def main(con:Configuration):
"""================================实例化问题对象==========================="""
problem = MyProblem(con) # 生成问题对象
"""==================================种群设置==============================="""
Encoding = 'RI' # 编码方式
#NIND = 30 # 种群规模
NIND=con.NIND
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_DE_rand_1_L_templet(problem, population) # 实例化一个算法模板对象
#myAlgorithm.MAXGEN = 200 # 最大进化代数
myAlgorithm.MAXGEN=con.MAXGEN
myAlgorithm.mutOper.F = 0.5 # 差分进化中的参数F
myAlgorithm.recOper.XOVR = 0.7 # 重组概率
myAlgorithm.drawing=0 # 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
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('最优的决策变量值为：')
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))
print('评价次数：%s'%(myAlgorithm.evalsNum))
print('实际评价次数：%s'%(problem.fitfun.count))
print('时间已过 %s 秒'%(myAlgorithm.passTime))
"""
with open("performance.csv", "a", newline='') as csvfile2:
writer = csv.writer(csvfile2)
writer.writerow([con.function + ' based on ' + con.mode, problem.fitfun.count, myAlgorithm.passTime])
"""
"""
"""
# 保存每一代信息
with open(con.function + ' based on ' + con.mode + ".csv", "a", newline='') as csvfile:
writer = csv.writer(csvfile)
for index in range(len(problem.fitnessvalue)): # not tested
writer.writerow([str(index), int(problem.fitnessvalue[index])])
print(con.function + ' based on ' + con.mode + ' is done.')
problem = MyProblem() # 生成问题对象
"""==================================种群设置==============================="""
Encoding = 'RI' # 编码方式
NIND = 100 # 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_DE_rand_1_L_templet(problem,
population) # 实例化一个算法模板对象
myAlgorithm.MAXGEN = 500 # 最大进化代数
myAlgorithm.mutOper.F = 0.5 # 差分进化中的参数F
myAlgorithm.recOper.XOVR = 0.7 # 重组概率
"""===========================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
# -*- coding: utf-8 -*-
from MyProblem import MyProblem # 导入自定义问题接口
import geatpy as ea # import geatpy
"""
该案例展示了一个利用单目标进化算法实现句子匹配的应用实例。问题的定义详见MyProblem.py。
"""
if __name__ == '__main__':
# 实例化问题对象
problem = MyProblem()
# 快速构建算法
algorithm = ea.soea_DE_rand_1_L_templet(
problem,
ea.Population(Encoding='RI', NIND=50),
MAXGEN=2000, # 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。
# 求解
res = ea.optimize(algorithm,
verbose=True,
drawing=1,
outputMsg=False,
drawLog=False,
saveFlag=True)
print('最佳目标函数值：%s' % res['ObjV'][0][0])
print('搜索到的句子为：')
for num in res['Vars'][0, :]:
print(chr(int(num)), end='')
