def run(self, prophetPop=None): # prophetPop为先知种群（即包含先验知识的种群）
#==========================初始化配置===========================
population = self.population
NIND = population.sizes
self.initialization() # 初始化算法模板的一些动态参数
#===========================准备进化============================
if population.Chrom is None:
population.initChrom(NIND) # 初始化种群染色体矩阵
self.call_aimFunc(population) # 计算种群的目标函数值
# 插入先验知识（注意：这里不会对先知种群prophetPop的合法性进行检查，故应确保prophetPop是一个种群类且拥有合法的Chrom、ObjV、Phen等属性）
if prophetPop is not None:
population = (prophetPop + population)[:NIND] # 插入先知种群
population.FitnV = ea.ranking(self.problem.maxormins * population.ObjV,
population.CV) # 计算适应度
#===========================开始进化============================
while self.terminated(population) == False:
# 进行差分进化操作
r0 = ea.selecting(self.selFunc, population.FitnV, NIND) # 得到基向量索引
experimentPop = population.copy() # 存储试验个体
experimentPop.Chrom = self.mutOper.do(experimentPop.Encoding,
experimentPop.Chrom,
experimentPop.Field,
[r0]) # 变异
tempPop = population + experimentPop # 当代种群个体与变异个体进行合并（为的是后面用于重组）
experimentPop.Chrom = self.recOper.do(tempPop.Chrom) # 重组
self.call_aimFunc(experimentPop) # 计算目标函数值
tempPop = population + experimentPop # 临时合并，以调用otos进行一对一生存者选择
tempPop.FitnV = ea.ranking(self.problem.maxormins * tempPop.ObjV,
tempPop.CV) # 计算适应度
population = tempPop[ea.selecting(
'otos', tempPop.FitnV,
NIND)] # 采用One-to-One Survivor选择，产生新一代种群
return self.finishing(population) # 调用finishing完成后续工作并返回结果
def Evolution(self):
start_time = time.time()
Objv = self.get_Objv_i(self.chrom)
best_ind = np.argmax(Objv * self.maxormins)
for gen in range(self.MAXGEN):
self.log.logger.info('==> This is No.%d GEN <==' % (gen))
FitnV = ea.ranking(Objv * self.maxormins)
Selch = self.chrom[ea.selecting('rws', FitnV, self.Nind - 1), :]
Selch = ea.recombin('xovsp', Selch, self.xov_rate)
Selch = ea.mutate('mutswap', 'RI', Selch, self.FieldDR)
NewChrom = np.vstack((self.chrom[best_ind, :], Selch))
Objv = self.get_Objv_i(NewChrom)
best_ind = np.argmax(Objv * self.maxormins)
self.obj_trace[gen, 0] = np.sum(Objv) / self.Nind #记录当代种群的目标函数均值
self.obj_trace[gen, 1] = Objv[best_ind] #记录当代种群最有给他目标函数值
self.var_trace[gen, :] = NewChrom[best_ind, :] #记录当代种群最有个体的变量值
self.log.logger.info(
'GEN=%d,best_Objv=%.5f,best_chrom_i=%s\n' %
(gen, Objv[best_ind], str(
NewChrom[best_ind, :]))) #记录每一代的最大适应度值和个体
end_time = time.time()
self.time = end_time - start_time
def Evolution(self): #
start_time = time.time()
# 初始化种群
self.get_FieldDR()
Init_chrom = self.get_init_chrom()
# 开始进化
self.log.logger.info('==> This is Init GEN <==')
Init_Objv = self.get_Objv_i(Init_chrom)
best_ind = np.argmax(Init_Objv * self.maxormins) #记录最优个体的索引值
self.chrom_all = Init_chrom
self.Objv_all = Init_Objv
for gen in range(self.MAXGEN):
self.log.logger.info('==> This is No.%d GEN <==' % (gen))
if gen == 0: #第一代和后面有所不同
chrom = Init_chrom
Objv = Init_Objv
else:
chrom = NewChrom
Objv = NewObjv
FitnV = ea.ranking(Objv * self.maxormins)
Selch = chrom[ea.selecting('rws', FitnV, self.Nind -
1), :] #轮盘赌选择 Nind-1 代，与上一代的最优个体再进行拼接
Selch = ea.recombin('xovsp', Selch, self.xov_rate) #重组，即交叉
Selch = ea.mutate('mutswap', 'RI', Selch, self.FieldDR) #变异
