NSGA2,即非支配排序遗传算法II(Nondominated Sorting Genetic Algorithm II),是一种用于解决多目标优化问题的遗传算法。NSGA-II算法基于Pareto最优概念,通过快速非支配排序和精英策略,有效地维护种群多样性并提高优化精度 。
NSGA-II算法的流程主要包括:
1. 初始种群的生成。
2. 对种群进行非支配排序和拥挤度计算。
3. 根据非支配等级和拥挤度从父代和子代合并的种群中选择个体组成新的父代种群。
4. 对新父代种群执行选择、交叉、变异操作生成子代种群。
5. 重复步骤2-4,直到满足结束条件 。
NSGA-II算法在多目标优化问题上表现出色,尤其适用于目标冲突显著、需要同时考虑多个性能指标的复杂系统优化 。它不仅提高了算法效率,而且通过精英策略和拥挤度方法有效保持了解的多样性和分布的均匀性。
一:例题背景
假设我们根据实际问题得到了如下数学模型:
将上述信息组合起来,我们的多目标优化问题的数学模型可以表示为:
最小化:
约束条件
-5 ≤ ≤ 5
其中 x = [] 是决策变量向量。这个模型寻找在两个目标函数之间进行权衡的解,同时满足给定的约束条件。
通过使用多目标优化算法,如NSGA-II,我们可以找到一组帕累托最优解,这些解在两个目标之间进行了有效的权衡,并满足了所有的约束条件。这些解可以帮助汽车制造商做出更明智的设计决策。
二:多目标规划遗传算法的Python实现
Step1:导入所需的库
from pymoo.core.problem import ElementwiseProblem
from pymoo.algorithms.moo.nsga2 import NSGA2
from pymoo.operators.sampling.rnd import FloatRandomSampling
from pymoo.operators.crossover.sbx import SBX
from pymoo.operators.mutation.pm import PM
from pymoo.optimize import minimize
import numpy as np
这里导入了pymoo库中的一些核心组件,包括问题定义、算法、采样、交叉和变异操作,以及优化函数。还导入了numpy库用于数学运算。若还没有安装pymoo库的可以在Python环境下执行安装:
pip install -U pymoo
Step2:定义优化问题:
class MyProblem(ElementwiseProblem):
def __init__(self):
super().__init__(n_var=2, n_obj=2, n_constr=1, xl=-5, xu=5)
def _evaluate(self, x, out, *args, **kwargs):
f1 = -np.sum(np.power(x, 2))
f2 = -np.sum(np.power(x - 1, 2))
out["F"] = [f1, f2]
# 添加约束条件:x[0] + x[1] >= 1
g1 = 1 - (x[0] + x[1])
out["G"] = [g1]
这段代码定义了一个名为MyProblem
的类,它继承自ElementwiseProblem
。这个类定义了一个有两个变量和两个目标函数的问题。
__init__
方法初始化问题,设定变量数量n_var
为2,目标函数数量n_obj
也为2,变量的下界xl
和上界xu
分别为-5和5。添加了n_constr=1
参数,表示问题有一个约束条件。_evaluate
方法用于计算目标函数值。对于给定的变量x
,它计算两个目标函数:f1
是变量x
的平方和的负值。f2
是变量x
与1的差的平方和的负值。- 添加了一个新的变量
g1
来表示约束条件x[0] + x[1] >= 1
。这里我们计算1 - (x[0] + x[1])
,如果x[0] + x[1] >= 1
,则g1
将小于或等于0,这表示约束被满足。如果不等式不成立,g1
将大于0,表示约束未被满足。
Step3:实例化问题
problem = MyProblem()
这里创建了一个MyProblem
类的实例。
Step4:定义算法
algorithm = NSGA2(pop_size=100, sampling=FloatRandomSampling(),
crossover=SBX(prob=0.9, eta=15),
mutation=PM(eta=20))
这里定义了使用NSGA2(非支配排序遗传算法II)算法进行优化。参数包括:
pop_size
:种群大小,这里设置为100。sampling
:采样策略,这里使用FloatRandomSampling
进行随机采样。crossover
:交叉操作,这里使用模拟二进制交叉(SBX),交叉概率为0.9,分布指数为15。mutation
:变异操作,这里使用多项式变异(PM),分布指数为20。
Step5:运行优化
res = minimize(problem, algorithm, ('n_gen', 150), verbose=True)
使用minimize
函数运行优化过程。参数包括:
problem
:要解决的问题。algorithm
:使用的算法。('n_gen', 150)
:算法迭代的代数,这里设置为150代。verbose=True
:设置为True以输出优化过程的详细信息。
Step6:打印结果
print(res.X)
print(-res.F)
结果如下:
具体结果含义为:
在pymoo库中,优化结果`res`是一个包含多种信息的对象。`res.X`和`res.F`是该对象中的两个属性,res.X`是决策变量的Pareto最优解集。`res.F`是与`res.X`中的每个解相对应的目标函数值集。
`-res.F`是`res.F`的取反,用于将最小化问题的目标函数值转换为最大化问题,便于分析Pareto前沿。具体含义如下:
res.X
`res.X`代表优化过程中找到的Pareto最优解集(Pareto set)。这个解集中的每个解都是一个决策变量向量,表示在优化过程中找到的满足特定条件(例如,不被其他解支配)的解。在多目标优化问题中,一个解可能无法在所有目标上都优于其他解,但Pareto最优解集包含了那些在至少一个目标上无法被其他解支配的解。
具体来说,`res.X`是一个二维数组,其中每一行代表一个Pareto最优解,每一列代表一个决策变量。对于本例中的问题,因为`n_var=2`,所以每个解都是一个包含两个元素的向量。
res.F
`res.F`代表Pareto最优解对应的目标函数值集(Pareto front)。这个集合包含了每个Pareto最优解对应的目标函数值。与`res.X`中的每个解相对应,`res.F`中的每一行代表一个Pareto最优解的目标函数值。
同样,`res.F`是一个二维数组,其中每一行代表一个Pareto最优解的目标函数值,每一列代表一个目标函数。在本例中,因为`n_obj=2`,所以每个解的目标函数值也是一个包含两个元素的向量。
-res.F
在打印结果时,使用了`-res.F`。这是因为在本例中定义的目标函数是求最小值,即目标函数值越小越好。然而,在绘制Pareto前沿或分析Pareto最优解时,通常希望看到目标函数值的最大值,因为Pareto前沿图通常是用来展示在各个目标之间如何权衡。
以上就是多目标规划遗传算法的一个Python实现数学模型案例。
点下关注,分享更多有关AI,数据分析和量化金融的实用教程和实战项目。