def Plot_Save(self):
self.best_gen = np.argmax(self.obj_trace[:, [1]])
self.best_Objv = self.obj_trace[self.best_gen, 1]
self.best_chrom_i = self.var_trace[self.best_gen]
# pdb.set_trace()
ea.trcplot(trace=self.obj_trace,
labels=[['POP Mean Objv', 'Best Chrom i Objv']],
titles=[['Mean_Best_Chromi_Objv']],
save_path=self.cfg.PARA.CNN_params.save_data_path,
xlabels=[['GEN']],
ylabels=[['ACC']])
with open(self.cfg.PARA.CNN_params.save_bestdata_txt, 'a') as f:
f.write('best_Objv=%.5f,best_chrom_i=%s,total_time=%.5f\n' %
(self.best_Objv, str(self.best_chrom_i), self.time))
np.savetxt(
self.cfg.PARA.CNN_params.save_data_path + 'MeanChromi_Objv.txt',
self.obj_trace[:, 0])
np.savetxt(
self.cfg.PARA.CNN_params.save_data_path + 'BestChromi_Objv.txt',
self.obj_trace[:, 1])
np.savetxt(self.cfg.PARA.CNN_params.save_data_path + 'BestChromi.txt',
self.var_trace)
def run(self):
#==========================初始化配置===========================
population = self.population
NIND = population.sizes
NVAR = self.problem.Dim # 得到决策变量的个数
self.obj_trace = (np.zeros(
(self.MAXGEN, 2)) * np.nan) # 定义目标函数值记录器，初始值为nan
self.var_trace = (np.zeros(
(self.MAXGEN, NVAR)) * np.nan) # 定义变量记录器，记录决策变量值，初始值为nan
self.forgetCount = 0 # “遗忘策略”计数器，用于记录连续出现最优个体不是可行个体的代数
#===========================准备进化============================
self.timeSlot = time.time() # 开始计时
if population.Chrom is None:
population.initChrom(NIND) # 初始化种群染色体矩阵（内含染色体解码，详见Population类的源码）
population.ObjV, population.CV = self.problem.aimFuc(
population.Phen, population.CV) # 计算种群的目标函数值
population.FitnV = ea.scaling(self.problem.maxormins * population.ObjV,
population.CV) # 计算适应度
self.evalsNum = population.sizes # 记录评价次数
#===========================开始进化============================
self.currentGen = 0
while self.terminated(population) == False:
bestIdx = np.argmax(population.FitnV,
axis=0) # 得到当代的最优个体的索引, 设置axis=0可使得返回一个向量
studPop = population[np.tile(
bestIdx, (NIND // 2))] # 复制最优个体NIND//2份，组成一个“种马种群”
restPop = population[np.where(
np.array(range(NIND)) != bestIdx)[0]] # 得到除去精英个体外其它个体组成的种群
# 选择个体，以便后面与种马种群进行交配
tempPop = restPop[ea.selecting(self.selFunc, restPop.FitnV,
(NIND - studPop.sizes))]
# 将种马种群与选择出来的个体进行合并
population = studPop + tempPop
# 进行进化操作
population.Chrom = ea.recombin(self.recFunc, population.Chrom,
self.pc) # 重组
population.Chrom = ea.mutate(self.mutFunc, population.Encoding,
population.Chrom, population.Field,
self.pm) # 变异
# 求进化后个体的目标函数值
population.Phen = population.decoding() # 染色体解码
population.ObjV, population.CV = self.problem.aimFuc(
population.Phen, population.CV)
self.evalsNum += population.sizes # 更新评价次数
population.FitnV = ea.scaling(self.problem.maxormins *
population.ObjV,
population.CV) # 计算适应度
# 处理进化记录器
delIdx = np.where(np.isnan(self.obj_trace))[0]
self.obj_trace = np.delete(self.obj_trace, delIdx, 0)
self.var_trace = np.delete(self.var_trace, delIdx, 0)
if self.obj_trace.shape[0] == 0:
raise RuntimeError(
'error: No feasible solution. (有效进化代数为0，没找到可行解。)')
self.passTime += time.time() - self.timeSlot # 更新用时记录
# 绘图
if self.drawing != 0:
ea.trcplot(self.obj_trace, [['种群个体平均目标函数值', '种群最优个体目标函数值']])
# 返回最后一代种群、进化记录器、变量记录器以及执行时间
return [population, self.obj_trace, self.var_trace]
def run(self):
#==========================初始化配置===========================
population = self.population
NIND = population.sizes
NVAR = self.problem.Dim # 得到决策变量的个数
self.obj_trace = (np.zeros(
(self.MAXGEN, 2)) * np.nan) # 定义目标函数值记录器，初始值为nan
self.var_trace = (np.zeros(
(self.MAXGEN, NVAR)) * np.nan) # 定义变量记录器，记录决策变量值，初始值为nan
