智能优化算法——免疫算法求解选址问题（Python&Matlab实现）(1)

(3)对上述群体中各个抗体进行评价。在本算法中对个体的评价是以个体的期望繁殖率

P为标准的。

(4) 形成父代群体。将初始群体按期望繁殖率P进行降序排列，并取前N个个体构成父

代群体;同时取前m个个体存人记忆库中。

(5)判断是否满足结束条件,是则结束;反之,则继续下一步操作。

(6)新群体的产生。基于步骤(4)的计算结果对抗体群体进行选择、交叉、变异操作得到

新群体,再从记忆库中取出记忆的个体,共同构成新一代群体。

(7)转去执行步骤(3)。

3 免疫算法解决TSP问题——Python实现

---

#=导入相关库===

import numpy as np

import matplotlib.pyplot as plt

from sko.demo_func import function_for_TSP

from sko.IA import IA_TSP

num_points, points_coordinate, distance_matrix, cal_total_distance = function_for_TSP(num_points=10)

def cal_total_distance(routine):

num_points, = routine.shape

return sum([distance_matrix[routine[i % num_points], routine[(i + 1) % num_points]] for i in range(num_points)])

#sko.IA解决===

ia_tsp = IA_TSP(func=cal_total_distance, n_dim=num_points, size_pop=500, max_iter=800, prob_mut=0.2,

T=0.7, alpha=0.95)

best_points, best_distance = ia_tsp.run()

print(‘best routine:’, best_points, ‘best_distance:’, best_distance)

#===可视化=

fig, ax = plt.subplots(1, 1)

best_points_ = np.concatenate([best_points, [best_points[0]]])

best_points_coordinate = points_coordinate[best_points_, :]

ax.plot(best_points_coordinate[:, 0], best_points_coordinate[:, 1], ‘o-r’)

plt.show()

4 免疫算法解决TSP问题——Matlab实现

---

下表为一些坐标点，找出最短路线:

---

4.1 解的多样性评价

(1)抗体与抗原间亲和力

抗体与抗原之间的亲和力用于表示抗体对抗原的识别程度,此处针对上述配送中心选址

模型设计亲和力函数)：

其中,)为目标函数;分母中第二项表示对违反距离约束的解给予惩罚,C取一个 比较大的正数。

(2)抗体与抗体间亲和力

抗体与抗体之间的亲和力反映了抗体之间的相似程度。此处借鉴由Forrest 等提出的

R位连续方法计算抗体与抗体间的亲和力。R位连续方法实际是一种部分匹配规则。该方法

的关键是确定-一个R值,代表亲和度判定的阈值。两种个体编码有超过R位或者连续R位的

编码相同，则表示这两种抗体近似“相同”,否则表示两种个体不同。此处抗原的编码方法,各

位之间不需考虑排序,可参考变形的R位连续方法计算抗体间亲和度,即：

)

其中,)为抗体v与抗体s中相同的位数;L为抗体的长度。例如,两个抗体为[2 7 15 21 5 11].

[15 8 14 26 5 2],经比较,有3个值是相同的,此时可计算出它们的亲和度)为0.5。

(3)抗体浓度.

抗体的浓度C,即群体中相似抗体所占的比例，即

(4)期望繁殖概率

在群体中,每个个体的期望繁殖概率由抗体与抗原间亲和力)和抗体浓度)两部分共.

