def multimin(AIM_M, AIM_F, NIND, NVAR, Base, MAXGEN, SUBPOP, GGAP, selectStyle, recombinStyle, recopt, pm, maxormin): """==========================初始化配置===========================""" # 获取目标函数和罚函数 aimfuc = getattr(AIM_M, AIM_F) # 获得目标函数 BaseV = ga.crtbase(NVAR, Base) """=========================开始遗传算法进化=======================""" Chrom = ga.crtbp(NIND, BaseV) # 创建简单离散种群 ObjV = aimfuc(Chrom) # 计算种群目标函数值 NDSet = np.zeros((0, Chrom.shape[1])) # 定义帕累托最优解集合(初始为空集) NDSetObjV = np.zeros((0, ObjV.shape[1])) # 定义帕累托最优解的目标函数值记录器 start_time = time.time() # 开始计时 # 开始进化!! for gen in range(MAXGEN): # 求种群的非支配个体以及基于被支配数的适应度 [FitnV, frontIdx] = ga.ndominfast(maxormin * ObjV) # 更新帕累托最优集以及种群非支配个体的适应度 [FitnV, NDSet, NDSetObjV, repnum] = ga.upNDSet(Chrom, maxormin * ObjV, FitnV, NDSet, maxormin * NDSetObjV, frontIdx) # 进行遗传操作!! SelCh = ga.selecting(selectStyle, Chrom, FitnV, GGAP, SUBPOP) # 选择 SelCh = ga.recombin(recombinStyle, SelCh, recopt, SUBPOP) #交叉 SelCh = ga.mut(SelCh, BaseV, pm) # 变异 ObjVSel = aimfuc(SelCh) # 求育种个体的目标函数值 # 求种群的非支配个体以及基于被支配数的适应度 [FitnVSel, frontIdx] = ga.ndominfast(maxormin * ObjVSel) [Chrom, ObjV] = ga.reins(Chrom, SelCh, SUBPOP, 1, 1, FitnV, FitnVSel, ObjV, ObjVSel) #重插入 end_time = time.time() # 结束计时 # 返回进化记录器、变量记录器以及执行时间 return [ObjV, NDSet, NDSetObjV, end_time - start_time]
scales = [0] # 采用算术刻度 ranges = np.vstack([x1]).T # 生成自变量的范围矩阵 borders = np.vstack([b1]).T # 生成自变量的边界矩阵 """=========================遗传算法参数设置=========================""" NIND = 40 # 种群个体数目 MAXGEN = 25 # 最大遗传代数 FieldD = ea.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 obj_trace = np.zeros((MAXGEN, 2)) # 定义目标函数值记录器 var_trace = np.zeros((MAXGEN, Lind)) # 定义染色体记录器,记录每一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.crtbp(NIND, Lind) # 生成种群染色体矩阵 variable = ea.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 best_ind = np.argmax(ObjV) # 计算当代最优个体的序号 # 开始进化 for gen in range(MAXGEN): FitnV = ea.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[ea.selecting('rws', FitnV, NIND - 1), :] # 选择,采用'rws'轮盘赌选择 SelCh = ea.recombin('xovsp', SelCh, 0.7) # 重组(采用两点交叉方式,交叉概率为0.7) SelCh = ea.mutbin(Encoding, SelCh) # 二进制种群变异 # 把父代精英个体与子代合并 Chrom = np.vstack([Chrom[best_ind, :], SelCh]) variable = ea.bs2real(Chrom, FieldD) # 对育种种群进行解码(二进制转十进制) ObjV = aim(variable) # 求育种个体的目标函数值 # 记录 best_ind = np.argmax(ObjV) # 计算当代最优个体的序号
ranges = np.vstack([x1, x2]).T # 生成自变量的范围矩阵 borders = np.vstack([b1, b2]).T # 生成自变量的边界矩阵 """========================遗传算法参数设置=========================""" NIND = 50 # 种群规模 MAXGEN = 1000 # 最大遗传代数 GGAP = 0.8 # 代沟:子代与父代个体不相同的概率为0.8 selectStyle = 'sus' # 遗传算法的选择方式设为"sus"——随机抽样选择 recombinStyle = 'xovdp' # 遗传算法的重组方式,设为两点交叉 recopt = 0.9 # 交叉概率 pm = 0.1 # 变异概率 SUBPOP = 1 # 设置种群数为1 """=========================开始遗传算法进化========================""" FieldD = ga.crtfld(ranges, borders, precisions, codes, scales) # 调用函数创建区域描述器 Lind = np.sum(FieldD[0, :]) # 计算编码后的染色体长度 Chrom = ga.crtbp(NIND, Lind) # 根据区域描述器生成二进制种群 Phen = ga.bs2rv(Chrom, FieldD) #对初始种群进行解码 ObjV = aimfuc(Phen) # 