self.forgetCount = 0 # “遗忘策略”计数器，用于记录连续出现最优个体不是可行个体的代数
#===========================准备进化============================
self.timeSlot = time.time() # 开始计时
if population.Chrom is None:
population.initChrom(NIND) # 初始化种群染色体矩阵（内含染色体解码，详见Population类的源码）
population.ObjV, population.CV = self.problem.aimFuc(
population.Phen, population.CV) # 计算种群的目标函数值
population.FitnV = ea.scaling(self.problem.maxormins * population.ObjV,
population.CV) # 计算适应度
self.evalsNum = population.sizes # 记录评价次数
#===========================开始进化============================
self.currentGen = 0
while self.terminated(population) == False:
# 选择
offspring = population[ea.selecting(self.selFunc, population.FitnV,
NIND)]
# 进行进化操作
offspring.Chrom = ea.recombin(self.recFunc, offspring.Chrom,
self.pc) # 重组
offspring.Chrom = ea.mutate(self.mutFunc, offspring.Encoding,
offspring.Chrom, offspring.Field,
self.pm) # 变异
# 求进化后个体的目标函数值
offspring.Phen = offspring.decoding() # 染色体解码
offspring.ObjV, offspring.CV = self.problem.aimFuc(
offspring.Phen, offspring.CV)
self.evalsNum += offspring.sizes # 更新评价次数
population = population + offspring # 父子合并
population.FitnV = ea.scaling(self.problem.maxormins *
population.ObjV,
population.CV) # 计算适应度
# 得到新一代种群
population = population[ea.selecting(self.selFunc,
population.FitnV, NIND)]
# 处理进化记录器
delIdx = np.where(np.isnan(self.obj_trace))[0]
self.obj_trace = np.delete(self.obj_trace, delIdx, 0)
self.var_trace = np.delete(self.var_trace, delIdx, 0)
if self.obj_trace.shape[0] == 0:
raise RuntimeError(
'error: No feasible solution. (有效进化代数为0，没找到可行解。)')
self.passTime += time.time() - self.timeSlot # 更新用时记录
# 绘图
if self.drawing != 0:
ea.trcplot(self.obj_trace, [['种群个体平均目标函数值', '种群最优个体目标函数值']])
# 返回最后一代种群、进化记录器、变量记录器以及执行时间
return [population, self.obj_trace, self.var_trace]
def run(self):
#==========================初始化配置===========================
population = self.population
NIND = population.sizes
NVAR = self.problem.Dim # 得到决策变量的个数
self.obj_trace = (np.zeros(
(self.MAXGEN, 2)) * np.nan) # 定义目标函数值记录器，初始值为nan
self.var_trace = (np.zeros(
(self.MAXGEN, NVAR)) * np.nan) # 定义变量记录器，记录决策变量值，初始值为nan
self.forgetCount = 0 # “遗忘策略”计数器，用于记录连续出现最优个体不是可行个体的代数
#===========================准备进化============================
self.timeSlot = time.time() # 开始计时
if population.Chrom is None:
population.initChrom(NIND) # 初始化种群染色体矩阵（内含染色体解码，详见Population类的源码）
population.ObjV, population.CV = self.problem.aimFuc(
population.Phen, population.CV) # 计算种群的目标函数值
population.FitnV = ea.scaling(self.problem.maxormins * population.ObjV,
population.CV) # 计算适应度
self.evalsNum = population.sizes # 记录评价次数
#===========================开始进化============================
self.currentGen = 0
while self.terminated(population) == False:
population.shuffle() # 打乱个体顺序
# 进行差分进化操作
mutPop = population.copy()
mutPop.Chrom = ea.mutate(self.mutFunc, mutPop.Encoding,
mutPop.Chrom, mutPop.Field, self.F,
1) # 差分变异
tempPop = population + mutPop # 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 = population.copy() # 试验种群
experimentPop.Chrom = ea.recombin(self.recFunc, tempPop.Chrom,
self.pc, True) # 重组
# 求进化后个体的目标函数值
experimentPop.Phen = experimentPop.decoding() # 染色体解码
experimentPop.ObjV, experimentPop.CV = self.problem.aimFuc(
experimentPop.Phen, experimentPop.CV)
self.evalsNum += experimentPop.sizes # 更新评价次数
tempPop = population + experimentPop # 临时合并，以调用otos进行一对一生存者选择
tempPop.FitnV = ea.scaling(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
# 处理进化记录器
delIdx = np.where(np.isnan(self.obj_trace))[0]