Objv_Selch = self.get_Objv_i(Selch)
NewChrom = np.vstack(
(chrom[best_ind, :], Selch)) #将上一代的最优个体与现在的种群拼接
NewObjv = np.vstack((Objv[best_ind, :], Objv_Selch))
best_ind = np.argmax(NewObjv * self.maxormins)
self.chrom_all = np.vstack((self.chrom_all, NewChrom))
self.Objv_all = np.vstack((self.Objv_all, NewObjv))
self.obj_trace[gen,
0] = np.sum(NewObjv) / self.Nind # 记录当代种群的目标函数均值
self.obj_trace[gen, 1] = NewObjv[best_ind] # 记录当代种群最有给他目标函数值
self.var_trace[gen, :] = NewChrom[best_ind, :] # 记录当代种群最优个体的变量值
self.log.logger.info(
'GEN=%d,best_Objv=%.5f,best_chrom_i=%s\n' %
(gen, NewObjv[best_ind], str(
NewChrom[best_ind, :]))) # 记录每一代的最大适应度值和个体
self.Save_chroms(self.chrom_all)
self.Save_objvs(self.Objv_all)
end_time = time.time()
self.time = end_time - start_time
self.log.logger.info('The time of Evoluation is %.5f s. ' % self.time)
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 mintemp1(AIM_M, AIM_F, PUN_M, PUN_F, ranges, borders, MAXGEN, NIND, 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
punishing = getattr(PUN_M, PUN_F) # 获得罚函数
FieldDR = ga.crtfld(ranges, borders) # 初始化区域描述器
NVAR = ranges.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, 3)) * np.nan).astype('int64')
# 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).astype('int64')
"""=========================开始遗传算法进化======================="""
Chrom = ga.crtip(NIND, FieldDR) # 根据区域描述器FieldDR生成整数型初始种群
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(Chrom, LegV) # 计算种群目标函数值，同时更新LegV
start_time = time.time() # 开始计时
# 开始进化！！
for gen in range(MAXGEN):
FitnV = ga.ranking(maxormin * ObjV, LegV) # 计算种群适应度
FitnV = punishing(LegV, FitnV) # 调用罚函数
# 记录进化过程
bestIdx = np.argmax(FitnV)
if LegV[bestIdx] != 0:
feasible = np.where(LegV != 0)[0] # 排除非可行解
# 记录当代种群的适应度均值
pop_trace[gen,
1] = np.sum(FitnV[feasible]) / FitnV[feasible].shape[0]
# 记录当代种群最优个体的目标函数值
pop_trace[gen, 0] = ObjV[bestIdx]
# 记录当代种群的最优个体的适应度值
pop_trace[gen, 2] = FitnV[bestIdx]
# 记录当代种群最优个体的变量值
var_trace[gen, :] = Chrom[bestIdx, :]
# 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.mutint(SelCh, FieldDR, pm) # 实值变异
LegVSel = np.ones((SelCh.shape[0], 1)) # 创建育种个体的可行性列向量
[ObjVSel, LegVSel] = aimfuc(SelCh, LegVSel) # 求育种个体的目标函数值
FitnVSel = punishing(LegVSel, FitnV) # 调用罚函数
[Chrom, ObjV,
LegV] = ga.reins(Chrom, SelCh, SUBPOP, 1, 1, FitnV, FitnVSel, ObjV,
ObjVSel, LegV, LegVSel) #重插入
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)
# 返回进化记录器、变量记录器以及执行时间
return [pop_trace, var_trace, end_time - start_time]
def mintemp1(AIM_M, AIM_F, PUN_M, PUN_F, ranges, borders, MAXGEN, NIND, 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
punishing = getattr(PUN_M, PUN_F) # 获得罚函数
FieldDR = ga.crtfld(ranges, borders) # 初始化区域描述器
NVAR = ranges.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, 3)) * np.nan).astype('int64')
# 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).astype('int64')
"""=========================开始遗传算法进化======================="""
Chrom = ga.crtip(NIND, FieldDR) # 根据区域描述器FieldDR生成整数型初始种群
ObjV = aimfuc(Chrom) # 计算种群目标函数值
start_time = time.time() # 开始计时
# 开始进化！！
for gen in range(MAXGEN):
FitnV = ga.ranking(maxormin * ObjV) # 计算种群适应度
FitnV = punishing(Chrom, FitnV) # 调用罚函数
