Geatpy简介
Geatpy是一个高性能实用型进化算法工具箱,提供许多已实现的进化算法中各项重要操作的库函数,并提供一个高度模块化、耦合度低的面向对象的进化算法框架,利用“定义问题类 + 调用算法模板”的模式来进行进化优化,可用于求解单目标优化、多目标优化、复杂约束优化、组合优化、混合编码进化优化等,并且能和SCOOP等框架紧密配合进行分布式计算。
TSP问题
某人从A点出发,要走遍每一个点,且每个点只去一次,最后要返回A点。起止点是明确的,我们只需要考虑中间点的到达顺序即可,因此决策变量维数为点的数量减1。起点A为0点,因此决策变量的下界为1,上界为决策变量维数。
代码实现
Geatpy有很多内置的进化算法模板,这里用到的是单目标增强精英保留的遗传算法模板。我们需要知道所有点的坐标,然后用Problem类对问题进行描述,最后设置模板参数,对问题进行求解。
import geatpy as ea
import numpy as np
import matplotlib.pyplot as plt
# TSP坐标点
places=[[35.0, 35.0], [41.0, 49.0], [35.0, 17.0], [55.0, 45.0], [55.0, 20.0], [15.0, 30.0],
[25.0, 30.0], [20.0, 50.0], [10.0, 43.0], [55.0, 60.0], [30.0, 60.0], [20.0, 65.0],
[50.0, 35.0], [30.0, 25.0], [15.0, 10.0], [30.0, 5.0], [10.0, 20.0], [5.0, 30.0],
[20.0, 40.0], [15.0, 60.0]]
#print(len(places))
# 定义问题
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 = len(places) - 1 # 初始化Dim(决策变量维数)
varTypes = [1] * 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] * Dim # 决策变量下界
ub = [Dim] * Dim # 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)
# 新增一个属性存储旅行地坐标
self.places = np.array(places)
def aimFunc(self, pop): # 目标函数
x = pop.Phen.copy() # 得到决策变量矩阵
# 添加最后回到出发地
X = np.hstack([x, x[:, [0]]]).astype(int)
ObjV = [] # 存储所有种群个体对应的总路程
for i in range(pop.sizes):
journey = self.places[X[i], :] # 按既定顺序到达的地点坐标
distance = np.sum(np.sqrt(np.sum(np.diff(journey.T) ** 2, 0))) # 计算总路程
ObjV.append(distance)
pop.ObjV = np.array([ObjV]).T
"""调用模板求解"""
if __name__ == '__main__':
"""================================实例化问题对象============================"""
problem = MyProblem() # 生成问题对象
"""==================================种群设置=============================="""
Encoding = 'P' # 编码方式,采用排列编码
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(此时种群还没被初始化,仅仅是完成种群对象的实例化)
"""================================算法参数设置============================="""
myAlgorithm = ea.soea_SEGA_templet(problem, population) # 实例化一个算法模板对象
myAlgorithm.MAXGEN = 500 # 最大进化代数
myAlgorithm.mutOper.Pm = 0.5 # 变异概率
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 = 1 # 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('时间已过 %s 秒' % myAlgorithm.passTime)
if BestIndi.sizes != 0:
print('最短路程为:%s' % BestIndi.ObjV[0][0])
print('最佳路线为:')
best_journey = np.hstack([0, BestIndi.Phen[0, :], 0])
for i in range(len(best_journey)):
print(int(best_journey[i]), end=' ')
print()
# 绘图
plt.figure()
plt.plot(problem.places[best_journey.astype(int), 0], problem.places[best_journey.astype(int), 1], c='black')
plt.plot(problem.places[best_journey.astype(int), 0], problem.places[best_journey.astype(int), 1], 'o',
c='black')
for i in range(len(best_journey)):
plt.text(problem.places[int(best_journey[i]), 0], problem.places[int(best_journey[i]), 1],
chr(int(best_journey[i]) + 65), fontsize=20)
plt.grid(True)
plt.xlabel('x坐标')
plt.ylabel('y坐标')
plt.savefig('roadmap.svg', dpi=600, bbox_inches='tight')
else:
print('没找到可行解。')
运算结果
种群信息导出完毕。
评价次数:25000
时间已过 0.5235998630523682 秒
最短路程为:244.7126675640766
最佳路线为:
0 4 13 2 15 14 16 17 5 6 18 8 7 19 11 10 1 9 3 12 0
参考资料
1.Geatpy官网 http://geatpy.com/index.php/quickstart/
2.Geatpy的GitHub链接 https://github.com/geatpy-dev/geatpy