计算初始种群个体的目标函数值 # 定义进化记录器,初始值为nan pop_trace = (np.zeros((MAXGEN, 2)) * 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 ind_trace = (np.zeros((MAXGEN, Lind)) * np.nan) # 开始进化!! start_time = time.time() # 开始计时 for gen in range(MAXGEN): FitnV = ga.ranking(ObjV) # 根据目标函数大小分配适应度值 SelCh = ga.selecting(selectStyle, Chrom, FitnV, GGAP, SUBPOP) # 选择 SelCh = ga.recombin(recombinStyle, SelCh, recopt, SUBPOP) #交叉 SelCh = ga.mutbin(SelCh, pm) # 二进制种群变异 Phen = ga.bs2rv(SelCh, FieldD) # 对育种种群进行解码(二进制转十进制) ObjVSel = aimfuc(Phen) # 求育种个体的目标函数值
def sga_new_code_templet(AIM_M, AIM_F, PUN_M, PUN_F, FieldD, problem, maxormin, MAXGEN, NIND, SUBPOP, GGAP, selectStyle, recombinStyle, recopt, pm, drawing=1): """ sga_new_code_templet.py - 改进的单目标编程模板(二进制/格雷编码) 本模板实现改进单目标编程模板(二进制/格雷编码),将父子两代合并进行选择,增加了精英保留机制 语法: 该函数除了参数drawing外,不设置可缺省参数。当某个参数需要缺省时,在调用函数时传入None即可。 比如当没有罚函数时,则在调用编程模板时将第3、4个参数设置为None即可,如: sga_new_code_templet(AIM_M, 'aimfuc', None, None, ..., maxormin) 输入参数: AIM_M - 目标函数的地址,传入该函数前通常由AIM_M = __import__('目标函数名')语句得到 AIM_F : str - 目标函数名 PUN_M - 罚函数的地址,传入该函数前通常由PUN_M = __import__('罚函数名')语句得到 PUN_F : str - 罚函数名 FieldD : array - 二进制/格雷码种群区域描述器,描 述种群每个个体的染色体长度和如何解码的矩阵,它有以下结构: [lens; (int) 每个控制变量编码后在染色体中所占的长度 lb; (float) 指明每个变量使用的下界 ub; (float) 指明每个变量使用的上界 codes; (0:binary | 1:gray) 指明子串是怎么编码的, 0为标准二进制编码,1为各类编码 scales; (0: rithmetic | 1:logarithmic) 指明每个子串是否使用对数或算术刻度, 1为使用对数刻度,2为使用算术刻度 lbin; (0:excluded | 1:included) ubin] (0:excluded | 1:included) lbin和ubin指明范围中是否包含每个边界。 选择lbin=0或ubin=0,表示范围中不包含相应边界。 选择lbin=1或ubin=1,表示范围中包含相应边界。 problem : str - 表明是整数问题还是实数问题,'I'表示是整数问题,'R'表示是实数问题 maxormin int - 最小最大化标记,1表示目标函数最小化;-1表示目标函数最大化 MAXGEN : int - 最大遗传代数 NIND : int - 种群规模,即种群中包含多少个个体 SUBPOP : int - 子种群数量,即对一个种群划分多少个子种群 GGAP : float - 代沟,本模板中该参数为无用参数,仅为了兼容同类的其他模板而设 selectStyle : str - 指代所采用的低级选择算子的名称,如'rws'(轮盘赌选择算子) recombinStyle: str - 指代所采用的低级重组算子的名称,如'xovsp'(单点交叉) recopt : float - 交叉概率 pm : float - 重组概率 drawing : int - (可选参数),0表示不绘图,1表示绘制最终结果图。默认drawing为1 输出参数: pop_trace : array - 种群进化记录器(进化追踪器), 第0列记录着各代种群最优个体的目标函数值 第1列记录着各代种群的适应度均值 第2列记录着各代种群最优个体的适应度值 var_trace : array - 变量记录器,记录着各代种群最优个体的变量值,每一列对应一个控制变量 times : float - 进化所用时间 """ """==========================初始化配置===========================""" GGAP = 0.5 # 因为父子合并后选择,因此要将代沟设为0.5以维持种群规模 # 获取目标函数和罚函数 aimfuc = getattr(AIM_M, AIM_F) # 获得目标函数 if PUN_F is not None: punishing = getattr(PUN_M, PUN_F) # 获得罚函数 NVAR = FieldD.shape[1] # 得到控制变量的个数 # 定义进化记录器,初始值为nan pop_trace = (np.zeros((MAXGEN, 2)) * np.nan) # 定义变量记录器,记录控制变量值,初始值为nan var_trace = (np.zeros((MAXGEN, NVAR)) * np.nan) """=========================开始遗传算法进化=======================""" Lind = np.sum(FieldD[0, :]) # 种群染色体长度 Chrom = ga.crtbp(NIND, Lind) # 生成初始种 start_time = time.time() # 开始计时 # 开始进化!! for gen in range(MAXGEN): # 进行遗传算子产生子代 SelCh = ga.recombin(recombinStyle, Chrom, recopt, SUBPOP) # 重组 SelCh = ga.mutbin(SelCh, pm) # 变异 Chrom = np.vstack([Chrom, SelCh]) # 父子合并 # 计算种群适应度 if problem == 'R': variable = ga.bs2rv(Chrom, FieldD) # 解码 elif problem == 'I': if