def reinsertion(self, population, offspring, NUM, globalNDSet):
"""
描述:
重插入个体产生新一代种群（采用父子合并选择的策略）。
NUM为所需要保留到下一代的个体数目，globalNDSet为全局非支配解存档。
"""
# 父子两代合并
population = population + offspring
globalNDSet = population + globalNDSet # 将population与全局存档合并
# 非支配排序分层
[levels,
criLevel] = self.ndSort(globalNDSet.ObjV, None, None, globalNDSet.CV,
self.problem.maxormins)
# 更新全局存档
globalNDSet = globalNDSet[np.where(levels == 1)[0]]
if globalNDSet.CV is not None: # CV不为None说明有设置约束条件
globalNDSet = globalNDSet[np.where(np.all(globalNDSet.CV <= 0,
1))[0]] # 排除非可行解
if globalNDSet.sizes > self.MAXSIZE:
dis = ea.crowdis(globalNDSet.ObjV,
np.ones(globalNDSet.sizes)) # 计算拥挤距离
globalNDSet = globalNDSet[np.argsort(
-dis)[:self.MAXSIZE]] # 根据拥挤距离选择符合个数限制的解保留在存档中
# 选择个体保留到下一代
levels = levels[:population.sizes] # 得到与population个体对应的levels
dis = ea.crowdis(population.ObjV, levels) # 计算拥挤距离
population.FitnV[:, 0] = np.argsort(np.lexsort(np.array([dis,
-levels])),
kind='mergesort') # 计算适应度
chooseFlag = ea.selecting('dup', population.FitnV,
NUM) # 调用低级选择算子dup进行基于适应度排序的选择，保留NUM个个体
return population[chooseFlag], globalNDSet
def updateNDSet(population, maxormins, MAXSIZE, NDSet=None):
"""
描述:
用于计算种群个体的适应度及更新全局非支配种群。
输入参数:
population : Population - 种群对象。
maxormins : list - 优化目标的最大最小化标记列表。
MAXSIZE : int - 示全局非支配个体的最大数目。
NDSet : Population - (可选参数)全局非支配个体，
若缺省或为None时，NDSet为所传入种群的非支配个体组成的种群。
输出参数:
NDSet : Population - (可选参数)全局非支配种群。
种群适应度FitnV已经在函数中进行更新，因此这该参数不用返回。
"""
ObjV = maxormins * population.ObjV # 对目标进行统一最小化
[levels, criLevel] = ea.ndsortDED(ObjV, None, 1,
population.CV) # 只对个体划分出第一层
[CombinObjV, weight] = ea.awGA(ObjV, population.CV) # 计算适应性权重以及多目标的加权单目标
population.FitnV = (np.max(CombinObjV) - CombinObjV + 0.5) / (
np.max(CombinObjV) - np.min(CombinObjV) + 0.5) # 计算种群适应度
# 更新NDSet
if NDSet is None:
return population[np.where(levels == 1)[0]]
else:
tempPop = population[np.where(
levels == 1)[0]] + NDSet # 将种群可行个体与NDSet合并
[levels, criLevel] = ea.ndsortDED(maxormins * tempPop.ObjV, None, 1,
tempPop.CV) # 只对个体划分出第一层
liveIdx = np.where(levels == 1)[0] # 选择非支配个体
NDSet = tempPop[liveIdx]
# 对种群中被NDSet支配的个体进行惩罚
punishFlag = np.zeros(population.sizes)
punishFlag[np.where(liveIdx < population.sizes)[0]] == 1
population.FitnV[np.where(punishFlag == 0)[0]] *= 0.5
if len(liveIdx) > MAXSIZE: # 若要保留下来的NDSet个体数大于MAXSIZE，则根据拥挤距离进行筛选
dis = ea.crowdis(NDSet.ObjV, levels[liveIdx]) # 计算拥挤距离
NDSet = NDSet[ea.selecting('dup',
np.array([dis]).T, MAXSIZE)] # 进行筛选
return NDSet
def reinsertion(self, population, offspring, NUM):
"""
描述:
重插入个体产生新一代种群（采用父子合并选择的策略）。
NUM为所需要保留到下一代的个体数目。
注：这里对原版NSGA-II进行等价的修改：先按帕累托分级和拥挤距离来计算出种群个体的适应度，
然后调用dup选择算子(详见help(ea.dup))来根据适应度从大到小的顺序选择出个体保留到下一代。
这跟原版NSGA-II的选择方法所得的结果是完全一样的。
"""
# 父子两代合并
population = population + offspring
# 选择个体保留到下一代
[levels, criLevel] = self.ndSort(self.problem.maxormins * population.ObjV, NUM, None, population.CV) # 对NUM个个体进行非支配分层
dis = ea.crowdis(population.ObjV, levels) # 计算拥挤距离
population.FitnV[:, 0] = np.argsort(np.lexsort(np.array([dis, -levels])), kind = 'mergesort') # 计算适应度