self.obj_trace = np.delete(self.obj_trace, delIdx, 0)
self.var_trace = np.delete(self.var_trace, delIdx, 0)
if self.obj_trace.shape[0] == 0:
raise RuntimeError(
'error: No feasible solution. (有效进化代数为0，没找到可行解。)')
self.passTime += time.time() - self.timeSlot # 更新用时记录
# 绘图
if self.drawing != 0:
ea.trcplot(self.obj_trace, [['种群个体平均目标函数值', '种群最优个体目标函数值']])
# 返回最后一代种群、进化记录器、变量记录器以及执行时间
return [population, self.obj_trace, self.var_trace]
def Plot_Save(self):
self.best_gen = np.argmax(self.obj_trace[:, [1]])
self.best_Objv = self.obj_trace[self.best_gen, 1]
self.best_chrom_i = self.var_trace[self.best_gen]
# pdb.set_trace()
ea.trcplot(self.obj_trace, [['POP Mean Objv', 'Best Chrom i Objv']])
with open(self.cfg.PARA.GACNN_params.save_bestdata_txt, 'a') as f:
f.write('best_Objv=%.5f,best_chrom_i=%s,total_time=%.5f\n' %
(self.best_Objv, str(self.best_chrom_i), self.time))
def ea_select_model(config, log_name):
#####################
# set up parameters #
######################
if isinstance(config['ctx'], list):
ctx = [mx.gpu(i) for i in config['ctx']]
elif isinstance(config['ctx'], int):
ctx = mx.gpu(config['ctx'])
else:
raise Exception("config_ctx error:" + str(config['ctx']))
logger = Logger(log_name, config, False)
#######################
# init Env #
#######################
env = GNNEnv(config, ctx, logger)
##############
# training #
##############
problem = MyProblem(env, logger)
Encoding = 'RI'
NIND = 50
Field = ea.crtfld(Encoding, problem.varTypes, problem.ranges,
problem.borders)
population = ea.Population(Encoding, Field, NIND)
myAlgorithm = ea.soea_DE_best_1_L_templet(problem, population)
myAlgorithm.MAXGEN = 39
myAlgorithm.logTras = 1
myAlgorithm.verbose = True
myAlgorithm.drawing = 1
[NDSet, population] = myAlgorithm.run()
NDSet.save()
"""==================================输出结果=============================="""
print('用时：%f 秒' % myAlgorithm.passTime)
print('评价次数：%d 次' % myAlgorithm.evalsNum)
print('非支配个体数：%d 个' %
NDSet.sizes) if NDSet.sizes != 0 else print('没有找到可行解！')
if myAlgorithm.log is not None and NDSet.sizes != 0:
print('eval', myAlgorithm.log['eval'][-1])
print('f_opt', myAlgorithm.log['f_opt'][-1])
print('f_max', myAlgorithm.log['f_max'][-1])
print('f_avg', myAlgorithm.log['f_avg'][-1])
print('f_min', myAlgorithm.log['f_min'][-1])
print('f_std', myAlgorithm.log['f_std'][-1])
"""=========================进化过程指标追踪分析========================="""
metricName = [['eval']]
Metrics = np.array([
myAlgorithm.log[metricName[i][0]] for i in range(len(metricName))
]).T
# 绘制指标追踪分析图
ea.trcplot(Metrics, labels=metricName, titles=metricName)
def finishing(self, population): # 进化完成后调用的函数
# 处理进化记录器
delIdx = np.where(np.isnan(self.obj_trace))[0]
self.obj_trace = np.delete(self.obj_trace, delIdx, 0)
self.var_trace = np.delete(self.var_trace, delIdx, 0)
if self.obj_trace.shape[0] == 0:
raise RuntimeError('error: No feasible solution. (有效进化代数为0，没找到可行解。)')
self.passTime += time.time() - self.timeSlot # 更新用时记录
# 绘图
if self.drawing != 0:
ea.trcplot(self.obj_trace, [['种群个体平均目标函数值', '种群最优个体目标函数值']], xlabels = [['Number of Generation']], ylabels = [['Value']], gridFlags = [[False]])
# 返回最后一代种群、进化记录器、变量记录器以及执行时间
return [population, self.obj_trace, self.var_trace]
def draw(self, pop, EndFlag=False):
"""
描述:
该函数用于在进化过程中进行绘图。该函数在stat()以及finishing函数里面被调用。
输入参数:
pop : class <Population> - 种群对象。
EndFlag : bool - 表示是否是最后一次调用该函数。
输出参数:
无输出参数。
"""
if not EndFlag:
self.passTime += time.time() - self.timeSlot # 更新用时记录，不计算画图的耗时
# 绘制动画
if self.drawing == 2:
metric = np.array(self.trace['f_best']).reshape(-1, 1)
