def train(modelName, dim, maxIter):
"""训练"""
# logger.info("{}-GAMain-train-{}".format('*'*25, '*'*25))
problem = MyProblem(modelName)
NIND = dim # 种群规模
Encoding = 'RI' # 实整数编码
Field = ea.crtfld(Encoding, problem.varTypes, problem.ranges,
problem.borders)
population = ea.Population(Encoding, Field, NIND)
myAlgorithm = ea.soea_SEGA_templet(problem, population)
myAlgorithm.MAXGEN = maxIter # 最大进化代数
myAlgorithm.drawing = 1
[population, obj_trace, var_trace] = myAlgorithm.run()
population.save(printHandler=logger.info)
# 输出结果
best_gen = np.argmin(problem.maxormins * obj_trace[:, 1]) # 记录最优种群个体是在哪一代
best_ObjV = obj_trace[best_gen, 1]
logger.info('最优的目标函数值为：%s' % (best_ObjV))
logger.info('最优的控制变量值为：')
for i in range(var_trace.shape[1]):
logger.info(var_trace[best_gen, i])
logger.info('有效进化代数：%s' % (obj_trace.shape[0]))
logger.info('最优的一代是第 %s 代' % (best_gen + 1))
logger.info('评价次数：%s' % (myAlgorithm.evalsNum))
logger.info('时间已过 %s 秒' % (myAlgorithm.passTime))
def main(aim, n, Dim, phase):
start = time.perf_counter()
"""===============================实例化问题对象==========================="""
PoolType = 'Thread'
problem = MyProblem_multiprocess(aim, n, Dim, phase, PoolType) # 生成问题对象
"""=================================种群设置==============================="""
Encoding = 'RI' # 编码方式
NIND = 300 # 种群规模
Field = ea.crtfld(Encoding, problem.varTypes, problem.ranges,
problem.borders) # 创建区域描述器
population = ea.Population(Encoding, Field,
NIND) # 实例化种群对象（此时种群还没被初始化，仅仅是完成种群对象的实例化）
"""===============================算法参数设置============================="""
myAlgorithm = ea.soea_SEGA_templet(problem, population) # 实例化一个算法模板对象
# myAlgorithm.mutOper.Pm = 1 # 修改变异算子的变异概率(原模板中breeder GA变异算子的Pm定义为1 / Dim)
# myAlgorithm.recOper.XOVR = 0.9 # 修改交叉算子的交叉概率
myAlgorithm.MAXGEN = 15 # 最大进化代数
myAlgorithm.trappedValue = 1e-6 # “进化停滞”判断阈值
myAlgorithm.maxTrappedCount = 10 # 进化停滞计数器最大上限值，如果连续maxTrappedCount代被判定进化陷入停滞，则终止进化
myAlgorithm.drawing = 2 # 设置绘图方式（0：不绘图；1：绘制结果图；2：绘制目标空间过程动画；3：绘制决策空间过程动画）
"""==========================调用算法模板进行种群进化======================="""
[population, obj_trace, var_trace] = myAlgorithm.run() # 执行算法模板
population.save() # 把最后一代种群的信息保存到文件中
# 输出结果
best_gen = np.argmin(problem.maxormins * obj_trace[:, 1]) # 记录最优种群个体是在哪一代
best_ObjV = obj_trace[best_gen, 1]
print('最优的目标函数值为：%.8smm' % (best_ObjV))
if phase == None:
phase = [0] + [i * 10 for i in var_trace[best_gen, :]] # 第一次算出的所有相位值
res = aim.bias_n_li_fast(phase)
find_index = np.where(max(res[n + 1:, 0]) == res[
n + 1:,
0])[0][0] + 1 # 第一次最大偏心值的索引位置（此处res内的n+1和最后面的+1表示：不考虑第一级，整体向后偏移一位）
else:
phase = phase + [i * 10
for i in var_trace[best_gen, :]] # 所有相位值(后续几级相位值有更新)
res = aim.bias_n_li_fast(phase)
find_index = np.where(max(res[n:, 0]) == res[n:,
0])[0][0] # 每次的最大偏心值的索引位置
print('所在位置及相位偏斜角为：第%s级零件末端; %.8s°' %
(find_index + 1 + n, res[find_index + n, 1]))
if n == 0:
for i in range(len(phase)):
print('第%s级相位、偏心值及相位偏斜角为：%s°; %.8smm; %.8s°' %
(i + 1, phase[i], res[i, 0], res[i, 1]))