# 记录当代种群最优个体的目标函数值
pop_trace[gen, 0] = ObjV[np.argmax(FitnV)]
# 记录当代种群的适应度均值
pop_trace[gen, 1] = np.sum(FitnV) / FitnV.shape[0]
# 记录当代种群的最优个体的适应度值
pop_trace[gen, 2] = np.max(FitnV)
# 记录当代种群最优个体的变量值
var_trace[gen, :] = Chrom[np.argmax(FitnV), :]
# 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.mutint(SelCh, FieldDR, pm) # 实值变异
ObjVSel = aimfuc(SelCh) # 求育种个体的目标函数值
[Chrom,ObjV] = ga.reins(Chrom,SelCh,SUBPOP,2,1,maxormin*ObjV,\
maxormin*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 [pop_trace, var_trace, end_time - start_time]
def sga_permut_templet(AIM_M,
AIM_F,
PUN_M,
PUN_F,
NVAR,
VarLen,
maxormin,
MAXGEN,
NIND,
SUBPOP,
GGAP,
selectStyle,
recombinStyle,
recopt,
pm,
distribute,
drawing=1):
"""
sga_permut_templet.py - 单目标编程模板(排列编码)
排列编码即每条染色体的基因都是无重复正整数的编码方式。
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_permut_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
NVAR : int - 变量个数，排列编码的染色体长度等于变量个数
VarLen : int - 排列集合的大小
例如VarLen = 5表示是从1,2,3,4,5中抽取若干个数排列组成染色体
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
# 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======================="""
#生成初始种群
Chrom = ga.crtpp(NIND, NVAR, VarLen)
LegV = np.ones((NIND, 1)) # 初始化种群的可行性列向量
[ObjV, LegV] = aimfuc(Chrom, 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, :] = Chrom[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
# 进行遗传算子
SelCh = ga.selecting(selectStyle, Chrom, FitnV, GGAP, SUBPOP) # 选择
SelCh = ga.recombin(recombinStyle, SelCh, recopt, SUBPOP) # 对选择的个体进行重组
SelCh = ga.mutpp(SelCh, VarLen, pm) # 排列编码种群变异
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) # 求育种种群的目标函数值
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)
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：%f' % (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：%d' % (pop_trace.shape[0]))
print('最优的一代是第 %d 代' % (best_gen + 1))
print('时间已过 %f 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]
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]
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]
def sga_new_permut_templet(AIM_M,
AIM_F,
PUN_M,
PUN_F,
NVAR,
VarLen,
maxormin,
MAXGEN,
NIND,
SUBPOP,
GGAP,
selectStyle,
recombinStyle,
recopt,
pm,
drawing=1):
"""
sga_new_permut_templet.py - 改进的单目标编程模板(排列编码)
本模板实现改进单目标编程模板(排列编码)，将父子两代合并进行选择，增加了精英保留机制
排列编码即每条染色体的基因都是无重复正整数的编码方式。
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_permut_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
NVAR : int - 变量个数，排列编码的染色体长度等于变量个数
VarLen : int - 排列集合的大小
例如VarLen = 5表示是从1,2,3,4,5中抽取若干个数排列组成染色体
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
# 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======================="""
Chrom = ga.crtpp(NIND, NVAR, VarLen) #生成初始种群
start_time = time.time() # 开始计时
# 开始进化！！
for gen in range(MAXGEN):
# 进行遗传算子，生成子代
SelCh = ga.recombin(recombinStyle, Chrom, recopt, SUBPOP) # 重组
SelCh = ga.mutpp(SelCh, VarLen, pm) # 排列编码种群变异
Chrom = np.vstack([Chrom, SelCh]) # 父子合并
ObjV = aimfuc(Chrom) # 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, :] = Chrom[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, :] = Chrom[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：', 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]