np.any(FieldD >= sys.maxsize): variable = ga.bs2int(Chrom, FieldD).astype('object') # 解码 else: variable = ga.bs2int(Chrom, FieldD).astype('int64') ObjV = aimfuc(variable) # 求后代的目标函数值 pop_trace[gen, 0] = np.sum(ObjV) // ObjV.shape[0] # 记录种群个体平均目标函数值 if maxormin == 1: pop_trace[gen, 1] = np.min(ObjV) # 记录当代目标函数的最优值 var_trace[gen, :] = variable[np.argmin(ObjV), :] # 记录当代最优的控制变量值 elif maxormin == -1: pop_trace[gen, 1] = np.max(ObjV) var_trace[gen, :] = variable[np.argmax(ObjV), :] # 记录当代最优的控制变量值 # 最后对合并的种群进行适应度评价并选出一半个体留到下一代 FitnV = ga.ranking(maxormin * ObjV, None, SUBPOP) if PUN_F is not None: FitnV = punishing(Chrom, FitnV) # 调用罚函数 Chrom = ga.selecting(selectStyle, Chrom, FitnV, GGAP, SUBPOP) # 选择 end_time = time.time() # 结束计时 # 绘图 if drawing == 1: ga.trcplot(pop_trace, [['种群个体平均目标函数值', '种群最优个体目标函数值']]) # 输出结果 if maxormin == 1: best_gen = np.argmin(pop_trace[:, 1]) # 记录最优种群是在哪一代 print('最优的目标函数值为:' + str(np.min(pop_trace[:, 1]))) elif maxormin == -1: best_gen = np.argmax(pop_trace[:, 1]) # 记录最优种群是在哪一代 print('最优的目标函数值为:' + str(np.max(pop_trace[:, 1]))) print('最优的控制变量值为:') for i in range(NVAR): print(var_trace[best_gen, i]) print('最优的一代是第' + str(best_gen + 1) + '代') times = end_time - start_time print('时间已过' + str(times) + '秒') # 返回进化记录器、变量记录器以及执行时间 return [pop_trace, var_trace, times]
if __name__ == '__main__': # 获取输入的初始数据 input_data = [] for i in range(3): line = sys.stdin.readline().strip() input_data.append(line) # 整理初始数据 food_info_table = get_food_info_table(input_data) # 种群规模, pop_size = 60 # 最大迭代次数 gen_max = 100 # 维度,即商品种类 M = len(food_info_table) # 初始种群 chrom = ga.crtbp(pop_size, M) gen = 0 while gen < gen_max: # FitnV用来存储适应度值 FitnV = [] for individual in chrom: FitnV.append( fitness_cal(food_info_table, get_promotion(input_data), get_balance(input_data), individual)) # temp用来存储参与交叉编译的个体 temp = [] # 选出每代种群中最优秀的五个进行交叉变异 for i in ga.tour(np.array(FitnV).reshape(pop_size, 1), 5): temp.append(chrom[i]) # xovdp 是交叉编译函数,其第二个参数是交叉概率
def sga_code_templet(AIM_M, AIM_F, PUN_M, PUN_F, FieldD, problem, maxormin, MAXGEN, NIND, SUBPOP, GGAP, selectStyle, recombinStyle, recopt, pm, distribute, drawing=1): """ sga_code_templet.py - 单目标编程模板(二进制/格雷编码) 语法: 该函数除了参数drawing外,不设置可缺省参数。当某个参数需要缺省时,在调用函数时传入None即可。 比如当没有罚函数时,则在调用编程模板时将第3、4个参数设置为None即可,如: sga_code_templet(AIM_M, 'aimfuc', None, None, ..., maxormin) 输入参数: AIM_M - 目标函数的地址,由AIM_M = __import__('目标函数所在文件名')语句得到 目标函数规范定义:[f,LegV] = aimfuc(Phen,LegV) 其中Phen是种群的表现型矩阵, LegV为种群的可行性列向量,f为种群的目标函数值矩阵 AIM_F : str - 目标函数名 PUN_M - 罚函数的地址,由PUN_M = __import__('罚函数所在文件名')语句得到 罚函数规范定义: newFitnV = punishing(LegV, FitnV) 其中LegV为种群的可行性列向量, FitnV为种群个体适应度列向量 一般在罚函数中对LegV为0的个体进行适应度惩罚,返回修改后的适应度列向量newFitnV PUN_F : str - 罚函数名 FieldD : array - 二进制/格雷码种群区域描述器, 描述种群每个个体的染色体长度和如何解码的矩阵,它有以下结构: [lens; (int) 每个控制变量编码后在染色体中所占的长度 lb; (float) 指明每个变量使用的下界 ub; (float) 指明每个变量使用的上界 codes; (0:binary | 1:gray) 指明子串是怎么编码的, 0为标准二进制编码,1为各类编码 scales; (0: rithmetic | 1:logarithmic) 指明每个子串是否使用对数或算术刻度, 1为使用对数刻度,2为使用算术刻度 lbin; (0:excluded | 1:included) ubin] (0:excluded | 1:included) lbin和ubin指明范围中是否包含每个边界。 