else:
for i in range(var_trace.shape[1]):
print('第%s级相位、偏心值及相位偏斜角为：%s°; %.8smm; %.8s°' %
(i + (n + 1), phase[i + n], res[i + n, 0], res[i + n, 1]))
print('有效进化代数：%s' % (obj_trace.shape[0]))
print('最优的一代是第 %s 代' % (best_gen + 1))
print('评价次数：%s' % (myAlgorithm.evalsNum))
# print('时间已过 %s 分 %.8s 秒' % (int(myAlgorithm.passTime // 60), myAlgorithm.passTime % 60))
n = n + int(
(find_index + 1)) # 计算累计固定好的级数(此处find_index类型为int64,改为int类型防止后面报错！)
end = time.perf_counter()
print(f'时间已过 {int((end - start) // 60)} 分 {(end - start) % 60:.8f} 秒')
return myAlgorithm, obj_trace, var_trace, best_gen, best_ObjV, phase, res, n
def opti_function(nind, maxgen, X_train, Y_train, n_fidelity, fullname_temp,
feature, wlcb, fre_E, d_x, bounds):
gol.set_map("feature", feature)
gol.set_map("wlcb", wlcb)
gol.set_map("fre_E", fre_E)
gol.set_map("d_x", d_x)
gol.set_map("bounds", bounds)
# from function_nonlinmodel import variable_model
variable_model(X_train, Y_train, n_fidelity, fullname_temp)
# 实例化问题对象
problem = MyProblem() # 生成问题对象
# 种群设置
Encoding = 'BG' # 编码方式
NIND = nind # 种群规模
Field = ea.crtfld(Encoding, problem.varTypes, problem.ranges,
problem.borders) # 创建区域描述器
population = ea.Population(Encoding, Field,
NIND) # 实例化种群对象（此时种群还没被初始化，仅仅是完成种群对象的实例化）
# 算法参数设置
myAlgorithm = ea.soea_SEGA_templet(problem, population) # 实例化一个算法模板对象
myAlgorithm.MAXGEN = maxgen # 最大进化代数
myAlgorithm.drawing = 0 # 不画图
# 调用算法模板进行种群进化
[population, obj_trace, var_trace] = myAlgorithm.run() # 执行算法模板
population.save() # 把最后一代种群的信息保存到文件中
# 输出结果
best_gen = np.argmin(problem.maxormins * obj_trace[:, 1]) # 记录最优种群个体是在哪一代
best_ObjV = obj_trace[best_gen, 1]
'''# 遗传算法画图
try:
plt.close("Ga 1")
plt.ion()
plt.figure("Ga 1")
plt.plot(obj_trace[:, 0], lw=3, label='Average objective function value')
plt.plot(obj_trace[:, 1], lw=3, label='Optimal objective function value')
# plt.grid(True)
plt.legend(loc=0) # 图例位置自动
plt.xlabel('Number of Generation')
plt.ylabel('Value')
plt.title('objective function value')
plt.draw()
except:
plt.ion()
plt.figure("Ga 1")
plt.plot(obj_trace[:, 0], lw=3, label='Average objective function value')
plt.plot(obj_trace[:, 1], lw=3, label='Optimal objective function value')
# plt.grid(True)
plt.legend(loc=0) # 图例位置自动
# plt.axis('tight')
plt.xlabel('Number of Generation')
plt.ylabel('Value')
plt.title('objective function value')
plt.draw()'''
return var_trace[best_gen, :].reshape(1, -1), best_ObjV
def geatpy_optimizer(func, Dim, lb, ub, n_group, n_iter, pco, pm, seed):
""" 定义优化问题
"""
# 随机数种子设置
np.random.seed(seed=seed)
"""===============================实例化问题对象==========================="""
problem = MyProblem(func, Dim, lb, ub, n_group) # 生成问题对象
"""=================================种群设置=============================="""
Encoding = 'BG' # 编码方式
NIND = n_group # 种群规模
Field = ea.crtfld(Encoding, problem.varTypes, problem.ranges, problem.borders) # 创建区域描述器
population = ea.Population(Encoding, Field, NIND) # 实例化种群对象（此时种群还没被初始化，仅仅是完成种群对象的实例化）