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]
MAXGN = 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, :])) # 计算编码后染色体长度
obj_trace = np.zeros((MAXGN, 2)) # 定于目标函数值记录器
var_trace = np.zeros((MAXGN, Lind)) # 定义染色体记录器， 记录每一代最优个体染色体
"""遗传算法进化"""
start_time = time.time()
Chrom = ea.crtbp(NIND, Lind) # 生成种群染色体矩阵
variable = ea.bs2real(Chrom, FieldD) # 对初始种群编码
ObjV = aim(variable) # 计算初始种群个体目标函数值
best_ind = np.argmax(ObjV) # 计算当代最优个体序号
# 开始进化
for gen in range(MAXGN):
FitnV = ea.ranking(-ObjV) # 根据目标函数大小分配适应度
Selch = Chrom[ea.selecting('rws', FitnV,
NIND - 1), :] # 选择，采用'rws'轮盘选择
Selch = ea.recombin('xovsp', Selch, 0.7) # 重组（两点交叉，交叉概率0.7）
Selch = ea.mutbin(Encoding, Selch) # 二进制种群变异
# 父代子代合并
Chrom = np.vstack([Chrom[best_ind, :], Selch])
variable = ea.bs2real(Chrom, FieldD) # 育种群体编码（2进制转10进制）
ObjV = aim(variable)
# 记录
best_ind = np.argmax(ObjV) # 计算当代最优个体序号
obj_trace[gen, 0] = np.sum(ObjV) / NIND # 记录当代种群目标函数均值
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变量值
# 进化结束
def sga_new_real_templet(AIM_M, AIM_F, PUN_M, PUN_F, FieldDR, problem, maxormin, MAXGEN, NIND, SUBPOP, GGAP, selectStyle, recombinStyle, recopt, pm, drawing = 1):
"""
sga_new_real_templet.py - 改进的单目标编程模板(实值编码)
本模板实现改进单目标编程模板(实值编码)，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_real_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
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
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 = FieldDR.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======================="""
if problem == 'R':
Chrom = ga.crtrp(NIND, FieldDR) # 生成初始种群
elif problem == 'I':
Chrom = ga.crtip(NIND, FieldDR)
start_time = time.time() # 开始计时
# 开始进化！！
for gen in range(MAXGEN):
# 进行遗传算子，生成子代
SelCh=ga.recombin(recombinStyle, Chrom, recopt, SUBPOP) # 重组
if problem == 'R':
SelCh=ga.mutbga(SelCh,FieldDR, pm) # 变异
elif problem == 'I':
SelCh=ga.mutint(SelCh, FieldDR, pm)
Chrom = np.vstack([Chrom, SelCh]) # 父子合并
ObjV = aimfuc(Chrom) # 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,:] = Chrom[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,:] = Chrom[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：', 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]
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
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([var_trace[gen, :], SelCh])
print('第', gen, '代', '用时：', time.time() - start_time, '秒')
# 进化完成
l = [
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 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]
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)
pop_trace[gen, 1] = np.sum(ObjV)/ObjV.shape[0]
if maxormin == 1:
best_ind = np.argmin(ObjV)
elif maxormin == -1:
best_ind = np.argmax(ObjV)
pop_trace[gen, 0] = ObjV[best_ind]
ind_trace[gen, :] = Chrom[best_ind, :]
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]
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]
var_trace[gen, :] = Chrom[best_ind, :]
end_time = time.time()
ea.trcplot(obj_trace, [['种族个体平均目标函数值', '种族最优个体目标函数值']])
best_gen = np.argmin(obj_trace[:, [1]])
print('最优解的目标值:', obj_trace[best_gen, 1])
