def initChrom(self, NIND=None):
"""
描述: 初始化种群染色体矩阵，NIND为所需要的个体数，并返回一个新的种群对象。
NIND可缺省，不缺省时，种群在初始化染色体矩阵前会把种群规模调整为NIND。
"""
if NIND is not None:
self.sizes = NIND # 重新设置种群规模
self.Chrom = ea.crtpc(self.Encoding, self.sizes, self.Field) # 生成染色体矩阵
self.ObjV = None
self.FitnV = np.ones((self.sizes, 1))
self.CV = np.zeros((self.sizes, 1))
self.Phen = self.decoding() # 解码
def initChrom(self, NIND=None):
"""
描述: 初始化种群染色体矩阵，NIND为所需要的个体数。
NIND可缺省，不缺省时，种群在初始化染色体矩阵前会把种群规模调整为NIND。
"""
if NIND is not None:
self.sizes = NIND # 重新设置种群规模
self.Chrom = ea.crtpc(self.Encoding, self.sizes, self.Field) # 生成染色体矩阵
self.Lind = self.Chrom.shape[1] # 计算染色体的长度
self.ObjV = None
self.FitnV = None
self.CV = None
def initChrom(self, NIND=None):
"""
描述: 初始化种群染色体矩阵，NIND为所需要的个体数。
NIND可缺省，不缺省时，种群在初始化染色体矩阵前会把种群规模调整为NIND。
"""
if NIND is not None:
self.sizes = NIND # 重新设置种群规模
# 遍历各染色体矩阵进行初始化
for i in range(self.ChromNum):
self.Chroms[i] = ea.crtpc(self.Encodings[i], self.sizes,
self.Fields[i]) # 生成染色体矩阵
self.ObjV = None
self.FitnV = np.ones((self.sizes, 1))
self.CV = np.zeros((self.sizes, 1))
self.Phen = self.decoding() # 解码
def initChrom(self, NIND=None):
"""
描述: 初始化种群染色体矩阵，NIND为所需要的个体数。
NIND可缺省，不缺省时，种群在初始化染色体矩阵前会把种群规模调整为NIND。
"""
if NIND is not None:
self.sizes = NIND # 重新设置种群规模
# 遍历各染色体矩阵进行初始化
for i in range(self.ChromNum):
self.Chroms[i] = ea.crtpc(self.Encodings[i], self.sizes,
self.Fields[i]) # 生成染色体矩阵
self.Linds.append(self.Chroms[i].shape[1]) # 计算染色体的长度
self.ObjV = None
self.FitnV = np.ones((self.sizes, 1)) # 默认适应度全为1
self.CV = None
def initChrom(self, NIND=None):
"""
描述: 初始化种群染色体矩阵。
输入参数:
NIND : int - (可选参数)用于修改种群规模。
当其不缺省时，种群在初始化染色体矩阵前会把种群规模调整为NIND。
输出参数:
无输出参数。
"""
if NIND is not None:
self.sizes = NIND # 重新设置种群规模
self.Chrom = ea.crtpc(self.Encoding, self.sizes, self.Field) # 生成染色体矩阵
self.Lind = self.Chrom.shape[1] # 计算染色体的长度
self.ObjV = None
self.FitnV = None
self.CV = None
NIND = 100
# 种群个体数目
Encoding = 'BG'
MAXGEN = 70 # 最大遗传代数
maxormins = [-1] # 列表元素为1则表示对应的目标函数是最小化，元素为-1则表示对应的目标函数是最大化
selectStyle = 'rws' # 采用轮盘赌选择
recStyle = 'xovdp' # 采用两点交叉
mutStyle = 'mutbin' # 采用二进制染色体的变异算子
Lind = 64 # 计算染色体长度
pc = 0.9 # 交叉概率
pm = 1 / Lind # 变异概率
obj_trace = np.zeros((MAXGEN, 2)) # 定义目标函数值记录器
var_trace = np.zeros((MAXGEN, Lind)) # 染色体记录器，记录历代最优个体的染色体
"""=========================开始遗传算法进化========================"""
start_time = time.time() # 开始计时
Chrom = ea.crtpc(Encoding, NIND, FieldD) # 生成种群染色体矩阵
help(ea.ranking)
for gen in range(MAXGEN):
Phen = ea.bs2real(Chrom, FieldD) # 对种群进行解码(二进制转十进制)
ObjV, CV = aim(Phen) # 求种群个体的目标函数值
FitnV = ea.ranking(maxormins * ObjV, CV) # 根据目标函数大小分配适应度值
# 记录
best_ind = np.argmax(FitnV) # 计算当代最优个体的序号
obj_trace[gen, 0] = np.sum(ObjV) / ObjV.shape[0] # 记录当代种群的目标函数均值
obj_trace[gen, 1] = ObjV[best_ind] # 记录当代种群最优个体目标函数值
var_trace[gen, :] = Chrom[best_ind, :] # 记录当代种群最优个体的染色体
SelCh = Chrom[ea.selecting(selectStyle, FitnV, NIND - 1), :] # 选择
