"""===============================实例化问题对象============================"""
problem = MyProblem() # 生成问题对象
"""==================================种群设置=============================="""
NIND = 30 # 种群规模
# 创建区域描述器，这里需要创建两个，前1个变量用RI编码，剩余变量用排列编码
Encodings = ['RI', 'P'] # 编码方式列表
Field1 = ea.crtfld(Encodings[0], problem.varTypes[:1],
problem.ranges[:, :1],
problem.borders[:, :1]) # 创建区域描述器
Field2 = ea.crtfld(Encodings[1], problem.varTypes[1:],
problem.ranges[:, 1:], problem.borders[:, 1:])
Fields = [Field1, Field2]
population = ea.PsyPopulation(Encodings, Fields,
NIND) # 实例化种群对象（此时种群还没被初始化，仅仅是完成种群对象的实例化）
"""================================算法参数设置============================"""
myAlgorithm = ea.moea_psy_NSGA2_templet(problem, population) # 实例化一个算法模板对象
myAlgorithm.MAXGEN = 200 # 最大进化代数
myAlgorithm.logTras = 0 # 设置每多少代记录日志，若设置成0则表示不记录日志
myAlgorithm.verbose = False # 设置是否打印输出日志信息
myAlgorithm.drawing = 1 # 设置绘图方式（0：不绘图；1：绘制结果图；2：绘制目标空间过程动画；3：绘制决策空间过程动画）
"""==========================调用算法模板进行种群进化=========================
调用run执行算法模板，得到帕累托最优解集NDSet以及最后一代种群。NDSet是一个种群类Population的对象。
NDSet.ObjV为最优解个体的目标函数值；NDSet.Phen为对应的决策变量值。
详见Population.py中关于种群类的定义。
"""
[NDSet, population] = myAlgorithm.run() # 执行算法模板，得到非支配种群以及最后一代种群
NDSet.save() # 把非支配种群的信息保存到文件中
"""==================================输出结果=============================="""
print('用时：%s 秒' % myAlgorithm.passTime)
print('非支配个体数：%d 个' %
NDSet.sizes) if NDSet.sizes != 0 else print('没有找到可行解！')
# -*- coding: utf-8 -*-
from MyProblem import MyProblem # 导入自定义问题接口
import geatpy as ea # import geatpy
if __name__ == '__main__':
# 实例化问题对象
problem = MyProblem()
# 构建算法
algorithm = ea.moea_psy_NSGA2_templet(problem,
ea.PsyPopulation(Encodings=['RI', 'P'], NIND=30, EncoIdxs=[[0], [1,2,3,4]]),
MAXGEN=200, # 最大进化代数
logTras=0) # 表示每隔多少代记录一次日志信息，0表示不记录。
# 求解
res = ea.optimize(algorithm, verbose=False, drawing=1, outputMsg=True, drawLog=False, saveFlag=True)
print(res)