同决定,即

其中,a为常数。由上式可见,个体适应度越高,则期望繁殖概率越大;个体浓度越大,则期望

繁殖概率越小。这样既鼓励了适应度高的个体,同时抑制了浓度高的个体,从而确保了个体多

样性。

免疫算法在抑制高浓度个体时,与抗原亲和度最高的个体也可能因其浓度高而受到抑制，

从而导致已求得的最优解丢失,因此采取精英保留策略,在每次更新记忆库时,先将与抗原亲

和度最高的若千个个体存人记忆库,再按照期望繁殖概率将剩余群体中优秀个体存入记忆库。

4.2 案例模型步骤

本文在进行任务的聚类打包时，制定以下原则：

①多个任务进行打包后，视为一个任务集，一任务点最多只能存在于一个任务集。

②一个任务集包含的任务点不能太远。

③一个任务集以某个任务点作为聚类中心，周围任务点与中心点的距离之和最小。

构建函数及约束条件如下：

约束条件：

对于某一区域的点的任务点，要对该区域中的任务进行打包，首先算出中心点hi到其余点zj的距离aij；aij中i为该区域有i个打包中心点数，每个打包内除中心点外，还有个j其余点；s为其余点到打包中心点的距离上限；D为其余点与打包点的关系，如果在给定范围以内的取值为1，表示可以打包为一类，为0则不打包；A为一个打包内的所有点距之和。打包示意图如下：

4.3 免疫算法打包程序实现的步骤

Step1：初始化参数并产生初始打包中心点，即初始种群；

Step2：对每个打包内的点进行距离分析；

Step3：分析每个点对所有打包中心点的距离，每个点都可能处于多个打包范围内；

Step4：通过比对步骤2与3中的距离，对于每个任务点而言，优先选择距离最近的一个中心点，并记录；

Step5：判断是否每个点都给予了分类，并检验是否满足条件，是则结束继续步骤6；

Step6：产生新群体，基于步骤4的计算结果进行遗传方式产生新的打包群体；

Step7：比对前一个打包群体，对比各个打包内的A值，保留最小的群体，并循环步骤4-7；

Step8：输出结果。

4.4 Matlab代码

clear

clc

%% 位置坐标

city_coordinate=[1304,2312;3639,1315;4177,2244;3712,1399;3488,1535;3326,1556;3238,1229;4196,1044;4312,790;4386,570;

3007,1970;2562,1756;2788,1491;2381,1676;1332,695;3715,1678;3918,2179;4061,2370;3780,2212;3676,2578;

4029,2838;4263,2931;3429,1908;3507,2376;3394,2643;3439,3201;2935,3240;3140,3550;2545,2357;2778,2826;2370,2975];

n=length(city_coordinate);

%% step1 参数设置

sizepop=10; % 种群规模

overbest=10; % 记忆库容量大小

MAXGEN=100; % 迭代次数

pcross=0.5; % 免疫细胞遗传过程中的交叉概率

pmutation=0.4; % 免疫细胞遗传过程中的变异概率

s=3; %记录最优个体数

ps=0.95; % 多样性评价参数（一般设置为0.95）

len=10; % 最大打包数

jiange=1000; %打包点之间距离不低于1000m

z=3000; %其余点到中心点距离上限

M=sizepop+overbest;

%% step2 将种群信息定义为一个结构体，方便调用

individuals = struct(‘fitness’,zeros(1,M), ‘concentration’,zeros(1,M),‘excellence’,zeros(1,M),‘chrom’,[]);

%struct函数功能是生成一个具有指定字段名和相应数据的结构数组

%% step3 产生初始抗体种群

individuals.chrom = popinit(city_coordinate,M,len,jiange);%“.chrom”是调用individuals数组

trace=[]; %初始化矩阵，用于记录每代最个体优适应度和平均适应度

%% 迭代寻优

for iii=1:MAXGEN

%% step4 抗体群多样性评价

for i=1:M

individuals.fitness(i) = fitness(city_coordinate,individuals.chrom(i,:),z); % 每个个体适应度计算

individuals.concentration(i) = concentration(i,M,individuals); % 计算第i个个体的打包中心点与种群中每个个体的打包中心点间的相似度

end

% 综合亲和度和浓度评价抗体优秀程度，得出繁殖概率

individuals.excellence = excellence(individuals,M,ps);