"""===============================算法参数设置============================="""
myAlgorithm = ea.soea_SEGA_templet(problem, population) # 实例化一个算法模板对象
myAlgorithm.MAXGEN = n_iter # 最大进化代数
myAlgorithm.recOper.XOVR = pco # 设置交叉概率
myAlgorithm.mutOper.Pm = pm # 设置变异概率
myAlgorithm.logTras = 1 # 设置每隔多少代记录日志，若设置成0则表示不记录日志
myAlgorithm.verbose = True # 设置是否打印输出日志信息
myAlgorithm.drawing = 0 # 设置绘图方式（0：不绘图；1：绘制结果图；2：绘制目标空间过程动画；3：绘制决策空间过程动画）
"""==========================调用算法模板进行种群进化========================"""
[BestIndi, population] = myAlgorithm.run() # 执行算法模板，得到最优个体以及最后一代种群
# 保留前5个最优的解
# top_five_index = np.argsort(population.ObjV * problem.maxormins, axis=0)[:5]
# top_five_pop = population[top_five_index]
BestIndi.save() # 把最优个体的信息保存到文件中
"""=================================输出结果=============================="""
print('评价次数：%s' % myAlgorithm.evalsNum)
print('时间已过 %s 秒' % myAlgorithm.passTime)
if BestIndi.sizes != 0:
print('最优的目标函数值为：%s' % BestIndi.ObjV[0][0])
print('最优的控制变量值为：')
for i in range(BestIndi.Phen.shape[1]):
print(BestIndi.Phen[0, i])
else:
print('没找到可行解。')
return myAlgorithm, population
def geat_method(dist, NIND=500, Encoding='P', MAXGEN=300, XOVR=0.2, Pm=0.5):
'''NIND:种群规模
Encoding:编码方式
MAXGEN：最大进化代数
XOVR:交叉算子
Pm：变异算子'''
problem = MyProblem(dist) # 生成问题对象
"""=================================种群设置================================="""
Field = ea.crtfld(Encoding, problem.varTypes, problem.ranges,
problem.borders) # 创建区域描述器
population = ea.Population(Encoding, Field,
NIND) # 实例化种群对象（此时种群还没被初始化，仅仅是完成种群对象的实例化）
"""===============================算法参数设置==============================="""
myAlgorithm = ea.soea_SEGA_templet(problem, population) # 实例化一个算法模板对象
myAlgorithm.MAXGEN = MAXGEN # 最大进化代数
myAlgorithm.recOper = ea.Xovox(XOVR=XOVR) # 设置交叉算子
myAlgorithm.mutOper = ea.Mutinv(Pm=Pm) # 设置变异算子
myAlgorithm.drawing = 1 # 设置绘图方式（0：不绘图；1：绘制结果图；2：绘制过程动画）
"""==========================调用算法模板进行种群进化=========================="""
[population, obj_trace,
var_trace] = myAlgorithm.run() # 执行算法模板，得到最后一代种群以及进化记录器
population.save() # 把最后一代种群的信息保存到文件中
# 输出结果
best_gen = np.argmin(obj_trace[:, 1]) # 记录最优种群是在哪一代
best_ObjV = np.min(obj_trace[:, 1])
print('最短路程为：%s' % (best_ObjV))
print('最佳路线为：')
best_journey, edges = problem.decode(var_trace[best_gen, :])
print(best_journey)
for i in range(len(best_journey)):
print(int(best_journey[i]), end=' ')
print()
print('有效进化代数：%s' % (obj_trace.shape[0]))
print('最优的一代是第 %s 代' % (best_gen + 1))
print('评价次数：%s' % (myAlgorithm.evalsNum))
print('时间已过 %s 秒' % (myAlgorithm.passTime))
info = ["Geat Method", str(MAXGEN) + " times", str(int(best_ObjV)) + " Km"]
return best_journey, info, myAlgorithm.passTime
import numpy as np
"""==================================实例化问题对象================================"""
problemName = 'Rastrigrin' # 问题名称
fileName = problemName # 这里因为目标函数写在与之同名的文件里，所以文件名也是问题名称
MyProblem = getattr(__import__(fileName), problemName) # 获得自定义问题类
problem = MyProblem(30) # 生成问题对象
