一、Geatpy实现遗传算法（一）：编写脚本实现进化算法

白银时代_

已于 2022-01-21 21:44:28 修改

阅读量2k

点赞数

分类专栏： python实现多种优化算法文章标签：算法 python

于 2022-01-17 22:54:01 首次发布

本文链接：https://blog.csdn.net/pengchen_wuhan/article/details/122549791

版权

python实现多种优化算法专栏收录该内容

5 篇文章 11 订阅

订阅专栏

本文介绍了如何使用Geatpy通过脚本实现遗传算法。主要涉及直接使用库函数求解问题的基本流程，包括导入库、定义目标函数、设置变量、染色体编码、配置算法参数、初始化种群及进化过程，最后是绘图和输出结果。

摘要由CSDN通过智能技术生成

一、概述

在Geatpy上有3种基本的方法来求解问题：
1. 直接使用工具箱提供的库函数，通过编写脚本来实现进化算法并且求解问题。
2. 使用Geatpy提供的面向对象进化算法框架，利用内置的算法模板求解问题。
3. 使用Geatpy提供的面向对象进化算法框架，通过自定义进化算法模板实现进化算法并且求解问题。
本章将先介绍如何使用第一种方法。

二、基本流程

脚本编程法是Geatpy最原生、最基础的使用方式。它通过直接调用工具箱的库函数来实现进化算法，不涉及面向对象的编程方法，编程风格与Matlab比较相似，缺点是代码量比较大。其详细编码流程如下：
1.导入相关库，如numpy、Geatpy等。
2.定义了优化目标函数。
3.优化问题的变量设置。其中ranges、borders是根据实际问题而编写的，但写法格式是固定的。假如优化函数中包含3个变量，那么我们可以这么写：

x1 = [下界,上界]
x2 = [下界,上界]
x3 = [下界,上界]
b1 = [0, 1] # (这里0表示变量x1不包含下界，1表示包含上界)
b2 = [1, 0]
b3 = [1, 1]
ranges = np.vstack([x1, x2, x3]).T #根据x1,x2,x3生成一个矩阵来表示所有变量的范围
borders = np.vstack([b1, b2, b3]).T

varTypes是一个存储决策变量类型的行向量。元素为0则对应的决策变量是连续型变量；为1则表示离散型决策变量。比如array([0,0,1])表示三个决策变量中的前2个是连续型变量，第三个是离散型变量。
4.染色体编码设置：这一部分将设置进化算法采用何种编码的染色体种群进行进化。Encoding指定了染色体的编码方式。Encoding有三种类型：’BG’(二进制/格雷编码)、’RI’(实整数编码)以及’P’(排列编码)。当Encoding为’BG’时，需要用到codes、precisions、scales三个参数。这三个参数是给“crtfld”函数来自动化生成译码矩阵用的。
准备好这些参数后，就可以调用crtfld()函数自动化生成译码矩阵(当然你也可以手动创建)。crtfld函数会根据变量的边界和精度自动地调整变量的范围，返回一个符合规范的译码矩阵。译码矩阵有“FieldD”和“FieldDR”两种类型。
5.对进化算法的运行参数进行设置，比如确定种群规模(即种群包含多少个个体)、最大遗传代数、重组算子、变异算子、重组概率以及变异概率等。
6.根据创建的译码矩阵计算染色体的长度。前面“Geatpy数据结构”章节中讲解了译码矩阵FieldD的第一行是代表控制各个变量的染色体基因数目。因此对它求和便可算出染色体的长度。
7.创建进化记录器，它的写法也是固定的，2表示该进化记录器有2列，每一列存放不同的数据。本例中，它的第一列是存放各代种群最优个体的目标函数值；第二列是存放各代种群的平均目标函数值。
8.创建最优个体记录器，记录各代种群的最优个体的染色体。
9.做完这些基本步骤后，就开始初始化种群以及进化了，这些都是遗传算法的基本流程了，上面的注释中有详细解释，这里不再重复讲解。
10.绘图和输出寻优结果。Geatpy中提供trcplot函数来根据进化记录器绘制进化过程追踪图。