[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)
# 解码，将二进制编码的矩阵转化为实数
help(bs2ri)
Phen = bs2ri(Chrom, FieldD)
print('表现型矩阵 = \n', Phen)
def aim(Phen):
x = Phen[:, [0]]
y = Phen[:, [1]]
CV = np.abs(x + y - 3)
f = x + y
return f, CV
ObjV, CV = aim(Phen)
print('目标函数矩阵：\n', ObjV)
print('CV矩阵：\n', CV)
# 求适应度
from geatpy import ranking
help(ranking)
fitnV = ranking(ObjV, CV)
print('适应度函数：\n', fitnV)
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, 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
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)
LegVSel = np.ones((SelCh.shape[0], 1)) # 初始化育种种群的可行性列向量
[ObjVSel, LegVSel] = aimfuc(Phen, LegVSel) # 求育种个体的目标函数值
[Chrom, ObjV, LegV] = ga.reins(Chrom, SelCh, SUBPOP, 1, 1, maxormin * ObjV,
maxormin * ObjVSel, ObjV, ObjVSel, LegV,
LegVSel) # 重插入得到新一代种群
# 记录
pop_trace[gen, 1] = np.sum(ObjV) / ObjV.shape[0] # 记录当代种群的目标函数均值
if maxormin == 1:
best_ind = np.argmin(ObjV) # 计算当代最优个体的序号
elif maxormin == -1:
best_ind = np.argmax(ObjV)
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]
def sga_mps_real_templet(AIM_M,
AIM_F,
PUN_M,
PUN_F,
FieldDRs,
problem,
maxormin,
MAXGEN,
NIND,
SUBPOP,
GGAP,
selectStyle,
recombinStyle,
recopt,
pm,
drawing=1):
"""
sga_mps_real_templet.py - 基于多种群独立进化单目标编程模板(实值编码)
基于多种群独立进化单目标编程模板(实值编码)，各种群独立将父子两代合并进行选择，采取精英保留机制
语法：
该函数除了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_mps_real_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
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
模板使用注意：
1.本模板调用的目标函数形如：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: punishing(Phen, FitnV), 其中FitnV为用其他算法求得的适应度
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==========================="""
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
exIdx = np.array([]) # 存储非可行解的下标
NVAR = FieldDRs[0].shape[1] # 得到控制变量的个数
# 定义全局进化记录器，初始值为nan
pop_trace = (np.zeros((MAXGEN, 2)) * np.nan)
pop_trace[:, 0] = 0
# 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======================="""
start_time = time.time() # 开始计时
# 对于各个网格分别进行进化，采用全局进化记录器记录最优值
for index in range(len(FieldDRs)):
FieldDR = FieldDRs[index]
if problem == 'R':
Chrom = ga.crtrp(NIND, FieldDR) # 生成初始种群
elif problem == 'I':
Chrom = ga.crtip(NIND, FieldDR)
repnum = 0 # 初始化重复个体数为0
# 开始进化！！
for gen in range(MAXGEN):
# 进行遗传算子，生成子代
SelCh = ga.recombin(recombinStyle, Chrom, recopt, SUBPOP) # 重组
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)
Chrom = np.vstack([Chrom, SelCh]) # 父子合并
ObjV = aimfuc(Chrom) # 求后代的目标函数值
FitnV = ga.ranking(maxormin * ObjV, None, SUBPOP) # 适应度评价
if PUN_F is not None:
[FitnV, exIdx] = punishing(Chrom, FitnV) # 调用罚函数
repnum = len(
np.where(ObjV[np.argmax(FitnV)] == ObjV)[0]) # 计算最优个体重复数
# 记录进化过程
bestIdx = np.argmax(FitnV)
wrongSign = np.ones((FitnV.shape[0], 1))
wrongSign[list(exIdx)] = 0 # 对非可行解作标记
if FitnV[bestIdx] != 0:
if (np.isnan(pop_trace[gen, 1])) or (
(maxormin == 1) &
(pop_trace[gen, 1] >= ObjV[bestIdx])) or (
(maxormin == -1) &
(pop_trace[gen, 1] <= ObjV[bestIdx])):
feasible = np.where(wrongSign != 0)[0] # 排除非可行解
pop_trace[gen, 0] += np.sum(
ObjV[feasible]) / ObjV[feasible].shape[0] / len(
FieldDRs) # 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, :] = Chrom[bestIdx, :] # 记录当代最优的控制变量值