选择lbin=0或ubin=0,表示范围中不包含相应边界。 选择lbin=1或ubin=1,表示范围中包含相应边界。 problem : str - 表明是整数问题还是实数问题,'I'表示是整数问题,'R'表示是实数问题 maxormin int - 最小最大化标记,1表示目标函数最小化;-1表示目标函数最大化 MAXGEN : int - 最大遗传代数 NIND : int - 种群规模,即种群中包含多少个个体 SUBPOP : int - 子种群数量,即对一个种群划分多少个子种群 GGAP : float - 代沟,表示子代与父代染色体及性状不相同的概率 selectStyle : str - 指代所采用的低级选择算子的名称,如'rws'(轮盘赌选择算子) recombinStyle: str - 指代所采用的低级重组算子的名称,如'xovsp'(单点交叉) recopt : float - 交叉概率 pm : float - 重组概率 distribute : bool - 是否增强种群的分布性(可能会造成收敛慢) drawing : int - (可选参数),0表示不绘图,1表示绘制最终结果图。默认drawing为1 输出参数: pop_trace : array - 种群进化记录器(进化追踪器), 第0列记录着各代种群最优个体的目标函数值 第1列记录着各代种群的适应度均值 第2列记录着各代种群最优个体的适应度值 var_trace : array - 变量记录器,记录着各代种群最优个体的变量值,每一列对应一个控制变量 times : float - 进化所用时间 模板使用注意: 1.本模板调用的目标函数形如:[ObjV,LegV] = aimfuc(Phen,LegV), 其中Phen表示种群的表现型矩阵, LegV为种群的可行性列向量(详见Geatpy数据结构) 2.本模板调用的罚函数形如: newFitnV = punishing(LegV, FitnV), 其中FitnV为用其他算法求得的适应度 若不符合上述规范,则请修改算法模板或自定义新算法模板 3.关于'maxormin': geatpy的内核函数全是遵循“最小化目标”的约定的,即目标函数值越小越好。 当需要优化最大化的目标时,需要设置'maxormin'为-1。 本算法模板是正确使用'maxormin'的典型范例,其具体用法如下: 当调用的函数传入参数包含与“目标函数值矩阵”有关的参数(如ObjV,ObjVSel,NDSetObjV等)时, 查看该函数的参考资料(可用'help'命令查看,也可到官网上查看相应的教程), 里面若要求传入前对参数乘上'maxormin',则需要乘上。 里面若要求对返回参数乘上'maxormin'进行还原, 则调用函数返回得到的相应参数需要乘上'maxormin'进行还原,否则其正负号就会被改变。 """ #==========================初始化配置===========================""" # 获取目标函数和罚函数 aimfuc = getattr(AIM_M, AIM_F) # 获得目标函数 if PUN_F is not None: punishing = getattr(PUN_M, PUN_F) # 获得罚函数 NVAR = FieldD.shape[1] # 得到控制变量的个数 # 定义进化记录器,初始值为nan pop_trace = (np.zeros((MAXGEN, 2)) * np.nan) # 定义变量记录器,记录控制变量值,初始值为nan var_trace = (np.zeros((MAXGEN, NVAR)) * np.nan) ax = None # 存储上一帧图形 """=========================开始遗传算法进化=======================""" Lind = np.sum(FieldD[0, :]) # 种群染色体长度 Chrom = ga.crtbp(NIND, Lind) # 生成初始种群 if problem == 'R': variable = ga.bs2rv(Chrom, FieldD) # 解码 elif problem == 'I': if np.any(FieldD >= sys.maxsize): variable = ga.bs2int(Chrom, FieldD).astype('object') # 解码 else: variable = ga.bs2int(Chrom, FieldD).astype('int64') # 解码 LegV = np.ones((NIND, 1)) # 生成可行性列向量,元素为1表示对应个体是可行解,0表示非可行解 [ObjV, LegV] = aimfuc(variable, LegV) # 求种群的目标函数值 gen = 0 badCounter = 0 # 用于记录在“遗忘策略下”被忽略的代数 # 开始进化!! start_time = time.time() # 开始计时 while gen < MAXGEN: if badCounter >= 10 * MAXGEN: # 若多花了10倍的迭代次数仍没有可行解出现,则跳出 break FitnV = ga.ranking(maxormin * ObjV, LegV, None, SUBPOP) if PUN_F is not None: FitnV = punishing(LegV, FitnV) # 调用罚函数 # 记录进化过程 bestIdx = np.argmax(FitnV) # 获取最优个体的下标 if LegV[bestIdx] != 0: feasible = np.where(LegV != 0)[0] # 排除非可行解 pop_trace[gen, 0] = np.sum( ObjV[feasible]) / ObjV[feasible].shape[0] # 记录种群个体平均目标函数值 pop_trace[gen, 1] = ObjV[bestIdx] # 记录当代目标函数的最优值 var_trace[gen, :] = variable[bestIdx, :] # 记录当代最优的控制变量值 # 绘制动态图 if drawing == 2: ax = ga.sgaplot(pop_trace[:, [1]], '种群最优个体目标函数值', False, ax, gen) badCounter = 0 # badCounter计数器清零 else: gen -= 1 # 忽略这一代(遗忘策略) badCounter += 1 if distribute == True: # 若要增强种群的分布性(可能会造成收敛慢) idx = np.argsort(ObjV[:, 0], 0) dis = np.diff(ObjV[idx, 