Geatpy quickstart

# -*- coding: utf-8 -*-
"""
执行脚本quickstart_demo.py
描述:
本demo展示了如何不使用Geatpy提供的进化算法框架、
纯粹地写编程脚本来解决一个无约束的单目标优化问题。
优化目标：f = min(np.sin(x + y) + (x - y) ** 2 - 1.5 * x + 2.5 * y +1)
注意目标函数aimfuc的输入输出参数的写法
"""
import numpy as np
import geatpy as ga # 导入geatpy库
import time
"""============================函数定义============================"""
# 传入种群基因表现型矩阵Phen以及种群个体的可行性列向量LegV
def aimfuc(Phen, LegV):
    x = np.array([Phen[:, 0]]).T # 取出Phen第一列得到种群所有个体的x值
    y = np.array([Phen[:, 1]]).T # 取出Phen第二列得到种群所有个体的y值
    # 计算MoCormick函数值
    f = np.sin(x + y) + (x - y) ** 2 - 1.5 * x + 2.5 * y +1
    return [f, LegV]
"""============================变量设置============================"""
x1 = [-1.5, 4]; x2 = [-3, 4] # 自变量范围
b1 = [1, 1]; b2 = [1, 1] # 自变量边界
codes = [1, 1] # 变量的编码方式，2个变量均使用格雷编码
precisions =[6, 6] # 变量的精度，10表示精确到小数点后10位
scales = [0, 0] # 采用算术刻度
ranges=np.vstack([x1, x2]).T # 生成自变量的范围矩阵
borders=np.vstack([b1, b2]).T # 生成自变量的边界矩阵
"""========================遗传算法参数设置========================="""
NIND = 50 # 种群规模
MAXGEN = 1000 # 最大遗传代数
GGAP = 0.8 # 代沟：子代与父代个体不相同的概率为0.8
selectStyle = 'sus'; # 遗传算法的选择方式设为"sus"——随机抽样选择
recombinStyle = 'xovdp' # 遗传算法的重组方式，设为两点交叉
recopt = 0.9 # 交叉概率
pm = 0.1 # 变异概率
SUBPOP = 1 # 设置种群数为1
maxormin = 1 #设置最大最小化目标标记为1，表示是最小化目标，-1则表示最大化目标
"""=========================开始遗传算法进化========================"""
FieldD = ga.crtfld(ranges,borders,precisions,codes,scales) #调用函数创建区域描述器
Lind = np.sum(FieldD[0, :]) # 计算编码后的染色体长度
Chrom = ga.crtbp(NIND, Lind) # 根据区域描述器生成二进制种群
Phen = ga.bs2rv(Chrom, FieldD) #对初始种群进行解码
LegV = np.ones((NIND, 1)) # 初始化种群的可行性列向量
[ObjV,LegV] = aimfuc(Phen, LegV) # 计算初始种群个体的目标函数值
# 定义进化记录器，初始值为nan
pop_trace = (np.zeros((MAXGEN, 2)) * np.nan)
# 定义种群最优个体记录器，记录每一代最优个体的染色体，初始值为nan
ind_trace = (np.zeros((MAXGEN, Lind)) * np.nan)
# 开始进化！！
start_time = time.time() # 开始计时
for gen in range(MAXGEN):
    FitnV = ga.ranking(maxormin * ObjV, LegV) #根据目标函数大小分配适应度值
    SelCh=ga.selecting(selectStyle, Chrom, FitnV, GGAP, SUBPOP) # 选择
    SelCh=ga.recombin(recombinStyle, SelCh, recopt, SUBPOP) #交叉
    SelCh=ga.mutbin(SelCh, pm) # 二进制种群变异
    Phen = ga.bs2rv(SelCh, FieldD) # 对育种种群进行解码(二进制转十进制)
    LegVSel=np.ones((SelCh.shape[0], 1))#初始化育种种群的可行性列向量
    [ObjVSel,LegVSel] = aimfuc(Phen, LegVSel) # 求育种个体的目标函数值
    [Chrom,ObjV,LegV] = ga.reins(Chrom,SelCh,SUBPOP,1,1,maxormin*ObjV,maxormin*ObjVSel,ObjV,ObjVSel,LegV,LegVSel) # 重插入得到新一代种群
    # 记录
    pop_trace[gen,1]=np.sum(ObjV)/ObjV.shape[0]#记录当代种群目标函数均值
    if maxormin == 1:
        best_ind = np.argmin(ObjV) # 计算当代最优个体的序号
    elif maxormin == -1:
        best_ind = np.argmax(ObjV)
    pop_trace[gen, 0]=ObjV[best_ind]#记录当代种群最优个体目标函数值
    ind_trace[gen, :] = Chrom[best_ind, :] #记录当代种群最优个体的变量值
    # 进化完成
end_time = time.time() # 结束计时
"""============================绘图================================"""
ga.trcplot(pop_trace, [['最优个体目标函数值','种群的目标函数均值']],
['demo_result'])