"""==================================种群设置================================"""
Encoding = 'RI' # 编码方式
NIND = 100 # 种群规模
precisions = [50] * problem.Dim # 编码精度（适用于二进制/格雷编码）
Field = ea.crtfld(Encoding, problem.varTypes, problem.ranges, problem.borders,
precisions) # 创建区域描述器
population = ea.Population(Encoding, Field,
NIND) # 实例化种群对象（此时种群还没被初始化，仅仅是完成种群对象的实例化）
"""==================================算法参数设置================================"""
myAlgorithm = ea.soea_SEGA_templet(problem, population) # 实例化一个算法模板对象
myAlgorithm.MAXGEN = 1000 # 最大进化代数
myAlgorithm.drawing = 1 # 设置绘图方式（0：不绘图；1：绘制结果图；2：绘制过程动画）
"""=======================调用算法模板进行种群进化=============================="""
[population, obj_trace,
var_trace] = myAlgorithm.run() # 执行算法模板，得到最后一代种群以及进化记录器
population.save() # 把最后一代种群的信息保存到文件中
# 输出结果
best_gen = np.argmin(obj_trace[:, 1]) # 记录最优种群是在哪一代
best_ObjV = np.min(obj_trace[:, 1])
print('最优的目标函数值为：%s' % (best_ObjV))
print('最优的控制变量值为：')
for i in range(var_trace.shape[1]):
print(var_trace[best_gen, i])
print('有效进化代数：%s' % (obj_trace.shape[0]))
print('最优的一代是第 %s 代' % (best_gen + 1))
x1 = Vars[i, 0]
x2 = Vars[i, 1]
CV.append(np.array([(x1 - 0.5)**2 - 0.25, (x2 - 1)**2 - 1]))
return np.vstack(f), np.vstack(CV) # 返回目标函数值矩阵和违反约束程度矩阵
problem = ea.Problem(
name='soea quick start demo',
M=1, # 目标维数
maxormins=[1], # 目标最小最大化标记列表，1：最小化该目标；-1：最大化该目标
Dim=5, # 决策变量维数
varTypes=[0, 0, 1, 1, 1], # 决策变量的类型列表，0：实数；1：整数
lb=[-1, 1, 2, 1, 0], # 决策变量下界
ub=[1, 4, 5, 2, 1], # 决策变量上界
evalVars=evalVars)
# 构建算法
algorithm = ea.soea_SEGA_templet(
problem,
ea.Population(Encoding='RI', NIND=20),
MAXGEN=50, # 最大进化代数。
logTras=1, # 表示每隔多少代记录一次日志信息，0表示不记录。
trappedValue=1e-6, # 单目标优化陷入停滞的判断阈值。
maxTrappedCount=10) # 进化停滞计数器最大上限值。
# 求解
res = ea.optimize(algorithm,
verbose=True,
drawing=1,
outputMsg=True,
drawLog=False,
saveFlag=True)
print(res)
def optimize(datasetX, datasetY, featureNamesAfterCombination,
featureOptimizationParams, datasetParams,
forecastModelParams):
featureNamesAfterOptimization = []
featureOptimizationProcess = None
isPerformOptimization = featureOptimizationParams[
"isPerformOptimization"]
if isPerformOptimization:
dim = len(featureNamesAfterCombination)
problem = FeatureOptimizationProblem(datasetX, datasetY,
featureNamesAfterCombination,
datasetParams,
forecastModelParams)
encoding = 'RI'
popNum = 10
field = ea.crtfld(encoding, problem.varTypes, problem.ranges,
problem.borders)
pop = ea.Population(encoding, field, popNum)
if dim < 7:
# 维度不高时采用穷举
Phen = []
for i in range(1, pow(2, dim)):
numStr = MathNormalUtils.toBinaryWithFixedLength(i, dim)
numArray = list(map(int, numStr))
Phen.append(numArray)
# 受维数灾影响 随机优化5个特征组合
resultlist = random.sample(range(len(Phen)), 3)
Phen = np.array(Phen)
# Phen = Phen[resultlist, :]
pop.Phen = Phen
problem.aimFunc(pop)
objTrace, varTrace = pop.ObjV, pop.Phen
objTrace = NumpyUtils.hStackByCutHead(objTrace, objTrace)
else:
algorithm = ea.soea_SEGA_templet(problem, pop)
# 算法最大进化代数
algorithm.MAXGEN = 10