% 记录当代最佳个体和种群平均适应度

[best,index] = min(individuals.fitness); % 找出当前种群中适应值最小的中心点类，及较优的打包中心点

bestchrom = individuals.chrom(index,:); % 找出最优个体，即min(individuals.fitness)对应的个体

average = mean(individuals.fitness); % 计算平均适应度

trace = [trace;best,average]; % 记录最有个体

%% step5 根据excellence，形成父代群，更新记忆库（加入精英保留策略，可由s控制）

bestindividuals = bestselect(individuals,M,overbest,s); % 更新记忆库

individuals = bestselect(individuals,M,sizepop,s); % 更新父代群

%% step6 选择，交叉，变异操作，再加入记忆库中抗体，产生新种群

individuals = Select(individuals,sizepop); % 选择

individuals.chrom = Cross(pcross,individuals.chrom,sizepop,len,city_coordinate,jiange); % 交叉

individuals.chrom = Mutation(pmutation,individuals.chrom,sizepop,len,n,city_coordinate,jiange); % 变异

individuals = incorporate(individuals,sizepop,bestindividuals,overbest); % 加入记忆库中抗体

end

%% 画出免疫算法收敛曲线

figure(1)

plot(trace(:,1),‘g–’);

hold on

plot(trace(:,2),‘-’);

legend(‘最优适应度值’,‘平均适应度值’)

title(‘免疫算法收敛曲线’,‘fontsize’,12)

xlabel(‘迭代次数’,‘fontsize’,12)

ylabel(‘适应度值’,‘fontsize’,12)

%% 画出打包中心选址图

%找出最近打包点

for i=1:n

distance(i,:)=dist(city_coordinate(i,:),city_coordinate(bestchrom,:)');

end

[a,b]=min(distance’);

index=cell(1,len);

for i=1:len

%记录各个打包中心点的位置

index{i}=find(b==i);

end

figure(2)

title(‘最优打包图’)

cargox=city_coordinate(bestchrom,1);

cargoy=city_coordinate(bestchrom,2);

plot(cargox,cargoy,‘rs’,‘LineWidth’,2,‘MarkerEdgeColor’,‘r’,‘MarkerFaceColor’,‘b’,‘MarkerSize’,20)

hold on

plot(city_coordinate(:,1),city_coordinate(:,2),‘o’,‘LineWidth’,2,‘MarkerEdgeColor’,‘k’,‘MarkerFaceColor’,‘g’,‘MarkerSize’,10)

for i=1:31

x=[city_coordinate(i,1),city_coordinate(bestchrom(b(i)),1)];

y=[city_coordinate(i,2),city_coordinate(bestchrom(b(i)),2)];

plot(x,y,‘c’);hold on

end

%% Step1：初始化参数并产生初始打包中心点，即初始种群；

function pop = popinit(city_coordinate,M,len,jiange)

%种群初始化函数(记忆库库为空，全部随机产生)

% M input 种群数量

% length input 抗体长度

% pop output 初始种群

n=length(city_coordinate);

for i=1:M

flag=0;

while flag==0

aaa=randperm(n);%产生随机序列

pop(i,:)=aaa(1:len);%pop矩阵提取的是b矩阵中的前length个元素

flag=test(city_coordinate,pop(i,:),jiange);%test为条件函数文件，如果满足条件，那么flag就=0，此时终止这次循环

end

end

%% Step2：对每个打包内的点进行距离分析；

function flag=test(city_coordinate,code,jiange)

% 检查个体是否满足距离约束

% code input 个体

% flag output 是否满足要求标志

flag=1;

a=dist( city_coordinate(code,:)');%dist是欧式距离计算函数

a(find(a==0))=[];

b=find(a<jiange);

if isempty(b)==1

flag=0;

end

end

%% Step3：分析每个点对所有打包中心点的距离，每个点都可能处于多个打包范围内；

function fit=fitness(city_coordinate,individual,z)

%计算个体适应度值

%individual input 个体

%fit output 适应度值

%计算出所有打包点到中心点的距离

for i=1:length(city_coordinate)

distance(i,:)=dist(city_coordinate(i,:),city_coordinate(individual,:)');

end

%% Step4：通过比对步骤2与3中的距离，对于每个任务点而言，优先选择距离最近的一个中心点，并记录；

%找出离中心点最近点，a记录最近距离，b记录最近的点

[a,b]=min(distance’);

