量維數） varTypes = [0] * Dim # 初始化varTypes（決策變量的類型，0：實數；1：整數） lb = [0] * Dim # 決策變量下界 ub = [5, 3] # 決策變量上界 lbin = [1] * Dim # 決策變量下邊界 ubin = [1] * Dim # 決策變量上邊界 # 調用父類構造方法完成實例化 ea.Problem.__init__(self, name, M, maxormins, Dim, varTypes, lb,ub, lbin, ubin) def aimFunc(self, pop): # 目標函數 Vars = pop.Phen # 得到決策變量矩陣 x1 = Vars[:, [0]] # 注意這樣得到的x1是一個列向量，表示所有個體的x1 x2 = Vars[:, [1]] f1 = 4*x1**2 + 4*x2**2 f2 = (x1 - 5)**2 + (x2 - 5)**2 # 采用可行性法則處理約束 pop.CV = np.hstack([(x1 - 5)**2 + x2**2 - 25,-(x1 - 8)**2 - (x2 - 3)**2 + 7.7]) # 把求得的目標函數值賦值給種群pop的ObjV pop.ObjV = np.hstack([f1, f2]) ## 目標函數主要需要計算出CV和ObjV
模板求解，和單目標規劃類似。
import geatpy as ea # import geatpy
from ga_more_aim import MyProblem # 導入自定義問題接口
import numpy as np
"""=======================實例化問題對象==========================="""
problem = MyProblem() # 實例化問題對象
"""=========================種群設置=============================="""
Encoding = 'RI' # 編碼方式
NIND = 100 # 種群規模
Field = ea.crtfld(Encoding, problem.varTypes, problem.ranges,problem.borders) # 創建區域描述器
population = ea.Population(Encoding, Field, NIND) # 實例化種群對象（此時種群還沒被真正初始化，僅僅是生成一個種群對象）
"""=========================算法參數設置============================"""
myAlgorithm = ea.moea_NSGA2_templet(problem, population) # 實例化一個算法模板對象
myAlgorithm.mutOper.Pm = 0.2 # 修改變異算子的變異概率
myAlgorithm.recOper.XOVR = 0.9 # 修改交叉算子的交叉概率
myAlgorithm.MAXGEN = 200 # 最大進化代數
myAlgorithm.logTras = 1 # 設置每多少代記錄日志，若設置成0則表示不記錄日志
myAlgorithm.verbose = False # 設置是否打印輸出日志信息
myAlgorithm.drawing = 1 # 設置繪圖方式（0：不繪圖；1：繪制結果圖；2：繪制目標空間過程動畫；3：繪制決策空間過程動畫）
"""==========================調用算法模板進行種群進化==============
調用run執行算法模板，得到帕累托最優解集NDSet以及最后一代種群。
NDSet是一個種群類Population的對象。
NDSet.ObjV為最優解個體的目標函數值；NDSet.Phen為對應的決策變量值。
詳見Population.py中關于種群類的定義。
"""
[NDSet, population] = myAlgorithm.run() # 執行算法模板，得到非支配種群以及最后一代種群
NDSet.save() # 把非支配種群的信息保存到文件中
"""===========================輸出結果========================"""
print('用時：%s 秒' % myAlgorithm.passTime)
print('非支配個體數：%d 個' % NDSet.sizes) if NDSet.sizes != 0 else print('沒有找到可行解！')
if myAlgorithm.log is not None and NDSet.sizes != 0:
print('GD', myAlgorithm.log['gd'][-1])
print('IGD', myAlgorithm.log['igd'][-1])
print('HV', myAlgorithm.log['hv'][-1])
print('Spacing', myAlgorithm.log['spacing'][-1])
"""======================進化過程指標追蹤分析=================="""
metricName = [['igd'], ['hv']]
Metrics = np.array([myAlgorithm.log[metricName[i][0]] for i in range(len(metricName))]).T
# 繪制指標追蹤分析圖
ea.trcplot(Metrics, labels=metricName, titles=metricName)很多初學者可能不太清楚評價多目標規劃的一些指標GD、IGD、HV等，這里給大家參考: 多目標進化算法的性能評價指標總結.
帕累托前沿結果：
hv的趨勢：
最后結果：
以上就是關于“python遺傳算法之單/多目標規劃問題怎么解決”這篇文章的內容，相信大家都有了一定的了解，希望小編分享的內容對大家有幫助，若想了解更多相關的知識內容，請關注億速云行業資訊頻道。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