0]) / (np.max(ObjV[idx, 0]) - np.min( ObjV[idx, 0]) + 1) # 差分计算距离的修正偏移量 dis = np.hstack([dis, dis[-1]]) dis = dis + np.min(dis) # 修正偏移量+最小量=修正绝对量 FitnV[idx, 0] *= np.exp(dis) # 根据相邻距离修改适应度,突出相邻距离大的个体,以增加种群的多样性 # 进行遗传算子 SelCh = ga.selecting(selectStyle, Chrom, FitnV, GGAP, SUBPOP) # 选择 SelCh = ga.recombin(recombinStyle, SelCh, recopt, SUBPOP) # 对所选个体进行重组 SelCh = ga.mutbin(SelCh, pm) # 变异 # 计算种群适应度 if problem == 'R': variable = ga.bs2rv(SelCh, FieldD) # 解码 elif problem == 'I': if np.any(FieldD >= sys.maxsize): variable = ga.bs2int(SelCh, FieldD).astype('object') # 解码 else: variable = ga.bs2int(SelCh, FieldD).astype('int64') LegVSel = np.ones((SelCh.shape[0], 1)) # 初始化育种种群的可行性列向量 [ObjVSel, LegVSel] = aimfuc(variable, LegVSel) # 求后代的目标函数值 FitnVSel = ga.ranking(maxormin * ObjVSel, LegVSel, None, SUBPOP) # 计算育种种群的适应度 if PUN_F is not None: FitnVSel = punishing(LegVSel, FitnVSel) # 调用罚函数 # 重插入 [Chrom, ObjV, LegV] = ga.reins(Chrom, SelCh, SUBPOP, 1, 1, FitnV, FitnVSel, ObjV, ObjVSel, LegV, LegVSel) # 计算新一代种群的控制变量解码值 if problem == 'R': variable = ga.bs2rv(Chrom, FieldD) # 解码 elif problem == 'I': if np.any(FieldD >= sys.maxsize): variable = ga.bs2int(Chrom, FieldD).astype('object') # 解码 else: variable = ga.bs2int(Chrom, FieldD).astype('int64') gen += 1 end_time = time.time() # 结束计时 times = end_time - start_time # 后处理进化记录器 delIdx = np.where(np.isnan(pop_trace))[0] pop_trace = np.delete(pop_trace, delIdx, 0) var_trace = np.delete(var_trace, delIdx, 0) if pop_trace.shape[0] == 0: raise RuntimeError('error: no feasible solution. (有效进化代数为0,没找到可行解。)') # 绘图 if drawing != 0: ga.trcplot(pop_trace, [['种群个体平均目标函数值', '种群最优个体目标函数值']]) # 输出结果 if maxormin == 1: best_gen = np.argmin(pop_trace[:, 1]) # 记录最优种群是在哪一代 best_ObjV = np.min(pop_trace[:, 1]) elif maxormin == -1: best_gen = np.argmax(pop_trace[:, 1]) # 记录最优种群是在哪一代 best_ObjV = np.max(pop_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(NVAR): print(var_trace[best_gen, i]) print('有效进化代数:%s' % (pop_trace.shape[0])) print('最优的一代是第 %s 代' % (best_gen + 1)) print('时间已过 %s 秒' % (times)) # 返回进化记录器、变量记录器以及执行时间 return [pop_trace, var_trace, times]
"""========================遗传算法参数设置=========================""" NIND = 50 # 种群规模 MAXGEN = 10 # 最大遗传代数 GGAP = 0.8 # 代沟:子代与父代个体不相同的概率为0.8 selectStyle = 'sus' # 遗传算法的选择方式设为"sus"——随机抽样选择 recombinStyle = 'xovdp' # 遗传算法的重组方式,设为两点交叉 recopt = 0.9 # 交叉概率 pm = 0.1 # 变异概率 SUBPOP = 1 # 设置种群数为1 maxormin = -1 # 设置最大最小化目标标记为1,表示是最小化目标,-1则表示最大化目标 """=========================开始遗传算法进化========================""" FieldD = ga.crtfld(ranges, borders) # 调用函数创建区域描述器 Lind = np.sum(FieldD[0, :]) # 计算编码后的染色体长度 print(FieldD) Chrom = ga.crtbp(NIND, FieldD) # 根据区域描述器生成二进制种群 Phen = ga.bs2int(Chrom, FieldD) #对初始种群进行解码 LegV = np.ones((NIND, 1)) # 初始化种群的可行性列向量 [ObjV, LegV] = aimfuc(Phen, LegV) # 计算初始种群个体的目标函数值 # 定义进化记录器,初始值为nan pop_trace = (np.zeros((MAXGEN, 2)) * 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 ind_trace = (np.zeros((MAXGEN, Lind)) * np.nan) # 开始进化!! start_time = time.time() # 开始计时 for gen in range(MAXGEN): FitnV = ga.ranking(maxormin * ObjV, LegV) # 根据目标函数大小分配适应度值 SelCh = ga.selecting(selectStyle, Chrom, FitnV, GGAP, SUBPOP) # 选择 SelCh = ga.recombin(recombinStyle, SelCh, recopt, SUBPOP) #交叉 SelCh = ga.mutbin(SelCh, pm) # 二进制种群变异 Phen = ga.bs2rv(SelCh, FieldD) # 对育种种群进行解码(二进制转十进制)