NIND = 700
# 种群个体数目
MAXGEN = 70
# 最大遗传代数
GGAP = 0.9
# 代沟：说明子代与父代的重复率为0.1
PM = 1
#整条染色体的变异概率(每一位的变异概率=pm/染色体长度)
selectStyle = 'sus' #采用随机抽样选择
recStyle = 'xovdp' #采用两点交叉
mutStyle = 'mutbin' #采用二进制染色体的变异算子
"""=========================开始遗传算法进化========================"""
FieldD = ga.crtfld(encoding, varTypes, ranges, borders, precisions, codes,
scales) # 调用函数创建区域描述器
Lind = int(np.sum(FieldD[0, :])) # 计算编码后的染色体长度
Chrom = ga.crtpc(encoding, NIND, FieldD) # 根据区域描述器生成二进制种群
variable = ga.bs2real(Chrom, FieldD) #对初始种群进行解码
ObjV = aim(variable) # 计算初始种群个体的目标函数值
pop_trace = (np.zeros((MAXGEN, 2)) * np.nan) # 定义进化记录器，初始值为nan
ind_trace = (np.zeros(
(MAXGEN, Lind)) * np.nan) # 定义种群最优个体记录器，记录每一代最优个体的染色体，初始值为nan
# 开始进化！！
for gen in range(MAXGEN):
FitnV = ga.ranking(-ObjV) # 根据目标函数大小分配适应度值(由于遵循目标最小化约定，因此最大化问题要对目标函数值乘上-1)
SelCh = Chrom[ga.selecting(selectStyle, FitnV,
NIND - 1)] # 选择，采用'sus'随机抽样选择
SelCh = ga.recombin(recStyle, SelCh, GGAP) # 重组(采用单点交叉方式，交叉概率为0.7)
SelCh = ga.mutate(mutStyle, encoding, SelCh, PM) # 二进制种群变异
variable = ga.bs2real(Chrom, FieldD) # 对育种种群进行解码(二进制转十进制)
ObjVSel = aim(variable) # 求育种个体的目标函数值
# 记录
def main():
"""============================变量设置============================"""
x1 = [50, 100] # 第一个决策变量范围
x2 = [50, 100] # 第二个决策变量范围
x3 = [50, 100]
x4 = [50, 100]
x5 = [50, 100]
x6 = [50, 100]
x7 = [50, 100]
x8 = [50, 100]
x9 = [50, 100]
x10 = [50, 100]
b1 = [1, 1] # 第一个决策变量边界，1表示包含范围的边界，0表示不包含
b2 = [1, 1] # 第二个决策变量边界，1表示包含范围的边界，0表示不包含
b3 = [1, 1]
b4 = [1, 1]
b5 = [1, 1]
b6 = [1, 1]
b7 = [1, 1]
b8 = [1, 1]
b9 = [1, 1]
b10 = [1, 1]
ranges = np.vstack([x1, x2, x3, x4, x5, x6, x7, x8, x9,
x10]).T # 生成自变量的范围矩阵，使得第一行为所有决策变量的下界，第二行为上界
borders = np.vstack([b1, b2, b3, b4, b5, b6, b7, b8, b9,
b10]).T # 生成自变量的边界矩阵
varTypes = np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0]) # 决策变量的类型，0表示连续，1表示离散
"""==========================染色体编码设置========================="""
Encoding = 'BG' # 'BG'表示采用二进制/格雷编码
codes = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0] # 决策变量的编码方式，设置两个0表示两个决策变量均使用二进制编码
precisions = [4, 4, 4, 4, 4, 4, 4, 4, 4,
4] # 决策变量的编码精度，表示二进制编码串解码后能表示的决策变量的精度可达到小数点后6位
scales = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0] # 0表示采用算术刻度，1表示采用对数刻度
FieldD = ea.crtfld(Encoding, varTypes, ranges, borders, precisions, codes,
scales) # 调用函数创建译码矩阵
"""=========================遗传算法参数设置========================"""
NIND = 30 # 种群个体数目
MAXGEN = 30 # 最大遗传代数
maxormins = [1] # 列表元素为1则表示对应的目标函数是最小化，元素为-1则表示对应的目标函数是最大化
selectStyle = 'rws' # 采用轮盘赌选择
recStyle = 'xovdp' # 采用两点交叉
mutStyle = 'mutbin' # 采用二进制染色体的变异算子
pc = 0.7 # 交叉概率
pm = 1 # 整条染色体的变异概率（每一位的变异概率=pm/染色体长度）
Lind = int(np.sum(FieldD[0, :])) # 计算染色体长度
obj_trace = np.zeros((MAXGEN, 2)) # 定义目标函数值记录器
var_trace = np.zeros((MAXGEN, Lind)) # 染色体记录器，记录历代最优个体的染色体
"""=========================开始遗传算法进化========================"""
