Python 유전 알고리즘 Geatpy 도구 상자에 대한 간략한 소개
- WBOY앞으로
- 2022-09-09 13:38:562389검색
【관련 추천: Python3 동영상 튜토리얼】
1. 유전 알고리즘이란 무엇인가요?
유전 알고리즘은 생물학적 유전학과 자연 선택의 메커니즘을 어느 정도 시뮬레이션하여 인위적으로 구축한 검색 알고리즘의 한 종류입니다. 생물학적 개체군의 생존 과정은 일반적으로 다윈의 진화 원리를 따릅니다. 개체군 내 개체는 환경에 적응하는 능력에 따라 자연적으로 선택되거나 제거됩니다. 진화 과정의 결과는 개체의 구조에 반영되며, 염색체에는 여러 유전자가 포함되어 있습니다. 표현형과 유전자형 사이의 해당 연결은 개체의 외부 특성과 내부 메커니즘 사이의 논리적 관계를 반영합니다. 개인 간의 교배와 돌연변이를 통해 자연환경에 적응합니다. 생물학적 염색체는 수학적으로 또는 컴퓨터적으로 염색체라고 불리는 일련의 숫자로 표시되며, 적응성은 염색체에 해당하는 숫자 값으로 측정되며 직면한 문제에 따라 결정됩니다. 또는 최소.
2. 유전자 알고리즘 라이브러리 Geatpy
2.1 유전자 알고리즘 도구 상자 Geatpy 매개변수 소개
API 공식 참조 문서
population 매개변수[중요 속성: Chrom, Phen, Objv, CV, FitnV]
- sizes : int - 인구 규모, 즉 인구에 포함된 개인의 수입니다.
- ChromNum: int - 염색체 수, 즉 각 개인이 가지고 있는 염색체 수입니다.
- 인코딩: str - 염색체 인코딩 방법, 'BG': 바이너리/그레이 인코딩; 'RI': 실수와 정수의 혼합 인코딩, 'P': 순열 인코딩
- Field: 배열 - 디코딩 행렬
- Chrom: 배열 - 모집단 염색체 행렬, 각 행은 개인의 염색체에 해당합니다.
- Lind : int - 모집단 염색체 길이.
- ObjV: 배열 - 모집단 목적 함수 값 행렬, 각 행은 개인의 목적 함수 값에 해당하고, 각 열은 목적에 해당합니다.
- FitnV: 배열 - 모집단 개인 적합성 열 벡터, 각 요소는 개인의 적합성에 해당합니다. 개인, 최소 적합도는 0
- CV입니다. 배열 - CV(Constraint Violation Value)는 제약 조건의 위반 정도를 정량적으로 설명하는 데 사용되는 행렬입니다. 각 행은 개인에 해당하고, 각 열은 제약 조건에 해당합니다. Phen: 배열 - 모집단 표현형 행렬(즉, 디코딩 후 모집단의 각 염색체가 나타내는 결정 변수로 구성된 행렬)입니다.
- CV 행렬을 통해 타당성 규칙에 따라 제약 조건을 설정한 경우 부등식 제약 조건은 ≤이어야 하며, 등식 제약 조건은 abs()에 전달되어야 합니다(값이 클수록 피트니스가 작음)
- ea.Problem.
- init() lbin 및 ubin(결정 변수 범위 경계 행렬)은 범위 구간의 열기 및 닫기를 나타냅니다. 1은 닫힌 구간이고 0은 열린 구간입니다
Geatpy 결과 매개변수 소개
success: True 또는 False, 알고리즘이 성공적으로 해결되었는지 여부를 나타냅니다. success: True or False, 表示算法是否成功求解。
stopMsg: 存储着算法停止原因的字符串。
optPop: 存储着算法求解结果的种群对象。如果无可行解，则optPop.sizes=0。optPop.Phen为决策变量矩阵，optPop.ObjV为目标函数值矩阵。
lastPop: 算法进化结束后的最后一代种群对象。
Vars: 等于optPop.Phen，此处即最优解。若无可行解，则Vars=None。
ObjV: 等于optPop.ObjV，此处即最优解对应的目标函数值。若无可行解，ObjV=None。
CV: 等于optPop.CV，此处即最优解对应的违反约束程度矩阵。若无可行解，CV=None。
startTime: 程序执行开始时间。
endTime: 程序执行结束时间。
executeTime: 算法 所用时间。
nfev: 算法评价次数
gd: (多目标优化且给定了理论最优解时才有) GD指标值。
igd: (多目标优化且给定了理论最优解时才有) IGD指标值。
hv: (多目标优化才有) HV指标值。
spacingstopMsg: 알고리즘 중지 이유를 저장하는 문자열입니다.
