遗传算法解决带约束的多目标优化问题

对于下述知识可先学习：Geatpy库学习流程_要努力呦的博客-CSDN博客

        

        有了以上的经验后，对于如何使用 Geatpy 面向对象进化算法框架求解新的问题就 会得心应手。下面看一个带约束的多目标优化问题： 

 编写问题类如下：

# -*- coding: utf-8 -*-
"""MyProblem.py"""
import numpy as np
import geatpy as ea
class MyProblem(ea.Problem): # 继承Problem父类
    def __init__(self):
        name = 'BNH' # 初始化name（函数名称，可以随意设置）
        M = 2 # 初始化M（目标维数）
        maxormins = [1] * M # 初始化maxormins
        Dim = 2 # 初始化Dim（决策变量维数）
        varTypes = [0] * Dim #
#         初始化varTypes（决策变量的类型，0：实数；1：整数）
        lb = [0] * Dim # 决策变量下界
        ub = [5, 3] # 决策变量上界
        lbin = [1] * Dim # 决策变量下边界
        ubin = [1] * Dim # 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
        Vars = pop.Phen # 得到决策变量矩阵
        x1 = Vars[:, [0]] # 注意这样得到的x1是一个列向量，表示所有个体的x1
        x2 = Vars[:, [1]]
        f1 = 4*x1**2 + 4*x2**2
        f2 = (x1 - 5)**2 + (x2 - 5)**2
        # 采用可行性法则处理约束
        pop.CV = np.hstack([(x1 - 5)**2 + x2**2 - 25,
        -(x1 - 8)**2 - (x2 - 3)**2 + 7.7])
        # 把求得的目标函数值赋值给种群pop的ObjV
        pop.ObjV = np.hstack([f1, f2])
    def calReferObjV(self): # 计算全局最优解
        N = 10000 # 欲得到10000个真实前沿点
        x1 = np.linspace(0, 5, N)
        x2 = x1.copy()
        x2[x1 >= 3] = 3
        return np.vstack((4 * x1**2 + 4 * x2**2,
        (x1 - 5)**2 + (x2 - 5)**2)).T

        Geatpy 的问题类有三大函数：构造函数（又称“构造方法”）__init()__()、目标 函数 aimFunc() 以及计算理论参考解的目标函数参考值（常常是理论最优解）的函数 calReferObjV()。如果实际问题并不知道模型的理论最优解的目标函数参考值，那么 calReferObjV() 函数的定义可以被省略。在多目标优化中，“真实帕累托前沿”可在 calReferObjV() 中进行计算或读取文件得到。

完成了问题类的定义后，对“2.2.1”中的执行脚本“main.py”略加修改便可以用于当前问题的求解：

# -*- coding: utf-8 -*-
"""main.py"""
import geatpy as ea # import geatpy
from MyProblem 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 = 100 # 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.moea_NSGA2_templet(problem, population) #
实例化一个算法模板对象
myAlgorithm.MAXGEN = 200 # 最大遗传代数
myAlgorithm.drawing = 1 # 设置绘图方式
"""===================调用算法模板进行种群进化=======================
调用run执行算法模板，得到帕累托最优解集NDSet。
NDSet是一个种群类Population的对象。
NDSet.ObjV为最优解个体的目标函数值；NDSet.Phen为对应的决策变量值。
详见Population.py中关于种群类的定义。
"""
NDSet = myAlgorithm.run() # 执行算法模板，得到非支配种群
NDSet.save() # 把结果保存到文件中
# 输出
print('用时：%f 秒'%(myAlgorithm.passTime))
print('评价次数：%d 次'%(myAlgorithm.evalsNum))
print('非支配个体数：%d 个'%(NDSet.sizes))
print('单位时间找到帕累托前沿点个数：%d 个'%(int(NDSet.sizes //
    myAlgorithm.passTime)))
# 计算指标
PF = problem.getReferObjV() # 获取真实前沿
if PF is not None and NDSet.sizes != 0:
    GD = ea.indicator.GD(NDSet.ObjV, PF) # 计算GD指标
    IGD = ea.indicator.IGD(NDSet.ObjV, PF) # 计算IGD指标
    HV = ea.indicator.HV(NDSet.ObjV, PF) # 计算HV指标
    Spacing = ea.indicator.Spacing(NDSet.ObjV) # 计算Spacing指标
    print('GD: %f'%GD)
    print('IGD: %f'%IGD)
    print('HV: %f'%HV)
    print('Spacing: %f'%Spacing)
"""=====================进化过程指标追踪分析========================"""
if PF is not None:
    metricName = [['IGD'], ['HV']]
    [NDSet_trace, Metrics] =ea.indicator.moea_tracking(myAlgorithm.pop_trace, PF,
        metricName, problem.maxormins)
    # 绘制指标追踪分析图
    ea.trcplot(Metrics, labels = metricName, titles = metricName)

        上述执行脚本调用了多目标优化的“moea_NSGA2_templet”算法模板，它实现的是多目标优化 NSGA-II 算法，详见“moea_NSGA2_templet.py”源码。

        在调用完算法模板后，通过 problem 对象的“getReferObjV()”方法获取真实前沿。这 里也许会产生疑问：前面“MyProblem.py”中不是定义了“calReferObjV()”方法来计算 问题的真实前沿吗？并没有定义“getReferObjV()”函数。实际上，“getReferObjV()”函数 是自定义的“MyProblem”类的父类：“Problem”中定义的一个函数（详见“Problem.py”）， 它将先尝试读取本地的特定格式的全局最优解参考值的记录文件，如果没有找到，它将 调用自定义的“calReferObjV()”函数来计算全局最优解的参考值（这里即真实前沿）， 计算完成后，它把结果按照特定格式保存到“Real_Best”文件夹下面的.csv 文件中。

        上述执行脚本还展示了如何使用 Geatpy 提供的多目标优化进化过程指标追踪分析功能。调用工具箱的“indicator.moea_tracking()”函数即可完成指标追踪分析，为此需 要一个保存着历代种群对象的列表“pop_trace”，该列表在进化算法模板的父类中有定 义（详见“Algorithm.py”中的“MoeaAlgorithm 类”——多目标进化优化算法模板父类， Geatpy 中所有的多目标进化优化算法模板都继承了这个父类）。