# 0表示不绘图；1表示绘图；2表示动态绘图
algorithm.drawing = 1
[pop, objTrace, varTrace] = algorithm.run()
featureOptimizationProcess = {
"objTrace": objTrace,
"varTrace": varTrace
}
bestGen = np.argmin(problem.maxormins * objTrace[:, 1])
bestVar = varTrace[bestGen, :]
bestVar = [int(x) for x in bestVar]
bestVar = np.array(bestVar)
featureCombinationParams = {
"isPerformCombination": True,
"featureFlags": bestVar
}
featureCombination = FeatureCombination(
datasetX, datasetY, featureNamesAfterCombination,
featureCombinationParams)
datasetAfterOptimizationX, datasetAfterOptimizationY, featureNamesAfterOptimization = featureCombination.getDatasetAfterCombination(
)
else:
datasetAfterOptimizationX = datasetX
datasetAfterOptimizationY = datasetY
featureNamesAfterOptimization = featureNamesAfterCombination
dataset = Dataset(datasetAfterOptimizationX,
datasetAfterOptimizationY, datasetParams)
forecastTemplate = ForecastTemplate(dataset, forecastModelParams)
loss = forecastTemplate.getObjective()
if (datasetAfterOptimizationX is None) or (datasetAfterOptimizationY is
None):
raise Exception("特征优化中全部特征未被选取，请检查参数！")
return datasetAfterOptimizationX, datasetAfterOptimizationY, featureNamesAfterOptimization, featureOptimizationProcess
def each_brake(each_wait_list, L, W, brake_num, wait_list_num):
wait_list = each_wait_list
"""===============================实例化问题对象==========================="""
problem = MyProblem(wait_list, L, W) # 生成问题对象
"""=================================种群设置==============================="""
Encoding = 'P' # 编码方式
NIND = 6000 #4000,6000 种群规模
# ranges还是原来的，Field会在最后一行加上1
Field = ea.crtfld(Encoding, problem.varTypes, problem.ranges,
problem.borders) # 创建区域描述器
population = ea.Population(Encoding, Field,
NIND) # 实例化种群对象（此时种群还没被初始化，仅仅是完成种群对象的实例化）
"""===============================算法参数设置============================="""
myAlgorithm = ea.soea_SEGA_templet(problem,
population) # 实例化一个算法模板对象，单目标模板
# myAlgorithm=ea.moea_NSGA2_templet(problem, population) #多目模板
myAlgorithm.MAXGEN = 3 # 13 # 最大进化代数
# myAlgorithm.recOper = ea.Xovox(XOVR=0.8) # 设置交叉算子 __init__(self, XOVR=0.7, Half=False)
# myAlgorithm.mutOper = ea.Mutinv(Pm=0.2) # 设置变异算子
myAlgorithm.logTras = 1 # 设置每多少代记录日志，若设置成0则表示不记录日志
myAlgorithm.verbose = False # 设置是否打印输出日志信息
myAlgorithm.drawing = 0 # 设置绘图方式（0：不绘图；1：绘制结果图；2：绘制目标空间过程动画；3：绘制决策空间过程动画）
"""==========================调用算法模板进行种群进化======================="""
[population, obj_trace, var_trace] = myAlgorithm.run() # 执行算法模板
# population.save() # 把最后一代种群的信息保存到文件中
# 输出结果
best_gen = np.argmin(problem.maxormins * obj_trace[:, 1]) # 记录最优种群个体是在哪一代
best_ObjV = obj_trace[best_gen, 1]
# print('最优的目标函数值为：%s' % (best_ObjV))
# print('最优的控制变量值为：')
for i in range(var_trace.shape[1]): # (MAXGEN,Dim),进化的总代数和决策变量的维度
print(var_trace[best_gen, i])
best_sort_sequence = [int(each)
for each in var_trace[best_gen]] # (4000, 12)
#best_brake_seq={i:wait_list[i] for i in best_sort_sequence}
best_brake_seq = wait_list[best_sort_sequence]
#闸次原始顺序