三、Python实现

import numpy as np
import geatpy as ea
import time

def aim(Phen):
    x1 = Phen[:, [0]]
    x2 = Phen[:, [1]]
    return np.sin(x1 + x2) + (x1 - x2) ** 2 - 1.5 * x1 + 2.5 * x2 +1

"""============================变量设置============================"""
#定义决策变量范围
x1 = [-1.5, 4]
x2 = [-3, 4]
#定义决策变量边界，1表示包含范围的边界，0表示不包含
b1 = [1, 1]
b2 = [1, 1]
#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
ranges = np.array([x1, x2]).T
#生成自变量的边界矩阵
borders = np.array([b1, b2]).T
#决策变量的类型，0表示连续，1表示离散
varTypes = np.array([0, 0])

"""==========================染色体编码设置========================="""
#'BG'表示采用二进制/格雷编码
Encoding ='BG'
#决策变量的编码方式，两个1表示变量均使用格雷编码
codes = [1, 1]
#决策变量的编码精度，表示解码后能表示的决策变量的精度可达到小数点后6位
precisions =[6, 6]
#0表示采用算术刻度，1表示采用对数刻度
scales = [0, 0]
#调用函数创建译码矩阵
FieldD =ea.crtfld(Encoding, varTypes, ranges, borders, precisions, codes, scales)

"""=========================遗传算法参数设置========================"""
#种群个体数目
NIND = 20
#最大遗传代数
MAXGEN = 100
#表示目标函数是最小化，元素为-1则表示对应的目标函数是最大化
maxormins = np.array([1])
#采用随机抽样选择
selectStyle ='sus'
#采用两点交叉
recStyle ='xovdp'
#采用二进制染色体的变异算子
mutStyle ='mutbin'
#计算染色体长度
Lind =int(np.sum(FieldD[0, :]))
#交叉概率
pc= 0.9
#变异概率
pm= 1/Lind
#定义目标函数值记录器
obj_trace = np.zeros((MAXGEN, 2))
#染色体记录器，记录历代最优个体的染色体
var_trace = np.zeros((MAXGEN, 2))

""""=========================开始遗传算法进化========================"""
#开始计时
start_time = time.time()
#生成种群染色体矩阵
Chrom = ea.crtpc(Encoding, NIND, FieldD)
#对初始种群进行解码
variable = ea.bs2ri(Chrom, FieldD)
#计算初始种群个体的目标函数值
ObjV = aim(variable)
#计算当代最优个体的序号
best_ind = np.argmin(ObjV)
#开始进化
for gen in range(MAXGEN):
    #根据目标函数大小分配适应度值
    FitnV = ea.ranking(maxormins * ObjV)
    #选择
    SelCh = Chrom[ea.selecting(selectStyle, FitnV, NIND-1), :]
    #重组
    SelCh = ea.recombin(recStyle, SelCh, pc)
    #变异
    SelCh = ea.mutate(mutStyle, Encoding, SelCh, pm)
    #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])
    #对种群进行解码
    Phen = ea.bs2ri(Chrom, FieldD)
    #求种群个体的目标函数值
    ObjV = aim(Phen)
    #计算当代最优个体的序号
    best_ind = np.argmin(ObjV)
    #记录当代种群的目标函数均值
    obj_trace[gen,0] = np.sum(ObjV)/ObjV.shape[0]
    #记录当代种群最优个体目标函数值
    obj_trace[gen,1]=ObjV[best_ind]
    #记录当代种群最优个体的染色体
    var_trace[gen,:]=ea.bs2ri(Chrom[[best_ind],:], FieldD)
    #进化完成,结束计时
    end_time = time.time()

""""=========================输出结果========================"""
#输出目标函数最值
print('目标函数最值：{0}'.format(obj_trace[-1, 1]))
#对应变量值
print('对应的决策变量值为：{0},{1}'
      .format(var_trace[-1, 0], var_trace[-1, 1]))
#用时
print('用时：{0}'.format(end_time - start_time))
#绘制图像
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']])
ea.trcplot(var_trace, [['x1值','x2值']])