chooseFlag = ea.selecting('dup', population.FitnV, NUM) # 调用低级选择算子dup进行基于适应度排序的选择，保留NUM个个体
return population[chooseFlag]
def calFitnV(self, population, NUM):
"""
描述:
计算种群个体的适应度
算法:
先对所需个体进行非支配排序分级，然后对所有个体进行拥挤度计算，最后先让处于较前帕累托分层的
个体得到较高的适应度，对于同一层，则让拥挤距离大的个体得到较高的适应度
输出参数:
FitnV : array - 种群个体的适应度列向量
"""
[levels,
criLevel] = self.ndSort(self.problem.maxormins * population.ObjV, NUM,
None, population.CV) # 对NUM个个体进行非支配分层
dis = ea.crowdis(population.ObjV, levels) # 计算拥挤距离
FitnV = np.array([
np.argsort(np.lexsort(np.array([dis, -levels])), kind='mergesort')
]).T # 计算适应度
return FitnV
def reinsertion(self, population, offspring, NUM):
"""
描述:
重插入个体产生新一代种群（采用父子合并选择的策略）。
NUM为所需要保留到下一代的个体数目。
注：这里对原版NSGA-II进行等价的修改：先按帕累托分级和拥挤距离来计算出种群个体的适应度，
然后调用dup选择算子(详见help(ea.dup))来根据适应度从大到小的顺序选择出个体保留到下一代。
这跟原版NSGA-II的选择方法所得的结果是完全一样的。
"""
# 父子两代合并
population = population + offspring
# 选择个体保留到下一代
[levels,
criLevel] = self.ndSort(self.problem.maxormins * population.ObjV, NUM,
None, population.CV) # 对NUM个个体进行非支配分层
dis = ea.crowdis(population.ObjV, levels) # 计算拥挤距离
count = 0
cos_arr = np.zeros(dis.shape)
# 计算余弦相似度
for i in population.ObjV:
res = np.array([[
i[j] * self.target[j], i[j] * i[j],
self.target[j] * self.target[j]
] for j in range(len(i))])
cos = sum(res[:, 0]) / (np.sqrt(sum(res[:, 1])) *
np.sqrt(sum(res[:, 2])))
cos_arr[count] += cos
count += 1
cos_arr = cos_arr * 0.8
dis = cos_arr + dis
population.FitnV[:, 0] = np.argsort(np.lexsort(np.array([dis,
-levels])),
kind='mergesort') # 计算适应度
chooseFlag = ea.selecting('dup', population.FitnV,
NUM) # 调用低级选择算子dup进行基于适应度排序的选择，保留NUM个个体
return population[chooseFlag]
def updateNDSet(self, population, globalNDSet=None):
"""
描述:
更新globalNDSet。
"""
if globalNDSet is None:
globalNDSet = population
else:
globalNDSet = population + globalNDSet # 将population与全局归档集合并
if globalNDSet.CV is not None: # CV不为None说明有设置约束条件
globalNDSet = globalNDSet[np.where(np.all(globalNDSet.CV <= 0, 1))[0]] # 排除非可行解
if globalNDSet.sizes != 0:
[levels, criLevel] = ea.ndsortDED(globalNDSet.ObjV, None, None, globalNDSet.CV,
self.problem.maxormins) # 非支配排序
globalNDSet = globalNDSet[np.where(levels == 1)[0]]
if globalNDSet.sizes > self.MAXSIZE:
dis = ea.crowdis(globalNDSet.ObjV, np.ones(globalNDSet.sizes)) # 计算拥挤距离
globalNDSet = globalNDSet[np.argsort(-dis)[:self.MAXSIZE]] # 根据拥挤距离选择符合个数限制的解保留在存档中
return globalNDSet
def calFitnV(self, population, NUM):
#输入population,NUM数
"""
描述:
计算种群个体的适应度
算法:
先对所需个体进行非支配排序分级，然后对所有个体进行拥挤度计算，最后先让处于较前帕累托分层的
个体得到较高的适应度，对于同一层，则让拥挤距离大的个体得到较高的适应度
输出参数:
FitnV : array - 种群个体的适应度列向量
"""
#ndSortESS函数中接收的变量为ObjV,目标函数，要乘以优化方向值//needNUM需要对多少个体进行分级//需要划分到多少层//CV约束矩阵
[levels,
criLevel] = self.ndSort(self.problem.maxormins * population.ObjV, NUM,
None, population.CV) # 对NUM个个体进行非支配分层
#返回levels:array行向量//代表种群个体的非支配排序分级，rank
#criLevel表示临界层所在层数，加上本层后排序总数目超过了needNum
dis = ea.crowdis(population.ObjV, levels) # 计算拥挤距离
FitnV = np.array([
np.argsort(np.lexsort(np.array([dis, -levels])), kind='mergesort')
]).T # 计算适应度
return FitnV