self.ax = ea.soeaplot(metric,
Label='Objective Value',
saveFlag=False,
ax=self.ax,
gen=self.currentGen,
gridFlag=False) # 绘制动态图
elif self.drawing == 3:
self.ax = ea.varplot(pop.Phen,
Label='decision variables',
saveFlag=False,
ax=self.ax,
gen=self.currentGen,
gridFlag=False)
self.timeSlot = time.time() # 更新时间戳
else:
# 绘制最终结果图
if self.drawing != 0:
metric = np.vstack([self.trace['f_avg'],
self.trace['f_best']]).T
ea.trcplot(metric, [['种群个体平均目标函数值', '种群最优个体目标函数值']],
xlabels=[['Number of Generation']],
ylabels=[['Value']],
gridFlags=[[False]])
def output(self):
if self.NDSet:
print('用时：%s 秒' % (self.myAlgorithm.passTime))
print('非支配个体数：%s 个' % (self.NDSet.sizes))
print('单位时间找到帕累托前沿点个数：%s 个' %
(int(self.NDSet.sizes // self.myAlgorithm.passTime)))
PF = self.problem.getBest()
if PF is not None and self.NDSet.sizes != 0:
GD = ea.indicator.GD(self.NDSet.ObjV, PF) #计算GD指标
IGD = ea.indicator.IGD(self.NDSet.ObjV, PF) # 计算IGD指标
HV = ea.indicator.HV(self.NDSet.ObjV, PF) #计算HV指标
Spacing = ea.indicator.Spacing(self.NDSet.ObjV) #计算Spacing指标
print('GD:%f' % GD)
print('IGD:%f' % IGD)
print('HV:%f' % HV)
print('Spacing:%f' % Spacing)
"""=====================进化过程指标追踪分析========================"""
if PF is not None:
metricName = [['IGD'], ['HV']]
[NDSet_trace, Metrics] = ea.indicator.moea_tracking(
self.myAlgorithm.pop_trace, PF, metricName,
self.problem.maxormins) # 绘制指标追踪分析图
ea.trcplot(Metrics, labels=metricName, titles=metricName)
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]
# 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================================"""
ga.trcplot(pop_trace, [['最优个体目标函数值', '种群的目标函数均值']], ['demo_result'])
"""============================输出结果============================"""
best_gen = np.argmin(pop_trace[:, 0]) # 计算最优种群是在哪一代
print('最优的目标函数值为：', np.min(pop_trace[:, 0]))
print('最优的控制变量值为：')
# 最优个体记录器存储的是各代种群最优个体的染色体，此处需要解码得到对应的基因表现型
variables = ga.bs2rv(ind_trace, FieldD) # 解码
for i in range(variables.shape[1]):
print(variables[best_gen, i])
print('最优的一代是第', best_gen + 1, '代')
print('用时：', end_time - start_time, '秒')
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_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_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 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]
b2 = [0, 1] # 自变量的边界
ranges = np.vstack([x1, x2]).T # 生成自变量的范围矩阵
borders = np.vstack([b1, b2]).T # 生成自变量的边界矩阵
"""========================遗传算法参数设置========================="""
NIND = 50 # 种群规模
MAXGEN = 500 # 最大遗传代数
GGAP = 0.8 # 代沟：子代与父代的重复率为(1-GGAP)
selectStyle = 'rws' # 遗传算法的选择方式设为"rws"——轮盘赌选择
recombinStyle = 'xovdp' # 遗传算法的重组方式，设为两点交叉
recopt = 0.9 # 交叉概率
pm = 0.01 # 变异概率
SUBPOP = 1 # 设置种群数为1
maxormin = 1 # 设置标记表明这是最小化目标
"""=======================调用编程模板进行种群进化==================="""
# 调用编程模板进行种群进化，得到种群进化和变量的追踪器以及运行时间
[pop_trace, var_trace,
times] = mintemp1(AIM_M, 'aimfuc', PUN_M, 'punishing', ranges, borders,
MAXGEN, NIND, SUBPOP, GGAP, selectStyle, recombinStyle,
recopt, pm, maxormin)
"""=========================绘图及输出结果========================="""
# 传入pop_trace进行绘图
gea.trcplot(pop_trace, [['各代种群最优目标函数值'], ['各代种群个体平均适应度值', '各代种群最优个体适应度值']],
['demo_result1', 'demo_result2'])
# 输出结果
best_gen = np.argmin(pop_trace[:, 0]) # 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[:, 0]))
print('最优的控制变量值为：')
for i in range(var_trace.shape[1]):
print(var_trace[best_gen, i])
print('最优的一代是第', best_gen + 1, '代')
print('用时：', times, '秒')
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]
