def i_awGA(AIM_M, AIM_F, NIND, ranges, borders, precisions, 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
FieldDR = ga.crtfld(ranges, borders, precisions)
"""=========================开始遗传算法进化======================="""
Chrom = ga.crtrp(NIND, FieldDR) # 创建简单离散种群
ObjV = aimfuc(Chrom) # 计算种群目标函数值
NDSet = np.zeros((0, ObjV.shape[1])) # 定义帕累托最优解集合(初始为空集)
start_time = time.time() # 开始计时
# 开始进化！！
for gen in range(MAXGEN):
if NDSet.shape[0] > 2 * ObjV.shape[0]:
break
[CombinObjV, weight] = ga.awGA(ObjV) # 适应性权重法求聚合目标函数值
FitnV = ga.ranking(maxormin * CombinObjV) # 根据加权单目标计算适应度
[FitnV, frontIdx] = ga.ndominfast(maxormin * ObjV,
FitnV) # 求种群的非支配个体，并更新适应度
# 更新帕累托最优集以及种群非支配个体的适应度
[FitnV, NDSet, repnum] = ga.upNDSet(FitnV, maxormin * ObjV,
maxormin * NDSet, 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.mutbga(SelCh, FieldDR, pm) # 变异
if repnum > Chrom.shape[0] * 0.1: # 进行一次高斯变异
SelCh = ga.mutgau(SelCh, FieldDR, pm) # 高斯变异
ObjVSel = aimfuc(SelCh) # 求育种个体的目标函数值
[CombinObjV, weight] = ga.awGA(maxormin * ObjVSel) # 适应性权重法求聚合目标函数值
FitnVSel = ga.ranking(maxormin * CombinObjV) # 根据聚合目标求育种个体适应度
[Chrom, ObjV] = ga.reins(Chrom, SelCh, SUBPOP, 1, 0.9, FitnV, FitnVSel,
ObjV, ObjVSel) #重插入
end_time = time.time() # 结束计时
# 返回帕累托最优集以及执行时间
return [ObjV, NDSet, end_time - start_time]
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 awGA_templet(AIM_M,
AIM_F,
PUN_M,
PUN_F,
ranges,
borders,
precisions,
maxormin,
MAXGEN,
MAXSIZE,
NIND,
SUBPOP,
GGAP,
selectStyle,
recombinStyle,
recopt,
pm,
drawing=1):
"""
awGA_templet.py - 基于awGA的多目标优化编程模板
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：
awGA_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
ranges : array - 代表自变量的范围矩阵，要求上界必须大于下界
例如：[[1, 2, 3],
[3, 4, 5]]
表示有3个控制变量，其范围分别是1-3, 2-4, 3-5
borders : list -（可选参数）代表是否包含变量范围的边界，为1代表控制变量的范围包含该边界
当为None时，默认设置为全是1的矩阵
例如：[[1, 0, 1],
[0, 1, 1]]
表示上面的三个控制变量的范围分别是：[1, 3)、(2, 4]、[3, 5]
precisions : list -（可选参数）代表控制变量的精度，
如等于4，表示对应的控制变量的编码可以精确到小数点后4位。
当precisions为None时，默认precision为1*n的0矩阵(此时表示种群是离散编码的)
precision的元素必须不小于0
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
MAXSIZE : int - 帕累托最优集最大规模
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，2表示绘制进化过程的动画。
默认drawing为1
算法描述:
本模板实现了基于适应性权重聚合法(awGA)的多目标优化搜索，
通过维护一个全局帕累托最优集来实现帕累托前沿的搜索，故并不需要保证种群所有个体都是非支配的
"""
#==========================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
FieldDR = ga.crtfld(ranges, borders, precisions)
#=========================开始遗传算法进化=======================
Chrom = ga.crtrp(NIND, FieldDR) # 创建简单离散种群
ObjV = aimfuc(Chrom) # 计算种群目标函数值
# 定义帕累托最优解记录器
NDSet = np.zeros((0, ObjV.shape[1]))
