文章目录
1. 题目
一个正三角形平面,边长为1,在三个角的部分减去一个四边形,然后沿着剪开部分折叠起来,该怎么剪,才能使折叠后的三棱台体积最大。
2. Python求解
使用geatpy
库求解:
MyProblem2.py :
# -*- coding: utf-8 -*-
import numpy as np
import geatpy as ea
class MyProblem(ea.Problem): # 继承Problem父类
def tan(self, data): # data为传入的度数
return np.tan(data / 180 * np.pi)
def cos(self, data):
return np.cos(data / 180 * np.pi)
def sin(self, data):
return np.sin(data / 180 * np.pi)
def __init__(self):
name = 'MyProblem' # 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 = 2 # 初始化Dim(决策变量维数)
varTypes = [0, 1] # 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, 0, ] # 决策变量下界
ub = [np.sqrt(3) / 3, 60, ] # 决策变量上界
lbin = [1, 1, ] # 决策变量下边界(0表示不包含该变量的下边界,1表示包含)
ubin = [1, 1, ] # 决策变量上边界(0表示不包含该变量的上边界,1表示包含)
# 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 s1(self, a):
return np.sqrt(3) / 4 * np.square(1 - np.sqrt(3) * a)
# return np.sqrt(3) / 4 * np.square(1 - np.sqrt(3) * a + a / self.tan(30 + alpha))
def s2(self, a, alpha):
return np.sqrt(3) / 4 * np.square((1 - a * np.sqrt(3)) + self.tan(60 - alpha) * a)
# return np.sqrt(3) / 4 * np.square(1 - np.sqrt(3) * a)
def length_1(self, a): # 底面小的三角形
return 1 - np.sqrt(3) * a
def length_2(self, a, alpha): # 上面大的三角形
return (1 - np.sqrt(3) * a) + self.tan(60 - alpha) * a
def edge_length(self, a, alpha): # 中位线构成的截面的斜边长度
return a / (2 * self.cos(60 - alpha))
def h(self, a, alpha):
# one_of_length = 2 * np.sqrt(3) * (self.length_2(a, alpha) - self.length_1(a)) / 3
one_of_length = np.sqrt(3) * (self.length_2(a, alpha) - self.length_1(a)) / 3
square_h = np.square(self.edge_length(a, alpha)) - np.square(one_of_length)
return np.sqrt(square_h)
def aimFunc(self, pop): # 目标函数
Vars = pop.Phen # 得到决策变量矩阵
a = Vars[:, [0]]
alpha = Vars[:, [1]]
pop.ObjV = (1 / 3) * self.h(a, alpha) * (self.s1(a) + np.sqrt(
self.s1(a) * self.s2(a, alpha)) + self.s2(a, alpha)) # 计算目标函数值,赋值给pop种群对象的ObjV属性
# 采用可行性法则处理约束
pop.CV = np.hstack([
-self.s1(a),
-self.s2(a, alpha),
-self.h(a, alpha),
self.length_1(a) - self.length_2(a, alpha), # l1<l2
])
Maincode.py
# -*- coding: utf-8 -*-
import geatpy as ea # import geatpy
# from MyProblem import MyProblem # 导入自定义问题接口
from MyProblem2 import MyProblem
if __name__ == '__main__':
"""================================实例化问题对象==========================="""
problem = MyProblem() # 生成问题对象
"""==================================种群设置=============================="""
Encoding = 'RI' # 编码方式
NIND = 300 # 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(此时种群还没被初始化,仅仅是完成种群对象的实例化)
"""================================算法参数设置============================="""
# myAlgorithm = ea.soea_DE_rand_1_bin_templet(problem, population) # 实例化一个算法模板对象
myAlgorithm = ea.soea_DE_targetToBest_1_bin_templet(problem, population) # 实例化一个算法模板对象
myAlgorithm.MAXGEN = 200 # 最大进化代数
myAlgorithm.mutOper.F = 0.5 # 差分进化中的参数F
myAlgorithm.recOper.XOVR = 0.7 # 重组概率
myAlgorithm.logTras = 1 # 设置每隔多少代记录日志,若设置成0则表示不记录日志
myAlgorithm.verbose = True # 设置是否打印输出日志信息
myAlgorithm.drawing = 1 # 设置绘图方式(0:不绘图;1:绘制结果图;2:绘制目标空间过程动画;3:绘制决策空间过程动画)
"""===========================调用算法模板进行种群进化========================"""
[BestIndi, population] = myAlgorithm.run() # 执行算法模板,得到最优个体以及最后一代种群
BestIndi.save() # 把最优个体的信息保存到文件中
"""==================================输出结果=============================="""
print('评价次数:%s' % myAlgorithm.evalsNum)
print('时间已过 %s 秒' % myAlgorithm.passTime)
if BestIndi.sizes != 0:
print('最优的目标函数值为:%s' % BestIndi.ObjV[0][0])
print('最优的控制变量值为:')
for i in range(BestIndi.Phen.shape[1]):
print(BestIndi.Phen[0, i])
else:
print('没找到可行解。')
最后的求解结果:
3. 作业纸上的描述
放大的效果图:
设的那个角度 alpha
就是绿色的角