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。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 = myAlgorithm.run() # 执行算法模板，得到非支配种群
NDSet.save() # 把结果保存到文件中
# 输出
print('用时：%f 秒'%(myAlgorithm.passTime))
print('评价次数：%d 次'%(myAlgorithm.evalsNum))
print('非支配个体数：%d 个'%(NDSet.sizes))
print('单位时间找到帕累托前沿点个数：%d 个'%(int(NDSet.sizes // myAlgorithm.passTime)))
# 计算指标
PF = problem.getBest() # 获取真实前沿，详见Problem.py中关于Problem类的定义
if PF is not None and NDSet.sizes != 0:
GD = ea.indicator.GD(NDSet.ObjV, PF) # 计算GD指标
IGD = ea.indicator.IGD(NDSet.ObjV, PF) # 计算IGD指标
HV = ea.indicator.HV(NDSet.ObjV, PF) # 计算HV指标
Spacing = ea.indicator.Spacing(NDSet.ObjV) # 计算Spacing指标
print('GD',GD)
print('IGD',IGD)
print('HV', HV)
print('Spacing', Spacing)
"""=============================进化过程指标追踪分析============================"""
if PF is not None:
metricName = [['IGD'], ['HV']]
[NDSet_trace, Metrics] = ea.indicator.moea_tracking(myAlgorithm.pop_trace, PF, metricName, problem.maxormins)
# 绘制指标追踪分析图
ea.trcplot(Metrics, labels = metricName, titles = metricName)
def run(self):
#==========================初始化配置===========================
population = self.population
NIND = population.sizes
NVAR = self.problem.Dim # 得到决策变量的个数
self.obj_trace = (np.zeros(
(self.MAXGEN, 2)) * np.nan) # 定义目标函数值记录器，初始值为nan
self.var_trace = (np.zeros(
(self.MAXGEN, NVAR)) * np.nan) # 定义变量记录器，记录决策变量值，初始值为nan
self.forgetCount = 0 # “遗忘策略”计数器，用于记录连续出现最优个体不是可行个体的代数
#===========================准备进化============================
self.timeSlot = time.time() # 开始计时
if population.Chrom is None:
population.initChrom(NIND) # 初始化种群染色体矩阵（内含染色体解码，详见Population类的源码）
population.ObjV, population.CV = self.problem.aimFuc(
population.Phen, population.CV) # 计算种群的目标函数值
population.FitnV = ea.scaling(self.problem.maxormins * population.ObjV,
population.CV) # 计算适应度
self.evalsNum = population.sizes # 记录评价次数
Sigma = 0.5 * (population.Field[1, :] -
population.Field[0, :]) / 3 # 初始化高斯变异的Sigma
#===========================开始进化============================
self.currentGen = 0
while self.terminated(population) == False:
# 进行进化操作
experimentPop = population.copy() # 存储试验种群
experimentPop.Chrom = ea.mutate('mutgau', experimentPop.Encoding,
experimentPop.Chrom,
experimentPop.Field,
experimentPop.Lind,
Sigma) # 变异（这里变异概率设为染色体长度）
# 求进化后个体的目标函数值
experimentPop.Phen = experimentPop.decoding() # 染色体解码
experimentPop.ObjV, experimentPop.CV = self.problem.aimFuc(
experimentPop.Phen, experimentPop.CV)
self.evalsNum += population.sizes # 更新评价次数
tempPop = population + experimentPop # 临时合并，以调用otos进行一对一生存者选择
tempPop.FitnV = ea.scaling(self.problem.maxormins * tempPop.ObjV,
tempPop.CV) # 计算适应度
chooseIdx = ea.selecting('otos', tempPop.FitnV,
NIND) # 采用One-to-One Survivor选择
population = tempPop[chooseIdx] # 产生新一代种群
# 利用1/5规则调整变异压缩概率（实质上是通过变异压缩概率来调整高斯变异的标准差，详见mutgau帮助文档）
successfulRate = len(np.where(chooseIdx >= NIND)[0]) / (2 * NIND)
if successfulRate < 1 / 5:
Sigma *= 0.817
elif successfulRate > 1 / 5:
Sigma /= 0.817
# 处理进化记录器
delIdx = np.where(np.isnan(self.obj_trace))[0]
self.obj_trace = np.delete(self.obj_trace, delIdx, 0)
self.var_trace = np.delete(self.var_trace, delIdx, 0)
if self.obj_trace.shape[0] == 0:
raise RuntimeError(
'error: No feasible solution. (有效进化代数为0，没找到可行解。)')
self.passTime += time.time() - self.timeSlot # 更新用时记录
# 绘图
if self.drawing != 0:
ea.trcplot(self.obj_trace, [['种群个体平均目标函数值', '种群最优个体目标函数值']])
# 返回最后一代种群、进化记录器、变量记录器以及执行时间
return [population, self.obj_trace, self.var_trace]
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]
