小白001---第一天:关于遗传算法学习---快速上手遗传算法程序（个人理解，欢迎指正）

=====快速解读官方一个遗传算法程序=====

读懂每行代码

关于求解 f = x*sin(10π*x) + 2 的最大值  x的范围-1<<=x<<=2

1.首先创建MyProblem.py文件，去存放导入相关的库，像numpy、Geatpy等。

                /*numpy是python语言的一个扩展程序库，提供和处理N维数组对象Array*/

                /*Geatpy简而言之就是包含了遗传和进化算法相关的函数的一个库*/

import numpy as np #导入numpy库
import geatpy as ea #导入geatpy库

2.创建MyProblem，调用Geatpy里面的Problem类。                                                                      Problem类是Geatpy里面专门用来存储带求解问题的相关信息的一个类，它有八个属性，

分别是：name（可以自定义问题名字），                                                                                                       M（维度），                                                                                                                                       Maxormins（是求解最大值问题还是最小值问题，1代表最小化，-1代表最大化）                             Dim（决策变量的维数，简单理解决策变量就是x），                                                                       varTypes（决策变量是连续的还是离散的，0代表连续，1代表离散），                                           ranges（决策变量范围矩阵，第一行代表下界，第二行代表上界），                                               borders（决策变量范围边界矩阵，0表示不包含边界，1表示包含边界），                                       ReferObjV（存储目标函数参考值的矩阵，每一行对应一组目标函数参考值）                    除了八大属性还有三个构造函数，这个案例只用到了一个，分别是                                                               aimFunc(self,pop)   //如果执行到这里抛出了异常，说明自定义的问题类没有重写该函数                 输入参数：pop是class<Population>-种群对象                                                                                    calReferObjV(self)  //如果待优化的模型知道理论全局最优解，则可以在自定义问题类里                  重写该函数，求出理论全局最优解对应的目标函数值矩阵                                                                  getReferObjV(self,reCalulate=false)  //该函数用于读取/计算问题的目标函数参考值                        输入参数：reCalculate:bool-----表示是否调用calReferObjV()来重新计算目标函数参考                    值，当缺省的时候默认为false                                                                                                             输出参数：referenceObjV:存储着目标函数参考值的矩阵，每一行对应一组目标函数参                   考值，每一列对应一个目标函数        

class MyProblem(ea.Problem):  # 继承Problem父类

        定义函数 __init__(参数：self)  //上下划线表示只能在类内进行调用，self表示类中的方法可以访问自己的成员变量

        

   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maxormins（目标最小最大化标记列表，1：最小化该目标；-1：最大化该目标）
        Dim = 1  # 初始化Dim
        # （决策变量维数）
        varTypes = [0] * Dim  # 初始化varTypes（决策变量的类型，元素为0表示对应的变量是连续的；1表示是离散的）
        lb = [-1]  # 决策变量下界
        ub = [2]  # 决策变量上界
        lbin = [1] * Dim  # 决策变量下边界（0表示不包含该变量的下边界，1表示包含）
        ubin = [1] * Dim  # 决策变量上边界（0表示不包含该变量的上边界，1表示包含）
        # 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)

        重新定义目标函数 aimFunc

    def aimFunc(self, pop):  # 目标函数
        x = pop.Phen  # 得到决策变量矩阵
        pop.ObjV = x * np.sin(10 * np.pi * x) + 2.0  # 计算目标函数值，赋值给pop种群对象的ObjV属性

Population类，是用来存储种群相关信息的一个类，它有十个属性和十个函数，下面介绍一下:

sizes:种群的规模，就是种群的个体数目

ChromNum:染色体的数目，就是每个个体有多少条染色体

Encoding:染色体的编码方式，'BG'代表二进制

Field:译码矩阵

Chorm:种群染色体矩阵，每一行对应一个个体的一条染色体

Lind:种群染色体的长度

ObjV:种群目标函数矩阵，每一行对应一个个体的目标函数值，每一列对应一个目标

FitnV:种群个体适应度列向量，每一个元素对应一个个体的适应度，最小的适应度为0

CV:是用来定量描述违反约束条件程度的矩阵，每行对应一个个体，每列对应一个约束

Phen:种群表现型矩阵，就是种群各染色体解码后所代表的决策变量所组成的矩阵

函数：

__add__(self, pop)//描述个体合并

__getitem__(self, index)//种群的切片，即根据index下标向量选出种群中相应的个体组成一个新的种群。

__init__(self, Encoding, Field, NIND, Chrom=None, ObjV=None, FitnV=None, CV=None, Phen=None)//种群类的构造函数，用于实例化种群对象

__len__(self)//计算种群规模

__setitem__(self, index, pop)//种群个体的赋值

copy(self)//种群的复制

decoding(self)//种群染色体解码

initChrom(self, NIND=None)//初始化染色体矩阵

save(self, dirName='Result')//该函数将在字符串dirName所指向的文件夹下保存种群的信息

shuffle(self)//打乱种群个体的个体顺序

到此为止这个类就写完了，相当于重新的在父类Problem上进行编写一个新的Problem类，这个新类更加符合这个问题的要求。具体他想做的事情个人理解：初始化name，这样在主函数里进行调用的时候就可以用MyProblem进行调用而不是ea.Problem,因为这个待求解函数只有一个y，所以维数是一维，在maxormins里设置我要求的是最大值，x也是一维的，决策变量的类型是连续的，上下界（-1,2），包含边界，然后最后调用父类的方法进行实例化。第二步定义目标函数，把种群population类传进去，得到种群表现型矩阵，把目标函数值赋给ObjV属性。