optPop: 알고리즘 솔루션 결과를 저장하는 인구 개체입니다. 실행 가능한 솔루션이 없으면 optPop.sizes=0입니다. optPop.Phen은 결정 변수 행렬이고, optPop.ObjV는 목적 함수 값 행렬입니다. 🎜🎜lastPop: 알고리즘 진화가 완료된 후 마지막 세대 인구 개체입니다. 🎜🎜Vars: optPop.Phen과 동일하며 여기에 최적의 솔루션이 있습니다. 실현 가능한 솔루션이 없으면 Vars=None입니다. 🎜🎜ObjV: 최적의 솔루션에 해당하는 목적 함수 값인 optPop.ObjV와 동일합니다. 실현 가능한 솔루션이 없으면 ObjV=None입니다. 🎜🎜CV: 최적의 솔루션에 해당하는 제약 위반 매트릭스인 optPop.CV와 동일합니다. 실현 가능한 솔루션이 없으면 CV=None입니다. 🎜🎜startTime: 프로그램 실행 시작 시간. 🎜🎜endTime: 프로그램 실행이 종료되는 시간입니다. 🎜🎜executeTime: 알고리즘에 소요되는 시간입니다. 🎜🎜nfev: 알고리즘 평가 횟수 🎜🎜gd: (다목적 최적화에만 사용 가능하며 이론적 최적 솔루션이 제공됨) GD 지수 값입니다. 🎜🎜igd: (다목적 최적화에만 사용 가능하며 이론적 최적 솔루션이 제공됨) IGD 지표 값입니다. 🎜🎜hv: (다목적 최적화에만 사용 가능) HV 표시 값입니다. 🎜🎜간격: (다목적 최적화에만 사용 가능) 간격 표시 값입니다. 🎜3. 모범 사례
3.1 코드 예제 | 매개변수 템플릿
솔루션 세트:
header_regex = '|'.join(['{}'] * len(headers))
header_str = header_regex.format(*[str(key).center(width) for key, width in zip(headers, widths)])
print("=" * len(header_str))
print(header_str)
print("-" * len(header_str))
gen: 평가 횟수 기록
f_opt: 현대 최적의 개인 목적 함수 값
f_max=현대 인구의 최대 함수 값
f_min 최소 f_avg: 평균 수준
f_std: 표준 제약 수준
import numpy as np
import geatpy as ea
class MyProblem(ea.Problem): # 继承Problem父类
def __init__(self):
name = 'Shortest_Path' # 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 = 10 # 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 = [0] * Dim # 决策变量下界
ub = [9] * Dim # 决策变量上界
lbin = [1] * Dim # 决策变量下边界 1表示闭合区间，0表示开区间
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)
# 设置每一个结点下一步可达的结点（结点从1开始数，因此列表nodes的第0号元素设为空列表表示无意义）
self.nodes = [[], [2, 3], [3, 4, 5], [5, 6], [7, 8], [4, 6], [7, 9], [8, 9], [9, 10], [10]]
# 设置有向图中各条边的权重
self.weights = {'(1, 2)': 36, '(1, 3)': 27, '(2, 4)': 18, '(2, 5)': 20, '(2, 3)': 13, '(3, 5)': 12,
'(3, 6)': 23,
'(4, 7)': 11, '(4, 8)': 32, '(5, 4)': 16, '(5, 6)': 30, '(6, 7)': 12, '(6, 9)': 38,
'(7, 8)': 20,
'(7, 9)': 32, '(8, 9)': 15, '(8, 10)': 24, '(9, 10)': 13}
def decode(self, priority): # 将优先级编码的染色体解码得到一条从节点1到节点10的可行路径
edges = [] # 存储边
path = [1] # 结点1是路径起点
while not path[-1] == 10: # 开始从起点走到终点
currentNode = path[-1] # 得到当前所在的结点编号
nextNodes = self.nodes[currentNode] # 获取下一步可达的结点组成的列表
chooseNode = nextNodes[np.argmax(
priority[np.array(nextNodes) - 1])] # 从NextNodes中选择优先级更高的结点作为下一步要访问的结点，因为结点从1数起，而下标从0数起，因此要减去1
path.append(chooseNode)
edges.append((currentNode, chooseNode))
return path, edges
def aimFunc(self, pop): # 目标函数
pop.ObjV = np.zeros((pop.sizes, 1)) # 初始化ObjV
for i in range(pop.sizes): # 遍历种群的每个个体，分别计算各个个体的目标函数值
priority = pop.Phen[i, :]
path, edges = self.decode(priority) # 将优先级编码的染色体解码得到访问路径及经过的边
pathLen = 0
for edge in edges:
key = str(edge) # 根据路径得到键值，以便根据键值找到路径对应的长度
if not key in self.weights:
raise RuntimeError("Error in aimFunc: The path is invalid. (当前路径是无效的。)", path)
pathLen += self.weights[key] # 将该段路径长度加入
pop.ObjV[i] = pathLen # 计算目标函数值，赋值给pop种群对象的ObjV属性
## 执行脚本
if __name__ == "__main__":
# 实例化问题对象
problem = MyProblem()
# 构建算法
algorithm = ea.soea_EGA_templet(problem,
ea.Population(Encoding='RI', NIND=4),
MAXGEN=10, # 最大进化代数
logTras=1) # 表示每隔多少代记录一次日志信息
# 求解
res = ea.optimize(algorithm, verbose=True, drawing=1, outputMsg=False, drawLog=False, saveFlag=True,
dirName='result')
print('最短路程为：%s' % (res['ObjV'][0][0]))
print('最佳路线为：')
best_journey, edges = problem.decode(res['Vars'][0])
for i in range(len(best_journey)):
print(int(best_journey[i]), end=' ')
print() [관련 권장 사항: Python3 비디오 튜토리얼 ]
위 내용은 Python 유전 알고리즘 Geatpy 도구 상자에 대한 간략한 소개의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!