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]
AIM_M = __import__('aimfuc')
PUN_M = __import__('punishing')
"""============================变量设置============================"""
x1 = [-5, 5]; x2 = [2, 10] # 自变量的范围
b1 = [1, 1] ; b2 = [0, 1] # 自变量的边界
ranges=np.vstack([x1, x2]).T # 生成自变量的范围矩阵
borders=np.vstack([b1, b2]).T # 生成自变量的边界矩阵
"""========================遗传算法参数设置========================="""
NIND = 10; # 种群规模
MAXGEN = 50; # 最大遗传代数
GGAP = 0.8; # 代沟：子代与父代的重复率为(1-GGAP)
selectStyle = 'rws'; # 遗传算法的选择方式设为"rws"——轮盘赌选择
recombinStyle = 'xovdp' # 遗传算法的重组方式，设为两点交叉
recopt = 0.9; # 交叉概率
pm = 0.01; # 变异概率
SUBPOP = 1 # 设置种群数为1
maxormin = 1 # 设置标记表明这是最小化目标
"""=======================调用编程模板进行种群进化==================="""
# 调用编程模板进行种群进化，得到种群进化和变量的追踪器以及运行时间
[pop_trace, var_trace, times] = mintemp1(AIM_M, 'aimfuc', PUN_M, 'punishing', ranges, borders, MAXGEN, NIND, SUBPOP, GGAP, selectStyle, recombinStyle, recopt, pm, maxormin)
"""=========================绘图及输出结果========================="""
# 传入pop_trace进行绘图
gea.trcplot(pop_trace, [['种群最优个体目标函数值'], ['种群个体平均适应度值', '种群最优个体适应度值']])
# 输出结果
best_gen = np.argmin(pop_trace[:, 0]) # 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[:, 0]))
print('最优的控制变量值为：')
for i in range(var_trace.shape[1]):
print(var_trace[best_gen, i])
print('最优的一代是第',best_gen + 1,'代')
print('用时：', times, '秒')
def run(self):
# ==========================初始化配置===========================
population = self.population # population是传入的初始化种群
NIND = population.sizes # NIND表示的是种群数目
NVAR = self.problem.Dim # 得到决策变量的个数
self.obj_trace = (np.zeros(
(self.MAXGEN, 2)) * np.nan) # 定义目标函数值记录器，初始值为nan
# 目标函数记录器(2列)
self.var_trace = (np.zeros(
(self.MAXGEN, NVAR)) * np.nan) # 定义变量记录器，记录决策变量值，初始值为nan
# id_trace用于记录每一代训练得出的最佳子种群的ARRAY
self.forgetCount = 0 # “遗忘策略”计数器，用于记录连续出现最优个体不是可行个体的代数/"遗忘策略"
x_hang = np.arange(0, NVAR)
id_1 = np.array([x_hang] * NIND)
for i in range(NIND):
np.random.shuffle(id_1[i])
#id_1 = np.random.randint(0, NVAR, (NIND, NVAR)) # 对index记录的矩阵进行初始化
# ===========================准备进化============================
self.timeSlot = time.time() # 开始计时
if population.Chrom is None:
# 如果Chrom是空的话，那么就初始化//Chrom为待解码矩阵
# population.ObjV = None
# population.FitnV = np.ones((self.sizes,1))
# population.CV = np.zeros((self.sizes,1))
# population.Phen =
A = int(NVAR / self.n_x)
e = np.zeros((NIND, NVAR), dtype=np.int)
for i in range(NIND):
c = np.arange(0, NVAR)
batch_size = A
for j in range(self.n_x):
slice_1 = np.random.choice(c.shape[0], batch_size)
d = c[slice_1]
e[i][d] = (j + 1)
c = np.delete(c, slice_1)
e[i][c] = np.random.randint(1, self.n_x)
population.Chrom = e
population.Phen = e
population.FitnV = np.ones((NVAR, 1))
population.CV = np.zeros((NVAR, 1))
population.ObjV = None
# population.initChrom(NIND) # 初始化种群染色体矩阵（内含染色体解码，详见Population类的源码）
# print('初始化Chorm矩阵：', population.Chrom)
# print('初始化Phen矩阵：', population.Phen)
# population.ObjV, population.CV = self.problem.aim_chuli(population.Phen, , population.CV) # 计算种群的目标函数值
population.ObjV, population.CV = self.problem.aim_chuli(
population.Phen, id_1) # 计算种群的目标函数值
# id_1是保留shape的形状
# 计算种群的目标函数，输入的是CV和Phen表现矩阵
population.FitnV = ea.scaling(self.problem.maxormins * population.ObjV,
population.CV) # 计算适应度
# 自动计算适应度
#print('种群初始化-2时的适应度:', population.FitnV)
self.evalsNum = population.sizes # 记录评价次数
# 记录评价次数
# ===========================开始进化============================
self.currentGen = 0
# 开始进化，设置currentGen为0
while self.terminated(population, id_1) == False:
# 若需要继续进化，那么有
bestIdx = np.argmax(population.FitnV,