Chrom = ga.selecting(selectStyle, Chrom, FitnV, GGAP, SUBPOP) # 选择
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]
def sga_new_permut_templet(AIM_M,
AIM_F,
PUN_M,
PUN_F,
NVAR,
VarLen,
maxormin,
MAXGEN,
NIND,
SUBPOP,
GGAP,
selectStyle,
recombinStyle,
recopt,
pm,
distribute,
drawing=1):
"""
sga_new_permut_templet.py - 改进的单目标编程模板(排列编码)
本模板实现改进单目标编程模板(排列编码)，将父子两代合并进行选择，增加了精英保留机制
排列编码即每条染色体的基因都是无重复正整数的编码方式。
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_permut_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
NVAR : int - 变量个数，排列编码的染色体长度等于变量个数
VarLen : int - 排列集合的大小
例如VarLen = 5表示是从1,2,3,4,5中抽取若干个数排列组成染色体
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
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==========================="""
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
# 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======================="""
Chrom = ga.crtpp(NIND, NVAR, VarLen) #生成初始种群
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(Chrom, LegV) # 求初代的目标函数值
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
# 进行遗传算子，生成子代
SelCh = ga.recombin(recombinStyle, Chrom, recopt, SUBPOP) # 重组
SelCh = ga.mutpp(SelCh, VarLen, pm) # 排列编码种群变异
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) # 求后代的目标函数值
# 父子合并
Chrom = np.vstack([Chrom, SelCh])
ObjV = np.vstack([ObjV, ObjVSel])
LegV = np.vstack([LegV, LegVSel])
# 对合并的种群进行适应度评价
FitnV = ga.ranking(maxormin * ObjV, LegV, None, SUBPOP) # 适应度评价
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, :] = Chrom[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)
else:
gen -= 1 # 忽略这一代
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
[Chrom, ObjV, LegV] = ga.selecting(selectStyle, Chrom, FitnV, GGAP,
SUBPOP, ObjV, LegV) # 选择个体生成新一代种群
gen += 1
end_time = time.time() # 结束计时
times = end_time - start_time
# 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])
if np.isnan(best_ObjV):
raise RuntimeError('error: no feasible solution. (没找到可行解。)')
print('最优的目标函数值为：', best_ObjV)
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')
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]
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
[Chrom, ObjV] = ga.reins(Chrom, SelCh, SUBPOP, 2, 1, ObjV,
ObjVSel) # 重插入得到新一代种群
# 记录
best_ind = np.argmin(ObjV) # 计算当代最优个体的序号
pop_trace[gen, 0] = ObjV[best_ind] # 记录当代种群最优个体目标函数值
pop_trace[gen, 1] = np.sum(ObjV) / ObjV.shape[0] # 记录当代种群的目标函数均值
ind_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
"""============================绘图================================"""
def sga_permut_templet(AIM_M, AIM_F, PUN_M, PUN_F, NVAR, VarLen, maxormin, MAXGEN, NIND, SUBPOP, GGAP, selectStyle, recombinStyle, recopt, pm, drawing = 1):
"""
sga_permut_templet.py - 单目标编程模板(排列编码)
排列编码即每条染色体的基因都是无重复正整数的编码方式。
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_permut_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
NVAR : int - 变量个数，排列编码的染色体长度等于变量个数
VarLen : int - 排列集合的大小
例如VarLen = 5表示是从1,2,3,4,5中抽取若干个数排列组成染色体
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：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: punishing(Phen, FitnV), 其中FitnV为用其他算法求得的适应度