def sga_code_templet(AIM_M, AIM_F, PUN_M, PUN_F, FieldD, problem, maxormin, MAXGEN, NIND, SUBPOP, GGAP, selectStyle, recombinStyle, recopt, pm, drawing=1): """ sga_code_templet.py - 单目标编程模板(二进制/格雷编码) 语法: 该函数除了参数drawing外,不设置可缺省参数。当某个参数需要缺省时,在调用函数时传入None即可。 比如当没有罚函数时,则在调用编程模板时将第3、4个参数设置为None即可,如: sga_code_templet(AIM_M, 'aimfuc', None, None, ..., maxormin) 输入参数: AIM_M - 目标函数的地址,由AIM_M = __import__('目标函数所在文件名')语句得到 目标函数规范定义:f = aimfuc(Phen) 其中Phen是种群的表现型矩阵 AIM_F : str - 目标函数名 PUN_M - 罚函数的地址,由PUN_M = __import__('罚函数所在文件名')语句得到 罚函数规范定义: f = punishing(Phen, FitnV) 其中Phen是种群的表现型矩阵, FitnV为种群个体适应度列向量 PUN_F : str - 罚函数名 FieldD : array - 二进制/格雷码种群区域描述器, 描述种群每个个体的染色体长度和如何解码的矩阵,它有以下结构: [lens; (int) 每个控制变量编码后在染色体中所占的长度 lb; (float) 指明每个变量使用的下界 ub; (float) 指明每个变量使用的上界 codes; (0:binary | 1:gray) 指明子串是怎么编码的, 0为标准二进制编码,1为各类编码 scales; (0: rithmetic | 1:logarithmic) 指明每个子串是否使用对数或算术刻度, 1为使用对数刻度,2为使用算术刻度 lbin; (0:excluded | 1:included) ubin] (0:excluded | 1:included) lbin和ubin指明范围中是否包含每个边界。 选择lbin=0或ubin=0,表示范围中不包含相应边界。 选择lbin=1或ubin=1,表示范围中包含相应边界。 problem : str - 表明是整数问题还是实数问题,'I'表示是整数问题,'R'表示是实数问题 maxormin int - 最小最大化标记,1表示目标函数最小化;-1表示目标函数最大化 MAXGEN : int - 最大遗传代数 NIND : int - 种群规模,即种群中包含多少个个体 SUBPOP : int - 子种群数量,即对一个种群划分多少个子种群 GGAP : float - 代沟,表示子代与父代染色体及性状不相同的概率 selectStyle : str - 指代所采用的低级选择算子的名称,如'rws'(轮盘赌选择算子) recombinStyle: str - 指代所采用的低级重组算子的名称,如'xovsp'(单点交叉) recopt : float - 交叉概率 pm : float - 重组概率 drawing : int - (可选参数),0表示不绘图,1表示绘制最终结果图。默认drawing为1 输出参数: pop_trace : array - 种群进化记录器(进化追踪器), 第0列记录着各代种群最优个体的目标函数值 第1列记录着各代种群的适应度均值 第2列记录着各代种群最优个体的适应度值 var_trace : array - 变量记录器,记录着各代种群最优个体的变量值,每一列对应一个控制变量 times : float - 进化所用时间 模板使用注意: 1.本模板调用的目标函数形如: ObjV = aimfuc(Phen), 其中Phen表示种群的表现型矩阵 2.本模板调用的罚函数形如: [FitnV, punIdx] = punishing(Phen, FitnV), 其中输入参数的FitnV为惩罚前的适应度,输出参数的FitnV为惩罚后的适应度 punIdx为惩罚的个体所在的下标 在罚函数定义中,必须将不满足约束条件的个体对应的适应度设为0,否则请修改模板使用 """ #==========================初始化配置===========================""" # 获取目标函数和罚函数 aimfuc = getattr(AIM_M, AIM_F) # 获得目标函数 if PUN_F is not None: punishing = getattr(PUN_M, PUN_F) # 获得罚函数 exIdx = np.array([]) # 存储非可行解的下标 NVAR = FieldD.shape[1] # 得到控制变量的个数 # 定义进化记录器,初始值为nan pop_trace = (np.zeros((MAXGEN, 2)) * np.nan) # 定义变量记录器,记录控制变量值,初始值为nan var_trace = (np.zeros((MAXGEN, NVAR)) * np.nan) """=========================开始遗传算法进化=======================""" Lind = np.sum(FieldD[0, :]) # 种群染色体长度 Chrom = ga.crtbp(NIND, Lind) # 生成初始种群 if problem == 'R': variable = ga.bs2rv(Chrom, FieldD) # 解码 elif problem == 'I': if np.any(FieldD >= sys.maxsize): variable = ga.bs2int(Chrom, FieldD).astype('object') # 解码 else: variable = ga.bs2int(Chrom, FieldD).astype('int64') # 解码 ObjV = aimfuc(variable) # 求种群的目标函数值 start_time = time.time() # 开始计时 # 开始进化!! for