ax = None
start_time = time.time() # 开始计时
# 开始进化！！
for gen in range(MAXGEN):
if NDSet.shape[0] > MAXSIZE:
break
[CombinObjV, weight] = ga.awGA(maxormin * ObjV) # 计算适应性权重以及多目标的加权单目标
FitnV = ga.ranking(maxormin * CombinObjV) # 根据加权单目标计算适应度
# 更新帕累托最优集以及种群非支配个体的适应度
[FitnV, NDSet, repnum] = ga.upNDSet(FitnV, maxormin * ObjV,
maxormin * NDSet)
# 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.mutbga(SelCh, FieldDR, pm) # 变异
if repnum > Chrom.shape[0] * 0.1: # 进行一次高斯变异
SelCh = ga.mutgau(SelCh, FieldDR, pm) # 高斯变异
ObjVSel = aimfuc(SelCh) # 求育种个体的目标函数值
[CombinObjV, weight] = ga.awGA(maxormin * ObjVSel)
FitnVSel = ga.ranking(maxormin * CombinObjV)
[Chrom, ObjV] = ga.reins(Chrom, SelCh, SUBPOP, 1, 0.9, FitnV, FitnVSel,
ObjV, ObjVSel) #重插入
if drawing == 2:
ax = ga.frontplot(NDSet, False, ax, gen + 1) # 绘制动态图
end_time = time.time() # 结束计时
#=========================绘图及输出结果=========================
if drawing != 0:
ga.frontplot(NDSet, True)
times = end_time - start_time
print('用时：' + str(times) + '秒')
print('帕累托前沿点个数：' + str(NDSet.shape[0]) + '个')
print('单位时间找到帕累托前沿点个数：' + str(NDSet.shape[0] // times) + '个')
# 返回帕累托最优集以及执行时间
return [ObjV, NDSet, end_time - start_time]
def moea_awGA_templet(AIM_M, AIM_F, PUN_M, PUN_F, FieldDR, problem, maxormin, MAXGEN, MAXSIZE, NIND, SUBPOP, GGAP, selectStyle, recombinStyle, recopt, pm, distribute, drawing = 1):
"""
moea_awGA_templet.py - 基于适应性权重法(awGA)的多目标优化的进化算法模板
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：
moea_awGA_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
FieldDR : array - 实际值种群区域描述器
[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
注：不需要考虑是否包含变量的边界值。在crtfld中已经将是否包含边界值进行了处理
本函数生成的矩阵的元素值在FieldDR的[下界, 上界)之间
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
MAXSIZE : int - 帕累托最优集最大规模，当设为np.inf（无穷）时，模板不对帕累托最优解集规模作限制
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 - 是否增强帕累托前沿的分布性（可能会造成收敛慢或帕累托前沿数目减少）
drawing : int - (可选参数)，0表示不绘图，1表示绘制最终结果图，2表示绘制进化过程的动画。
默认drawing为1
算法描述:
本模板实现了基于适应性权重聚合法(awGA)的多目标优化搜索，
通过维护一个全局帕累托最优集来实现帕累托前沿的搜索，故并不需要保证种群所有个体都是非支配的
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
#=========================开始遗传算法进化=======================
if problem == 'R':
Chrom = ga.crtrp(NIND, FieldDR) # 生成实数值种群
elif problem == 'I':
Chrom = ga.crtip(NIND, FieldDR) # 生成整数值种群
LegV = np.ones((NIND, 1)) # 初始化种群的可行性列向量
[ObjV, LegV] = aimfuc(Chrom, LegV) # 计算种群目标函数值
NDSet = np.zeros((0, Chrom.shape[1])) # 定义帕累托最优解记录器
NDSetObjV = np.zeros((0, ObjV.shape[1])) # 定义帕累托最优解的目标函数值记录器
ax = None # 存储上一桢动画
start_time = time.time() # 开始计时
# 开始进化！！
for gen in range(MAXGEN):