start_time = time.time() # 开始计时
Chrom = ea.crtpc(Encoding, NIND, FieldD) # 生成种群染色体矩阵
variable = ea.bs2real(Chrom, FieldD) # 对初始种群进行解码
ObjV = minfun(variable) # 计算初始种群个体的目标函数值
FitnV = ea.ranking(maxormins * ObjV) # 根据目标函数大小分配适应度值
best_ind = np.argmax(FitnV) # 计算当代最优个体的序号
# 开始进化
for gen in range(MAXGEN):
print(gen)
SelCh = Chrom[ea.selecting(selectStyle, FitnV, NIND - 1), :] # 选择
SelCh = ea.recombin(recStyle, SelCh, pc) # 重组
SelCh = ea.mutate(mutStyle, Encoding, SelCh, pm) # 变异
# 把父代精英个体与子代的染色体进行合并，得到新一代种群
Chrom = np.vstack([Chrom[best_ind, :], SelCh])
Phen = ea.bs2real(Chrom, FieldD) # 对种群进行解码(二进制转十进制)
print(Phen)
ObjV = minfun(Phen) # 求种群个体的目标函数值
FitnV = ea.ranking(maxormins * ObjV) # 根据目标函数大小分配适应度值
# 记录
best_ind = np.argmax(FitnV) # 计算当代最优个体的序号
obj_trace[gen, 0] = np.sum(ObjV) / ObjV.shape[0] # 记录当代种群的目标函数均值
obj_trace[gen, 1] = ObjV[best_ind] # 记录当代种群最优个体目标函数值
var_trace[gen, :] = Chrom[best_ind, :] # 记录当代种群最优个体的染色体
print(best_ind)
# 进化完成
end_time = time.time() # 结束计时
ea.trcplot(obj_trace, [['种群个体平均目标函数值', '种群最优个体目标函数值']]) # 绘制图像
"""============================输出结果============================"""
best_gen = np.argmin(obj_trace[:, [1]])
print('最优解的目标函数值：', obj_trace[best_gen, 1])
variable = ea.bs2real(var_trace[[best_gen], :],
FieldD) # 解码得到表现型（即对应的决策变量值）
print('最优解的决策变量值为：')
print(variable)
print('用时：', end_time - start_time, '秒')
FieldD = ea.crtfld(Encoding, varTypess, ranges, borders, precisions, codes,
scales)
NIND = 20
MAXGEN = 100
maxorins = np.array([1])
selectStyle = 'sus'
recStyle = 'xovdp'
mutStyle = 'mutbin'
Lind = int(np.sum(FieldD[0, :]))
pc = 0.9
pm = 1 / Lind
obj_trace = np.zeros((MAXGEN, 2))
var_trace = np.zeros((MAXGEN, Lind))
start_time = time.time()
Chrom = ea.crtpc(Encoding, NIND, FieldD)
variable = ea.bs2real(Chrom, FieldD)
ObjV = aim(variable)
best_ind = np.argmin(ObjV)
for gen in range(MAXGEN):
FitnV = ea.ranking(maxorins * ObjV)
SelCh = Chrom[ea.selecting(selectStyle, FitnV, NIND - 1), :]
SelCh = ea.recombin(recStyle, SelCh, pc)
SelCh = ea.mutate(mutStyle, Encoding, SelCh, pm)
Chrom = np.vstack([Chrom[best_ind, :], SelCh])
Phen = ea.bs2real(Chrom, FieldD)
ObjV = aim(Phen)
best_ind = np.argmin(ObjV)
obj_trace[gen, 0] = np.sum(ObjV) / ObjV.shape[0]
obj_trace[gen, 1] = ObjV[best_ind]
import numpy as np
from geatpy import crtpc
from geatpy import bs2ri
# help(crtpc)
Nind = 4 # 种群规模
Encoding = 'RI' # 实整数编码
FieldDR = np.array([
[-3.1, -2, 0, 3], # 下界
[4.2, 2, 1, 5], # 上界
[0, 0, 1, 1]
]) # 0-连续 1-离散
Chrom = crtpc(Encoding, Nind, FieldDR)
print(Chrom)
# 使用二进制编码染色体
Nind = 4
Encoding = 'BG'
FieldD = np.array([
[3, 2], # 各决策变量编码后所占二进制位数--与决策变量范围以及精度相关，染色体长度为求和所得
[0, 0], # 下界
[7, 3], # 上界
[1, 1], # 编码方式 0--二进制 1--格雷码
[0, 0], # 是否采用对数刻度 0--算术刻度 1--对数刻度
[1, 1], # 范围是否包含下界 0--不含 1--包含
[1, 1], # 范围是否包含上界 0--不含 1--包含
[0, 0]
]) # 0--连续 1--离散
Chrom = crtpc(Encoding, Nind, FieldD)
print(Chrom)
