使用Pymoo库实现多目标优化算法优化自定义问题

一、本文的目的：

1、通过Pymoo库实现多目标优化算法，用于优化自定义问题，例如调度问题

二、重要库文件版本：

python 3.6

pymoo 0.6.1.2 

三、通过Pymoo实现多目标优化

3.0过程步骤：

1. 定义问题
   • 是否启用并行计算
2. 初始化算法
   • 设置各种算子
3. 设置终止条件
4. 组装部件，执行优化

3.1定义问题

定义问题包含变量数量、变量范围、约束数量、适应值计算函数等，下面是定义问题的相关参数。

import numpy as np
from pymoo.core.problem import ElementwiseProblem

class MyProblem(ElementwiseProblem):

    def __init__(self, **kwargs):
        super().__init__(n_var=2,
                         n_obj=2,
                         n_ieq_constr=2,
                         xl=np.array([-2,-2]),
                         xu=np.array([2,2]),
                         **kwargs)  # 在问题定义时可以设置并行计算的参数  
        # https://pymoo.org/problems/parallelization.html

    def _evaluate(self, x, out, *args, **kwargs):
        f1 = 100 * (x[0]**2 + x[1]**2)
        f2 = (x[0]-1)**2 + x[1]**2

        g1 = 2*(x[0]-0.1) * (x[0]-0.9) / 0.18
        g2 = - 20*(x[0]-0.4) * (x[0]-0.6) / 4.8

        out["F"] = [f1, f2]
        out["G"] = [g1, g2]

problem = MyProblem()

3.2初始化算法（设置算子相关参数）

 选择NSGA-II 多目标优化算法，设置各种算子，各种算子操作符open in new window，主要包括采样、选择、变异与交叉。

import numpy as np
from pymoo.core.problem import ElementwiseProblem

class MyProblem(ElementwiseProblem):

    def __init__(self, **kwargs):
        super().__init__(n_var=2,
                         n_obj=2,
                         n_ieq_constr=2,
                         xl=np.array([-2,-2]),
                         xu=np.array([2,2]),
                         **kwargs)  # 在问题定义时可以设置并行计算的参数  
        #