[CombinObjV, weight] = ga.awGA(maxormin * ObjV, LegV) # 计算适应性权重以及多目标的加权单目标
CombinObjV *= maxormin # 还原在传入函数前被最小化处理过的目标函数值
FitnV = ga.ranking(maxormin * CombinObjV, LegV, None, SUBPOP) # 根据加权单目标计算适应度
if PUN_F is not None:
FitnV = punishing(LegV, FitnV) # 调用罚函数作进一步的惩罚
# 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, None, LegV)
NDSetObjV *= maxormin # 还原在传入upNDSet函数前被最小化处理过的NDSetObjV
[NDSet, NDSetObjV] = ga.redisNDSet(NDSet, NDSetObjV, NDSetObjV.shape[1] * MAXSIZE) # 利用拥挤距离选择帕累托前沿的子集，在进化过程中最好比上限多筛选出几倍的点集
if distribute == True: # 若要增强种群的分布性(可能会导致帕累托前沿搜索效率降低)
# 计算每个目标下相邻个体的距离(不需要严格计算欧氏距离)
for i in range(ObjV.shape[1]):
idx = np.argsort(ObjV[:, i], 0)
dis = np.diff(ObjV[idx, i]) / (np.max(ObjV[idx, i]) - np.min(ObjV[idx, i]) + 1) # 差分计算距离的偏移量占比，即偏移量除以目标函数的极差。加1是为了避免极差为0
dis = np.hstack([dis, dis[-1]])
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
# 进行遗传操作！！
SelCh=ga.selecting(selectStyle, Chrom, FitnV, GGAP, SUBPOP) # 选择
SelCh=ga.recombin(recombinStyle, SelCh, recopt, SUBPOP) #交叉
if problem == 'R':
SelCh=ga.mutbga(SelCh,FieldDR, pm) # 变异
if repnum > Chrom.shape[0] * 0.01: # 当最优个体重复率高达1%时，进行一次高斯变异
SelCh=ga.mutgau(SelCh, FieldDR, pm) # 高斯变异
elif problem == 'I':
SelCh=ga.mutint(SelCh, FieldDR, pm)
LegVSel = np.ones((SelCh.shape[0], 1)) # 初始化育种种群的可行性列向量
[ObjVSel, LegVSel] = aimfuc(SelCh,LegVSel) # 求育种个体的目标函数值
[CombinObjV, weight] = ga.awGA(maxormin * ObjVSel, LegVSel)
CombinObjV *= maxormin # 还原在传入函数前被最小化处理过的目标函数值
FitnVSel = ga.ranking(maxormin * CombinObjV, LegVSel, None, SUBPOP)
if PUN_F is not None:
FitnVSel = punishing(LegVSel, FitnVSel) # 调用罚函数
[Chrom,ObjV,LegV] = ga.reins(Chrom,SelCh,SUBPOP,1,0.9,FitnV,FitnVSel,ObjV,ObjVSel,LegV,LegVSel) #重插入
if drawing == 2:
ax = ga.frontplot(NDSetObjV, False, ax, gen + 1) # 绘制动态图
end_time = time.time() # 结束计时
[NDSet, NDSetObjV] = ga.redisNDSet(NDSet, NDSetObjV, MAXSIZE) # 最后根据拥挤距离选择均匀分布的点
#=========================绘图及输出结果=========================
if drawing != 0:
ga.frontplot(NDSetObjV,True)
times = end_time - start_time
print('用时：%s 秒'%(times))
print('帕累托前沿点个数：%s 个'%(NDSet.shape[0]))
print('单位时间找到帕累托前沿点个数：%s 个'%(int(NDSet.shape[0] // times)))
# 返回帕累托最优集以及执行时间
return [ObjV, NDSet, NDSetObjV, end_time - start_time]
def awGA_templet(AIM_M,
AIM_F,
PUN_M,
PUN_F,
FieldDR,
problem,
maxormin,
MAXGEN,
MAXSIZE,
NIND,
SUBPOP,
GGAP,
selectStyle,
recombinStyle,
recopt,
pm,
distribute,
drawing=1):
"""
awGA_templet.py - 基于awGA的多目标优化的进化算法模板
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：
awGA_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
FieldDR : array - 实际值种群区域描述器