brake_boat = quick_sort_brake(best_brake_seq, L, W)
# #将快速入闸的顺序，对应到最优选择的顺序
# brake_boat={best_sort_sequence[k]:v for k,v in brake_boat.items()}
#
# #将最优选择的顺序，对应到最原始的队列中的序号
# brake_boat={wait_list_num[k]:v for k,v in brake_boat.items()}
# N_e = len(brake_boat)
# plot_example(X, Y, li_e, wi_e, N_e,brake_num=brake_num)
best_use_rate = plot_save(brake_boat, brake_num)
print('plot finished')
# print('有效进化代数：%s' % (obj_trace.shape[0]))
# print('最优的一代是第 %s 代' % (best_gen + 1))
# print('评价次数：%s' % (myAlgorithm.evalsNum))
# print('时间已过 %s 秒' % (myAlgorithm.passTime))
return {
'brake_boat': brake_boat,
'best_sort_sequence': best_sort_sequence,
'best_use_rate': best_use_rate
}
def each_brake(each_wait_list,L,W):
def get_sqare_rate(in_brake_sort, L,W):
brake_boat=quick_sort_brake(in_brake_sort, L, W)
s=0
for k,v in brake_boat.items():
s=s+v[1][0]*v[1][1]
sqare_rate=s/(L*W)
return sqare_rate,brake_boat
wait_list=each_wait_list
"""===============================实例化问题对象==========================="""
problem = MyProblem(wait_list, L, W) # 生成问题对象
"""=================================种群设置==============================="""
Encoding = 'P' # 编码方式
NIND = 6000 # 种群规模
# ranges还是原来的，Field会在最后一行加上1
Field = ea.crtfld(Encoding, problem.varTypes, problem.ranges, problem.borders) # 创建区域描述器
population = ea.Population(Encoding, Field, NIND) # 实例化种群对象（此时种群还没被初始化，仅仅是完成种群对象的实例化）
"""===============================算法参数设置============================="""
myAlgorithm = ea.soea_SEGA_templet(problem, population) # 实例化一个算法模板对象，单目标模板
# myAlgorithm=ea.moea_NSGA2_templet(problem, population) #多目模板
myAlgorithm.MAXGEN = 15 # 13 # 最大进化代数
# myAlgorithm.recOper = ea.Xovox(XOVR=0.8) # 设置交叉算子 __init__(self, XOVR=0.7, Half=False)
# myAlgorithm.mutOper = ea.Mutinv(Pm=0.2) # 设置变异算子
myAlgorithm.logTras = 1 # 设置每多少代记录日志，若设置成0则表示不记录日志
myAlgorithm.verbose = True # 设置是否打印输出日志信息
myAlgorithm.drawing = 1 # 设置绘图方式（0：不绘图；1：绘制结果图；2：绘制目标空间过程动画；3：绘制决策空间过程动画）
"""==========================调用算法模板进行种群进化======================="""
[population, obj_trace, var_trace] = myAlgorithm.run() # 执行算法模板
population.save() # 把最后一代种群的信息保存到文件中
# 输出结果
best_gen = np.argmin(problem.maxormins * obj_trace[:, 1]) # 记录最优种群个体是在哪一代
best_ObjV = obj_trace[best_gen, 1]
print('最优的目标函数值为：%s' % (best_ObjV))
print('最优的控制变量值为：')
for i in range(var_trace.shape[1]): # (MAXGEN,Dim),进化的总代数和决策变量的维度
print(var_trace[best_gen, i])
best_sort_sequence = [int(each) for each in var_trace[best_gen]] # (4000, 12)
#best_brake_seq={i:wait_list[i] for i in best_sort_sequence}
# best_brake_seq = wait_list[best_sort_sequence]
# all_brake_boat = {}
# in_brake_sort = best_brake_seq
# sqare_rate,brake_boat=get_sqare_rate(in_brake_sort, L,W)
# brake_num=list(brake_boat.keys())
# brake_boat={best_sort_sequence[k]:v for k,v in brake_boat.items()}
# all_brake_boat[0]= {'brake_boat':brake_boat,'best_use_rate':sqare_rate}
# print('一闸最优解：组合={} \n 面积利用率={}'.format(brake_boat,sqare_rate))
#
# each2=np.delete(best_sort_sequence,brake_num,axis=0)