axis=0) # 得到当代的最优个体的索引, 设置axis=0可使得返回一个向量
studPop = population[np.tile(
bestIdx, (NIND // 2))] # 复制最优个体NIND//2份，组成一个“种马种群”
restPop = population[np.where(
np.array(range(NIND)) != bestIdx)[0]] # 得到除去精英个体外其它个体组成的种群
# 选择个体，以便后面与种马种群进行交配
tempPop = restPop[ea.selecting(self.selFunc, restPop.FitnV,
(NIND - studPop.sizes))]
# 将种马种群与选择出来的个体进行合并
population = studPop + tempPop
# 进行进化操作
population.Chrom = ea.recombin(self.recFunc, population.Chrom,
self.pc) # 重组
population.Chrom, id_1 = self.problem.intersect(
population.Chrom, id_1, self.pc) # 重组
# population.Chrom = ea.mutate(self.mutFunc, population.Encoding, population.Chrom, population.Field, self.pm)
# 求进化后个体的目标函数值//变异
# print('进化中的Chorm矩阵：', population.Chrom)
# print('进化中的Phen矩阵：', population.Phen)
population.Phen = population.decoding() # 染色体解码
# population.ObjV, population.CV = self.problem.aimFuc(population.Phen, population.CV)
population.ObjV, population.CV = self.problem.aim_chuli(
population.Phen, id_1) # 计算种群的目标函数值
# population.ObjV, population.CV = self.problem.aim_chuli(population.Chrom, id_1)
self.evalsNum += population.sizes # 更新评价次数
population.FitnV = ea.scaling(self.problem.maxormins *
population.ObjV,
population.CV) # 计算适应度
# 处理进化记录器
delIdx = np.where(np.isnan(self.obj_trace))[0]
self.obj_trace = np.delete(self.obj_trace, delIdx, 0)
self.var_trace = np.delete(self.var_trace, delIdx, 0)
# 对id的trace进行记录
self.id_trace = np.delete(self.id_trace, delIdx, 0)
# self.var_trace = np.delete(self.var_trace, delIdx, 0) #记录trace
if self.obj_trace.shape[0] == 0:
raise RuntimeError(
'error: No feasible solution. (有效进化代数为0，没找到可行解。)')
self.passTime += time.time() - self.timeSlot # 更新用时记录
# 绘图
if self.drawing != 0:
ea.trcplot(self.obj_trace, [['种群个体平均目标函数值', '种群最优个体目标函数值']])
# 返回最后一代种群、进化记录器、变量记录器以及执行时间
return [population, self.obj_trace, self.var_trace, self.id_trace]
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, :]
end_time = time.time()
ga.trcplot(pop_trace,[['Best Individual Fitness', 'Population Average Fintess']], ['Result'])
#===============================================================================
# Output
best_gen = np.argmin(pop_trace[:, 0])
print('Optimal Fitness：', np.min(pop_trace[:, 0]))
print('Optimal Variables：')
variables = ga.bs2rv(ind_trace, FieldD)
for i in range(variables.shape[1]):
print(variables[best_gen,i])
print('The best generation is', best_gen + 1, 'th generation')
print('Time Spent：', end_time - start_time, 'seconds')
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================================"""
best_gen = np.argmax(obj_trace[:, [1]])
print('目标函数最大值：', obj_trace[best_gen, 1]) # 输出目标函数最大值
variable = ea.bs2real(var_trace[[best_gen], :], FieldD) # 解码得到表现型
print('对应的决策变量值为：')
print(variable[0][0]) # 因为此处variable是一个矩阵，因此用[0][0]来取出里面的元素
print('用时：', end_time - start_time)
plt.plot(variable, aim(variable), 'bo')
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']])
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]
def run(self):
# ==========================初始化配置===========================
population = self.population # population是传入的初始化种群
NIND = population.sizes # NIND表示的是种群数目
NVAR = self.problem.Dim # 得到决策变量的个数
self.obj_trace = (np.zeros((self.MAXGEN, 2)) * np.nan) # 定义目标函数值记录器，初始值为nan
# 目标函数记录器(2列)
self.var_trace = (np.zeros((self.MAXGEN, NVAR)) * np.nan) # 定义变量记录器，记录决策变量值，初始值为nan
# id_trace用于记录每一代训练得出的最佳子种群的ARRAY
self.forgetCount = 0 # “遗忘策略”计数器，用于记录连续出现最优个体不是可行个体的代数/"遗忘策略"
id_1 = self.id_1_start()
#id_1 = np.random.randint(0, NVAR, (NIND, NVAR)) # 对index记录的矩阵进行初始化
