【最优化问题】使用离散重组完成的整数规划遗传算法

原创

已于 2022-10-03 09:43:47 修改 · 402 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#python #numpy #遗传算法

于 2022-09-27 21:28:43 首次发布

本文介绍了一种基于离散重组的整数规划遗传算法实现，该算法通过初始化族群、计算个体适应度、淘汰低适应度个体并保留高适应度个体进行遗传繁衍，最终找到最优解。适用于解决复杂的优化问题。

'''
使用离散重组完成的整数规划遗传算法 

过程
1、初始化族群
2、计算个体适应度
3、淘汰适应度最低的个体。
4、适应度最高的个体直接延续到下一代，同时所有个体通过离散重组进行繁衍。产生新的族群
重复2,3,4步。
'''
import numpy as np

class GeneticAlgorithm:
    def __init__(self,target,populationsNum, DNALen,maxiter, passRate,keepRate, mutationRate,lb,ub):
        self.target = target
        self.populationsNum = populationsNum  # 种族数量 
        self.DNALen = DNALen  # 个体数值长度
        self.passRate = passRate # 淘汰比率
        self.keepRate = keepRate # 留存比率
        self.maxiter = maxiter  # 最大迭代次数 
        self.mutationRate = mutationRate  # 变异系数 
#         self.getMax = getMax
    def init_populations(self):  # 初始化族群函数 
        '''
        初始化族群
        '''
        populations = []  # 存储初始化种群 
        for i in range(self.DNALen): 
            populations.append(np.random.randint(lb[i],ub[i],self.populationsNum)) # 根据上下限生成个体 
        populations = np.array(populations).T  # 转为numpy格式 
        return populations  # 返回初始化族