遗传算法及python实现

一、遗传算法

        遗传算法将“优胜劣汰，适者生存”的生物进化原理引入优化参数形成的编码串群体中，按所选择的适应度函数并通过遗传中的复制、交叉及变异对个体进行筛选，适应度高的个体被保留下来，组成新的群体，新的群体既继承了上一代的信息，又优于上一代。这样周而复始，群体中个体适应度不断提高，直到满足一定的条件。遗传算法的算法简单，可并行处理，并能到全局最优解。

        遗传算法主要包括以下三个方面： （1）遗传：这是生物的普遍特征，亲代把生物信息交给子代，子代总是和亲代具有相同或相似的性状。生物有了这个特征，物种才能稳定存在。 （2）变异：亲代和子代之间以及子代的不同个体之间的差异，称为变异。变异是随机发生的，变异的选择和积累是生命多样性的根源。 （3）生存斗争和适者生存：具有适应性变异的个体被保留下来，不具有适应性变异的个体被淘汰，通过一代代的生存环境的选择作用，性状逐渐逐渐与祖先有所不同，演变为新的物种。

二、Python实现

import numpy as np
import geatpy as ea
class MyProblem(ea.Problem): # 继承Problem父类
    def __init__(self):
        name = 'MyProblem'  # 初始化name（函数名称，可以随意设置）

        M = 1  # 初始化M（目标维数）
        maxormins = [1]  # 初始化目标最小最大化标记列表，1：min；-1：max
        Dim = 3  # 初始化Dim（决策变量维数）
        varTypes = [0] * Dim  # 初始化决策变量类型，0：连续；1：离散
        lb = [0, 0, 0]  # 决策变量下界
        ub = [1, 1, 2]  # 决策变量上界
        lbin = [1, 1, 0]  # 决策变量下边界
        ubin = [1, 1, 0]  # 决策变量上边界
        # 调用父类构造方法完成实例化
        ea.Problem.__init__(self, name, M, maxormins, Dim, varTypes, lb,
                        ub, lbin, ubin)

    def aimFunc(self, pop):  # 目标函数，pop为传入的种群对象
        Vars = pop.Phen  # 得到决策变量矩阵

        x1 = Vars[:, [0]]  # 取出第一列得到所有个体的x1组成的列向量
        x2 = Vars[:, [1]]  # 取出第二列得到所有个体的x2组成的列向量
        x3 = Vars[:, [2]]  # 取出第三列得到所有个体的x3组成的列向量 # 计算目标函数值，赋值给pop种群对象的ObjV属性
        pop.ObjV = 4 * x1 + 2 * x2 + x3
        # 采用可行性法则处理约束，生成种群个体违反约束程度矩阵
        pop.CV = np.hstack([2 * x1 + x2 - 1,  # 第一个约束
                        x1 + 2 * x3 - 2,  # 第二个约束
                        np.abs(x1 + x2 + x3 - 1)])  # 第三个约束



if __name__ == "__mian__":
    """main_solve.py"""
    # from myaim import MyProblem # 导入自定义问题接口
    """============================实例化问题对象========================"""
    problem = MyProblem() # 实例化问题对象
    """==============================种群设置==========================="""
    Encoding = 'RI' # 编码方式
    NIND = 50 # 种群规模
    Field = ea.crtfld(Encoding, problem.varTypes, problem.ranges,problem.borders) # 创建区域描述器
    population = ea.Population(Encoding, Field, NIND) # 实例化种群对象（此时种群还没被真正初始化，仅仅是生成一个种群对象）
    """===========================算法参数设置=========================="""
    myAlgorithm = ea.soea_DE_best_1_L_templet(problem, population) # 实例化一个算法模板对象
    myAlgorithm.MAXGEN = 1000 # 最大进化代数
    myAlgorithm.mutOper.F = 0.5 # 差分进化中的参数F
    myAlgorithm.recOper.XOVR = 0.7 # 设置交叉概率
    myAlgorithm.logTras = 0 # 设置每隔多少代记录日志，若设置成0则表示不记录日志
    myAlgorithm.verbose = True # 设置是否打印输出日志信息
    myAlgorithm.drawing = 3 # 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==============="""
    [BestIndi, population] = myAlgorithm.run() # 执行算法模板，得到最优个体以及最后一代种群
    BestIndi.save() # 把最优个体的信息保存到文件中
    """=================================输出结果======================="""
    print('评价次数：%s' % myAlgorithm.evalsNum)
    print('时间花费 %s 秒' % myAlgorithm.passTime)

    if BestIndi.sizes != 0:
        print('最优的目标函数值为：%s' % BestIndi.ObjV[0][0])
        print('最优的控制变量值为：')
        for i in range(BestIndi.Phen.shape[1]):
            print(BestIndi.Phen[0, i])
    else:
        print('此次未找到可行解。')