# in_brake_sort2=np.delete(in_brake_sort,brake_num,axis=0)
# if len(in_brake_sort2)>0:
# sqare_rate2,brake_boat2=get_sqare_rate(in_brake_sort2, L,W)
# brake_num2=list(brake_boat2.keys())
# #sqare_rate=sqare_rate+sqare_rate2
# brake_boat2={each2[k]:v for k,v in brake_boat2.items()}
# all_brake_boat[1] = {'brake_boat':brake_boat2,'best_use_rate':sqare_rate2}
# print('二闸最优解：组合={} \n 面积利用率={}'.format(brake_boat2,sqare_rate2))
#
# each3=np.delete(each2,brake_num2,axis=0)
# in_brake_sort3=np.delete(in_brake_sort2,brake_num2,axis=0)
# if len(in_brake_sort3)>0:
# sqare_rate3,brake_boat3=get_sqare_rate(in_brake_sort3, L,W)
# brake_num3=list(brake_boat3.keys())
#
# brake_boat3={each3[k]:v for k,v in brake_boat3.items()}
# all_brake_boat[2] = {'brake_boat':brake_boat3,'best_use_rate':sqare_rate3}#brake_boat3
# print('三闸最优解：组合={} \n 面积利用率={}'.format(brake_boat3,sqare_rate3))
# #sqare_rate=sqare_rate+sqare_rate3
# print('all_brake_boat00',all_brake_boat)
best_brake_seq = wait_list[best_sort_sequence]
all_brake_boat = {}
all_brake_times = 0
in_brake_sort = best_brake_seq
while True:
if len(in_brake_sort) > 0 and all_brake_times < 3:
sqare_rate, brake_boat = get_sqare_rate(in_brake_sort, L, W)
# 将闸室序号，映射到原始信号
brake_num = list(brake_boat.keys())
# 更新in_brake_sort
##each2=np.delete(each,brake_num,axis=0)
in_brake_sort = np.delete(in_brake_sort, brake_num, axis=0)
brake_boat = {best_sort_sequence[k]: v for k, v in brake_boat.items()}
best_sort_sequence = np.delete(best_sort_sequence, brake_num, axis=0)
all_brake_boat[all_brake_times] = {'brake_boat': brake_boat, 'best_use_rate': sqare_rate}
print('第{}闸最优解：组合={} \n 面积利用率={}'.format(all_brake_times, brake_boat, sqare_rate))
#绘制并保存图形
plot_save(brake_boat, all_brake_times)
all_brake_times = all_brake_times + 1
else:
break
print(' all_brake_boat11', all_brake_boat)
#brake_boat = quick_sort_brake(best_brake_seq, L, W)
##将快速入闸的顺序，对应到最优选择的顺序
#brake_boat={best_sort_sequence[k]:v for k,v in brake_boat.items()}
##将最优选择的顺序，对应到最原始的队列中的序号
#brake_boat={wait_list_num[k]:v for k,v in brake_boat.items()}
print('有效进化代数：%s' % (obj_trace.shape[0]))
print('最优的一代是第 %s 代' % (best_gen + 1))
print('评价次数：%s' % (myAlgorithm.evalsNum))
print('时间已过 %s 秒' % (myAlgorithm.passTime))
return all_brake_boat
# -*- coding: utf-8 -*-
import matplotlib.pyplot as plt
import numpy as np
from MyProblem import MyProblem # 导入自定义问题接口
import geatpy as ea # import geatpy
"""
该案例展示了一个带约束的单目标旅行商问题的求解。问题的定义详见MyProblem.py。
"""
if __name__ == '__main__':
# 实例化问题对象
problem = MyProblem()
# 构建算法
algorithm = ea.soea_SEGA_templet(
problem,
ea.Population(Encoding='P', NIND=50),
MAXGEN=200, # 最大进化代数
logTras=1) # 表示每隔多少代记录一次日志信息，0表示不记录。
algorithm.mutOper.Pm = 0.5 # 变异概率
# 求解
res = ea.optimize(algorithm,
verbose=True,
drawing=1,
outputMsg=True,
drawLog=False,
saveFlag=True)
# 绘制路线图
if res['success']:
print('最短路程为：%s' % res['ObjV'][0][0])
print('最佳路线为：')
best_journey = np.hstack([0, res['Vars'][0, :], 0])