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
# 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======================="""
#生成初始种群
Chrom = ga.crtpp(NIND, NVAR, VarLen)
ObjV = aimfuc(Chrom) # 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,:] = Chrom[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.mutpp(SelCh, VarLen, pm) # 排列编码种群变异
ObjVSel = aimfuc(SelCh) # 求后代的目标函数值
# 重插入
[Chrom, ObjV]=ga.reins(Chrom, SelCh, SUBPOP, 2, 1, ObjV, ObjVSel)
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]
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
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
"""============================输出结果及绘图================================"""
def sga_permut_templet(AIM_M,
AIM_F,
PUN_M,
PUN_F,
NVAR,
VarLen,
maxormin,
MAXGEN,
NIND,
SUBPOP,
GGAP,
selectStyle,
recombinStyle,
recopt,
pm,
drawing=1):
"""
sga_permut_templet.py - 单目标编程模板(排列编码)
排列编码即每条染色体的基因都是无重复正整数的编码方式。
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_permut_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
NVAR : int - 变量个数，排列编码的染色体长度等于变量个数
VarLen : int - 排列集合的大小
例如VarLen = 5表示是从1,2,3,4,5中抽取若干个数排列组成染色体
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
"""
"""==========================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
# 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======================="""
#生成初始种群
Chrom = ga.crtpp(NIND, NVAR, VarLen)
ObjV = aimfuc(Chrom) # 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 = punishing(Chrom, FitnV) # 调用罚函数
# 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.mutpp(SelCh, VarLen, pm) # 排列编码种群变异
ObjVSel = aimfuc(SelCh) # 求后代的目标函数值
# 重插入
[Chrom, ObjV] = ga.reins(Chrom, SelCh, SUBPOP, 2, 1, ObjV, ObjVSel)
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, :] = Chrom[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, :] = Chrom[np.argmax(ObjV), :] # 记录当代最优的控制变量值
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：', 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]
def sga_real_templet(AIM_M,
AIM_F,
PUN_M,
PUN_F,
FieldDR,
problem,
maxormin,
MAXGEN,
NIND,
SUBPOP,
GGAP,
selectStyle,
recombinStyle,
recopt,
pm,
distribute,
drawing=1):
"""
sga_real_templet.py - 单目标编程模板(实值编码)
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_real_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
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 = FieldDR.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
repnum = 0 # 初始化重复个体数为0
"""=========================开始遗传算法进化======================="""
if problem == 'R':
Chrom = ga.crtrp(NIND, FieldDR) # 生成初始种群
elif problem == 'I':
Chrom = ga.crtip(NIND, FieldDR)
LegV = np.ones((NIND, 1)) # 初始化种群的可行性列向量
[ObjV, LegV] = aimfuc(Chrom, 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, :] = Chrom[bestIdx, :] # 记录当代最优的控制变量值
repnum = len(
np.where(ObjV[np.argmax(FitnV)] == ObjV)[0]) # 计算最优个体重复数
# 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
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) # 求育种种群的目标函数值
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)
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]
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')