%如果距离大于z，那么就要加上一个惩罚值：4.0e+4*length，这里自己定，惩罚值尽可能大些，但也别太大

fit=sum(a) + 4.0e+4*length(find(a>z));

end

function concentration = concentration(i,M,individuals)

%% (3)计算个体浓度值

% i input 第i个抗体

% M input 种群规模

% individuals input 个体

% concentration output 浓度值

concentration=0;

for j=1:M

xsd=similar(individuals.chrom(i,:),individuals.chrom(j,:)); % 第i个体与种群所有个体间的相似度

% 相似度大于阀值就说明相似

if xsd>0.7

concentration=concentration+1;

end

end

concentration=concentration/M;%计算相似度

end

%% (2)抗原与抗体之间的亲和力

function resemble = similar(individual1,individual2)

% 计算个体individual1和individual2的相似度

% individual1,individual2 input 两个个体

% resemble output 相似度

k=zeros(1,length(individual1));

for i=1:length(individual1)

if find(individual1(i)==individual2)

k(i)=1;

end

end

resemble=sum(k)/length(individual1);

end

function exc=excellence(individuals,M,ps)

%% (4)计算个体繁殖概率

% individuals input 种群

% M input 种群规模

% ps input 多样性评价参数

% exc output 繁殖概率

fit = 1./individuals.fitness; %Av

sumfit = sum(fit);

con = individuals.concentration; %Cv

sumcon = sum(con);

for i=1:M

exc(i) = fit(i)/sumfitps +con(i)/sumcon(1-ps); %exc为当前每个个体的一个评价值

end

end

%% 初始化记忆库,依据excellence，将群体中高适应度低相似度的overbest个个体存入记忆库

function rets=bestselect(individuals,m,n,s)

% m input 抗体数

% n input 记忆库个体数\父代群规模

% individuals input 抗体群

% bestindividuals output 记忆库\父代群

% 精英保留策略，将fitness最好的s个个体先存起来，避免因其浓度高而被淘汰

rets=struct(‘fitness’,zeros(1,n), ‘concentration’,zeros(1,n),‘excellence’,zeros(1,n),‘chrom’,[]);

[fitness,index] = sort(individuals.fitness);

for i=1:s %s记忆最优个体的数量

rets.fitness(i) = individuals.fitness(index(i));

rets.concentration(i) = individuals.concentration(index(i));

rets.excellence(i) = individuals.excellence(index(i));

rets.chrom(i,:) = individuals.chrom(index(i)😅;

end

% 剩余m-s个个体

leftindividuals=struct(‘fitness’,zeros(1,m-s), ‘concentration’,zeros(1,m-s),‘excellence’,zeros(1,m-s),‘chrom’,[]);

for k=1:m-s

leftindividuals.fitness(k) = individuals.fitness(index(k+s));

leftindividuals.concentration(k) = individuals.concentration(index(k+s));

leftindividuals.excellence(k) = individuals.excellence(index(k+s));

leftindividuals.chrom(k,:) = individuals.chrom(index(k+s)😅;

end

% 将剩余抗体按excellence值排序

[excellence,index]=sort(1./leftindividuals.excellence);

% 在剩余群体中再选n-s个最好的个体，也就是总共筛选出记忆库的最大含量个个体，然后按优劣从上往下排序

for i=s+1:n

rets.fitness(i) = leftindividuals.fitness(index(i-s));

rets.concentration(i) = leftindividuals.concentration(index(i-s));

rets.excellence(i) = leftindividuals.excellence(index(i-s));

rets.chrom(i,:) = leftindividuals.chrom(index(i-s)😅;

end

end

%% 轮盘赌选择

function ret=Select(individuals,sizepop)

% individuals input : 种群信息

% sizepop input : 种群规模
自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

[外链图片转存中…(img-3gRfeCaG-1713230194799)]

[外链图片转存中…(img-2XJJDO5F-1713230194799)]

[外链图片转存中…(img-OVN1G0xv-1713230194800)]

[外链图片转存中…(img-lg5uyfdy-1713230194800)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注Python）