gen in range(MAXGEN): FitnV = ga.ranking(maxormin * ObjV, None, SUBPOP) if PUN_F is not None: [FitnV, exIdx] = punishing(Chrom, FitnV) # 调用罚函数 # 记录进化过程 bestIdx = np.argmax(FitnV) # 获取最优个体的下标 wrongSign = np.ones((FitnV.shape[0], 1)) wrongSign[list(exIdx)] = 0 # 对非可行解作标记 if wrongSign[bestIdx] != 0: feasible = np.where(wrongSign != 0)[0] # 排除非可行解 pop_trace[gen, 0] = np.sum( ObjV[feasible]) / ObjV[feasible].shape[0] # 记录种群个体平均目标函数值 pop_trace[gen, 1] = ObjV[bestIdx] # 记录当代目标函数的最优值 var_trace[gen, :] = variable[bestIdx, :] # 记录当代最优的控制变量值 # 进行遗传算子 SelCh = ga.selecting(selectStyle, Chrom, FitnV, GGAP, SUBPOP) # 选择 SelCh = ga.recombin(recombinStyle, Chrom, recopt, SUBPOP) # 重组 SelCh = ga.mutbin(SelCh, pm) # 变异 # 计算种群适应度 if problem == 'R': variable = ga.bs2rv(SelCh, FieldD) # 解码 elif problem == 'I': if np.any(FieldD >= sys.maxsize): variable = ga.bs2int(SelCh, FieldD).astype('object') # 解码 else: variable = ga.bs2int(SelCh, FieldD).astype('int64') ObjVSel = aimfuc(variable) # 求后代的目标函数值 # 重插入 [Chrom, ObjV] = ga.reins(Chrom, SelCh, SUBPOP, 2, 1, ObjV, ObjVSel) # 计算新一代种群的控制变量解码值 if problem == 'R': variable = ga.bs2rv(Chrom, FieldD) # 解码 elif problem == 'I': if np.any(FieldD >= sys.maxsize): variable = ga.bs2int(Chrom, FieldD).astype('object') # 解码 else: variable = ga.bs2int(SelCh, FieldD).astype('int64') end_time = time.time() # 结束计时 # 后处理进化记录器 delIdx = np.where(np.isnan(pop_trace))[0] pop_trace = np.delete(pop_trace, delIdx, 0) var_trace = np.delete(var_trace, delIdx, 0) # 绘图 if drawing == 1: ga.trcplot(pop_trace, [['种群个体平均目标函数值', '种群最优个体目标函数值']]) # 输出结果 if maxormin == 1: best_gen = np.argmin(pop_trace[:, 1]) # 记录最优种群是在哪一代 print('最优的目标函数值为:', np.min(pop_trace[:, 1])) elif maxormin == -1: best_gen = np.argmax(pop_trace[:, 1]) # 记录最优种群是在哪一代 print('最优的目标函数值为:', np.max(pop_trace[:, 1])) print('最优的控制变量值为:') for i in range(NVAR): print(var_trace[best_gen, i]) print('最优的一代是第', best_gen + 1, '代') times = end_time - start_time print('时间已过', times, '秒') # 返回进化记录器、变量记录器以及执行时间 return [pop_trace, var_trace, times]
# GA Variables, please refer to Geatpy package for details NIND = 2 MAXGEN = 100 GGAP = 0.8 selectStyle = 'sus' recombinStyle = 'xovdp' recopt = 0.9 pm = 0.1 SUBPOP = 1 maxormin = 1 # Start of GA, please refer to Geatpy package for details FieldD = ga.crtfld(ranges, borders, precisions, codes, scales) Lind = np.sum(FieldD[0, :]) Chrom = ga.crtbp(NIND, Lind) Phen = ga.bs2rv(Chrom, FieldD) LegV = np.ones((NIND, 1)) [ObjV, LegV, Run] = aimfuc(Phen, LegV, Run, NIND) pop_trace = (np.zeros((MAXGEN,2)) * np.nan) ind_trace = (np.zeros((MAXGEN,Lind)) * np.nan) start_time = time.time() for gen in range(MAXGEN): FitnV = ga.ranking(maxormin * ObjV, LegV) SelCh = ga.selecting(selectStyle, Chrom, FitnV, GGAP, SUBPOP) SelCh = ga.recombin(recombinStyle, SelCh, recopt, SUBPOP) SelCh = ga.mutbin(SelCh, pm) Phen = ga.bs2rv(SelCh, FieldD) LegVSel = np.ones((SelCh.shape[0], 1)) [ObjVSel, LegVSel, Run] = aimfuc(Phen, LegVSel, Run, NIND) [Chrom, ObjV, LegV] = ga.reins(Chrom, SelCh, SUBPOP, 