差分进化算法_带约束的遗传算法、差分进化算法、粒子群算法的小介绍

最新推荐文章于 2024-05-02 11:33:08 发布

weixin_39926191

最新推荐文章于 2024-05-02 11:33:08 发布

阅读量682

点赞数 1

文章标签：差分进化算法

以下文字针对 scikit-opt 的 v0.5.9 版本(也是写这篇文章时的最新版本)，针对带约束的遗传算法、差分进化算法、粒子群算法做一个梳理。有些约束很好用，有些约束效果其实不怎么好，在这里做个汇总。找了不少论文，实现之后效果一般，哪天找到更好的实现会持续做更新。

一些约束的格式的定义

lb：lower bound，“下界约束”，例如，要求满足约束 x0>=-1, x1>=1, x2>=0，那么取值 lb=[-1,1,0]
ub：upper bound，“上界约束”，例如，要求慢猪约束x0<=5, x1<=2, x2<=3，那么取值 ub=[5,2,3]
constraint_eq：线性约束，例如，要求 x0*x1=1, x1*x2=5，那么，取值 constraint_eq = [lambda x: x[0]*x[1]-1, lambda x: x[1]*x[2]-5]
constraint_ueq：非线性约束，例如，要求 x0*x1>=1, x1*x2<=5，那么，取值 constraint_ueq = [lambda x: 1-x[0]*x[1], lambda x: x[1]*x[2]-5]

多解释一下 constraint_eq、constraint_ueq，它们都是列表，列表的元素是函数，constraint_eq 里面的函数约束是等于0，constraint_ueq 里面的函数的约束是小于等于0

也可以这么写：

def constraint0(x):
    return 1 - x[0]*x[1]

def constraint1(x):
    return x[0]*x[1] - 5

constraint_ueq = [constraint0, constraint1]

在 scikit-opt 的遗传算法（GA）中， lb, ub 靠编码方式实现，基因无论如何交叉、变异，都不能超过 lb 和 ub，这一约束非常有效。

constraint_eq，constraint_ueq 靠“罚函数”，也就是说，适应度的计算是这样的：

self.Y_raw + 1e5 * penalty_eq + 1e5 * penalty_ueq

其中:（示意公式）

penalty_eq =

penalty_ueq =

这么做缺点非常明显：

改进计划：

罚函数法是一种比较通用的添加约束的方法，实现了几个其他的方法，感觉不比罚函数法的效果好太多。持续取找方案。

变异算子：

r1,r2,r3=rand(size_pop)
V[i]=X[r1]+F(X[r2]-X[r3])

做变异算子后，是有可能超过lb和ub的，超过后，有两种策略：

scikit-opt 采用的是第一个策略

交叉算子：变异后的值和原始值随机互换，所以这个算子不可能让结果超过lb，ub

penalty_eq，constraint_ueq 的实现同GA，靠罚函数来调整，所以有相同的缺点。（不过DE的特殊性，等式约束相比GA效果稍微好一点，不过也好不到哪里去）

lb和ub有2种策略实现

虽然2更加符合物理规律，但实测发现，如果同时有上下界，偶尔会在反弹时，速度和距离趋于无穷，（离散地去模拟经典力学偶尔都会发生这种情况）。即使不发生这种bug，2的效果实测也不如1

scikit-opt选用的是1策略

constraint_eq、constraint_ueq 未在 PSO 中实现。但读到了一些材料，觉得很有潜力，下一个版本放进去。

模拟退火、蚁群、免疫优化这几个算法放到下期写。

关注