[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
注：不需要考虑是否包含变量的边界值。在crtfld中已经将是否包含边界值进行了处理
本函数生成的矩阵的元素值在FieldDR的[下界, 上界)之间
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
MAXSIZE : int - 帕累托最优集最大规模
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 - 是否增强帕累托前沿的分布性（可能会造成收敛慢或帕累托前沿数目减少）
drawing : int - (可选参数)，0表示不绘图，1表示绘制最终结果图，2表示绘制进化过程的动画。
默认drawing为1
算法描述:
本模板实现了基于适应性权重聚合法(awGA)的多目标优化搜索，
通过维护一个全局帕累托最优集来实现帕累托前沿的搜索，故并不需要保证种群所有个体都是非支配的
"""
#==========================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
#=========================开始遗传算法进化=======================
if problem == 'R':
Chrom = ga.crtrp(NIND, FieldDR) # 生成实数值种群
elif problem == 'I':
Chrom = ga.crtip(NIND, FieldDR) # 生成整数值种群
ObjV = aimfuc(Chrom) # 计算种群目标函数值
NDSet = np.zeros((0, Chrom.shape[1])) # 定义帕累托最优解记录器
NDSetObjV = np.zeros((0, ObjV.shape[1])) # 定义帕累托最优解的目标函数值记录器
ax = None
start_time = time.time() # 开始计时
# 开始进化！！
for gen in range(MAXGEN):
if NDSet.shape[0] > MAXSIZE:
break
[CombinObjV, weight] = ga.awGA(maxormin * ObjV) # 计算适应性权重以及多目标的加权单目标
FitnV = ga.ranking(maxormin * CombinObjV) # 根据加权单目标计算适应度
if PUN_F is not None:
FitnV = punishing(Chrom, FitnV) # 调用罚函数
# 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)
if distribute == True: # 若要增强帕累托解集的分布性
# 计算每个目标下个体的聚集距离(不需要严格计算欧氏距离，计算绝对值即可)
for i in range(ObjV.shape[1]):
idx = np.argsort(ObjV[:, i], 0)
dis = np.abs(np.diff(ObjV[idx, i].T, 1).T) / (
np.max(ObjV[idx, i]) - np.min(ObjV[idx, i]) + 1) # 差分计算距离
dis = np.hstack([dis, dis[-1]])
dis = dis + np.min(dis)
FitnV[idx, 0] *= np.exp(dis) # 根据聚集距离修改适应度，以增加种群的多样性
# 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
if problem == 'R':
SelCh = ga.mutbga(SelCh, FieldDR, pm) # 变异
if repnum > Chrom.shape[0] * 0.01: # 当最优个体重复率高达1%时，进行一次高斯变异
SelCh = ga.mutgau(SelCh, FieldDR, pm) # 高斯变异
elif problem == 'I':
SelCh = ga.mutint(SelCh, FieldDR, pm)
ObjVSel = aimfuc(SelCh) # 求育种个体的目标函数值
[CombinObjV, weight] = ga.awGA(maxormin * ObjVSel)
FitnVSel = ga.ranking(maxormin * CombinObjV)
if PUN_F is not None:
FitnVSel = punishing(Chrom, FitnVSel) # 调用罚函数
[Chrom, ObjV] = ga.reins(Chrom, SelCh, SUBPOP, 1, 0.9, FitnV, FitnVSel,
ObjV, ObjVSel) #重插入
if drawing == 2:
ax = ga.frontplot(NDSetObjV, False, ax, gen + 1) # 绘制动态图
end_time = time.time() # 结束计时
#=========================绘图及输出结果=========================
if drawing != 0:
ga.frontplot(NDSetObjV, True)
times = end_time - start_time
print('用时：', times, '秒')
print('帕累托前沿点个数：', NDSet.shape[0], '个')
print('单位时间找到帕累托前沿点个数：', int(NDSet.shape[0] // times), '个')
# 返回帕累托最优集以及执行时间
return [ObjV, NDSet, NDSetObjV, end_time - start_time]