1, 1, maxormin*ObjV, maxormin*ObjVSel, ObjV, ObjVSel, LegV, LegVSel)
def train_process(model, gt): def aim(Phen): # ld = Phen[:, [0]] # 取出第1列,得到所有个体的第1个自变量 # gm = Phen[:, [1]] # 取出第2列,得到所有个体的第2个自变量 fits = np.zeros((len(Phen),1)) # 所有个体的健康程度评估 # print(Phen) for idx in range(len(Phen)): model.omiga = Phen[idx][1] model.gamma = Phen[idx][0] # model.beta = Phen[idx][2] model.d = Phen[idx][2] model.deduce() # print(np.array(model.i * model.N)) exam_day = int(Phen[idx][3]) model_preds_i = model.i[exam_day:exam_day+len(gt)] * model.N gt_i = np.array(gt['confirmedCount']) model_preds_r = model.r[exam_day:exam_day+len(gt)] * model.N gt_r = np.array(gt['deadCount']+gt['curedCount']) infective_fitness = residual_square(model_preds_i, gt_i) recov_fitness = residual_square(model_preds_r, gt_r) fits[idx] = infective_fitness + recov_fitness # print(model_preds_i, gt_i) # print(fits) return fits # settings omiga = [0, 1] # 自变量范围 gamma = [0, 1] # beta = [0, 1] d = [0, 100] exam_d = [10, 60] b1 = [0, 0] # 自变量边界, 1 表示包含边界, 0 表示不包含边界 b2 = [0, 0] # b3 = [0, 0] b4 = [0, 0] b5 = [1, 1] varTypes = np.array([0, 0, 0, 0]) # 自变量的类型,0表示连续,1表示离散 Encoding = 'BG' # 'BG'表示采用二进制/格雷编码 codes = [1, 1, 1, 1] # 变量的编码方式,2个变量均使用格雷编码 precisions =[6, 6, 6, 6] # 变量的编码精度 scales = [0, 0, 0, 0] # 采用算术刻度 ranges=np.vstack([gamma, omiga, d, exam_d]).T # 生成自变量的范围矩阵 borders=np.vstack([b2, b1, b4, b5]).T # 生成自变量的边界矩阵 # params of GA NIND = 400 # 种群个体数目 MAXGEN = 100 # 最大遗传代数 maxormins = [1] # 最小化目标函数, 元素为-1表示最大化目标函数 FieldD = ea.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 obj_trace = np.zeros((MAXGEN, 2)) # 定义目标函数值记录器 var_trace = np.zeros((MAXGEN, Lind)) # 定义染色体记录器,记录每一代最优个体的染色体 start_time = time.time() # 开始计时 Chrom = ea.crtbp(NIND, Lind) # 生成种群染色体矩阵 variable = ea.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 best_ind = np.argmin(ObjV) # 计算当代最优个体的序号 # 开始进化 for gen in range(MAXGEN): FitnV = ea.ranking(maxormins * 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[ea.selecting('rws', FitnV, NIND-1), :] # 选择,采用'rws'轮盘赌选择 SelCh=ea.recombin('xovsp', SelCh, 0.7) # 重组(采用两点交叉方式,交叉概率为0.7) SelCh=ea.mutbin(Encoding, SelCh) # 二进制种群变异 # 把父代精英个体与子代合并 Chrom = np.vstack([Chrom[best_ind, :], SelCh]) variables = ea.bs2real(Chrom, FieldD) # 对育种种群进行解码(二进制转十进制) ObjV = aim(variables) # 求育种个体的目标函数值 # 记录 best_ind = np.argmin(ObjV) # 计算当代最优个体的序号 obj_trace[gen, 0] = np.sum(ObjV) / NIND # 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变量值 # 进化完成 end_time = time.time() # 结束计时 # 绘制图像 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']]) best_gen = np.argmin(obj_trace[:, [1]]) print('最优解的目标函数值: ', obj_trace[best_gen, 1]) opt_variable = ea.bs2real(var_trace[[best_gen], :], FieldD) print('最优解的决策变量为:') for i in range(opt_variable.shape[1]): print(opt_variable[0, i]) print('用时: ', end_time - start_time, '秒') model.omiga = opt_variable[0, 1] model.gamma = opt_variable[0, 0] # model.beta = opt_variable[0, 2] model.d = opt_variable[0, 2] model.deduce() model.draw_curves() return opt_variable[0]