# ===========================准备进化============================
self.timeSlot = time.time() # 开始计时
if population.Chrom is None:
new_fixed_dict = self.change_bug()
population.Chrom, population.Phen, population.FitnV, population.CV, population.ObjV = self.start_fx()
population.ObjV, population.CV = self.problem.aim_chuli(population.Phen, id_1, new_fixed_dict)
feasible = np.where(np.all(population.CV <= 0, 1))[0]
while True:
if len(feasible) > 0:
break
else:
# population.Chrom, population.Phen, population.FitnV, population.CV, population.ObjV = self.start_fx()
# id_1 = self.id_1_start()
new_fixed_dict = self.change_bug()
population.ObjV, population.CV = self.problem.aim_chuli(population.Phen, id_1, new_fixed_dict)
feasible = np.where(np.all(population.CV <= 0, 1))[0]
# id_1是保留shape的形状
# 计算种群的目标函数，输入的是CV和Phen表现矩阵
population.FitnV = ea.scaling(self.problem.maxormins * population.ObjV, population.CV) # 计算适应度
# 自动计算适应度
#print('种群初始化-2时的适应度:', population.FitnV)
self.evalsNum = population.sizes # 记录评价次数
# 记录评价次数
# ===========================开始进化============================
self.currentGen = 0
# 开始进化，设置currentGen为0
while self.terminated(population, id_1) == False:
# 若需要继续进化，那么有
bestIdx = np.argmax(population.FitnV, axis=0) # 得到当代的最优个体的索引, 设置axis=0可使得返回一个向量
best_id = np.tile(id_1[bestIdx], (NIND // 2, 1))
studPop = population[np.tile(bestIdx, NIND // 2)] # 复制最优个体NIND//2份，组成一个“种马种群”
restPop = population[np.where(np.array(range(NIND)) != bestIdx)[0]]
# 得到除去精英个体外其它个体组成的种群
# 选择个体，以便后面与种马种群进行交配
restid = id_1[np.where(np.array(range(NIND)) != bestIdx)[0]]
id_temp = restid[ea.selecting(self.selFunc, restPop.FitnV, (NIND - studPop.sizes))]
tempPop = restPop[ea.selecting(self.selFunc, restPop.FitnV, (NIND - studPop.sizes))]
# 将种马种群与选择出来的个体进行合并
population = studPop + tempPop
id_1 = np.vstack((best_id, id_temp))
# 进行进化操作
# population.Chrom = ea.recombin(self.recFunc, population.Chrom, self.pc) # 重组
population.Chrom, id_1 = self.problem.intersect(population.Chrom, id_1, self.pc) # 重组
population.Chrom = ea.mutate(self.mutFunc, population.Encoding, population.Chrom, population.Field, self.pm)
# 求进化后个体的目标函数值//变异
# print('进化中的Chorm矩阵：', population.Chrom)
# print('进化中的Phen矩阵：', population.Phen)
population.Phen = population.decoding() # 染色体解码
# population.ObjV, population.CV = self.problem.aimFuc(population.Phen, population.CV)
population.ObjV, population.CV = self.problem.aim_chuli(population.Phen, id_1, new_fixed_dict) # 计算种群的目标函数值
# population.ObjV, population.CV = self.problem.aim_chuli(population.Chrom, id_1)
self.evalsNum += population.sizes
population.FitnV = ea.scaling(self.problem.maxormins * population.ObjV, population.CV) # 计算适应度
# 处理进化记录器
# 计算适应度
# 处理进化记录器
delIdx = np.where(np.isnan(self.obj_trace))[0]
self.obj_trace = np.delete(self.obj_trace, delIdx, 0)
self.var_trace = np.delete(self.var_trace, delIdx, 0)
# 对id的trace进行记录
self.id_trace = np.delete(self.id_trace, delIdx, 0)
# self.var_trace = np.delete(self.var_trace, delIdx, 0) #记录trace
if self.obj_trace.shape[0] == 0:
raise RuntimeError('error: No feasible solution. (有效进化代数为0，没找到可行解。)')
self.passTime += time.time() - self.timeSlot # 更新用时记录
# 绘图
if self.drawing != 0:
ea.trcplot(self.obj_trace, [['种群个体平均目标函数值', '种群最优个体目标函数值']])
# 返回最后一代种群、进化记录器、变量记录器以及执行时间
return [population, self.obj_trace, self.var_trace, self.id_trace, new_fixed_dict]
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')
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 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]
