sga_mps_real_templet
多种群独立进化单目标编程模板(实值编码)

问题

max=2*x1+3*x2;
x1+2*x2<=8;
4*x1<=16;
4*x2<=12;

代码（aimfuc）

import numpy as np


def aimfuc(Phen, LegV):
	x1 = Phen[:, [0]]
	x2 = Phen[:, [1]]
	f = 2 * x1 + 3 * x2
	# 约束条件
	idx1 = np.where(x1 + 2 * x2 > 8)[0]
	exIdx = np.unique(np.hstack([idx1])) # 得到非可行解在种群中的下标
	LegV[exIdx] = 0  # 对非可行解作出标记，使其在可行性列向量中对应的值为0
	return [f, LegV]

代码（main）

# -*- coding: utf-8 -*-
"""
执行脚本main.py
描述：
    该demo是展示如何计算带等式约束的单目标优化问题:
        max=2*x1+3*x2;
		x1+2*x2<=8;
		4*x1<=16;
		4*x2<=12;
    其中目标函数和约束条件写在aimfuc.py文件中，适应度罚函数写在罚函数文件punishing.py中
    本案例通过降维的方法，将等式约束化成了不等式约束，大大拓宽了可行解的空间，方便遗传算法求解
    此外，本案例展示了利用多种群竞争的进化算法模板sga_mpc_real_templet了解决该问题。
"""

import numpy as np
import geatpy as ga

# 获取函数接口地址
AIM_M = __import__('aimfuc')
PUN_M = __import__('punishing')
# 变量设置
x1 = [0, 4]  # 自变量1的范围
x2 = [0, 3]  # 自变量2的范围
b1 = [1, 1]  # 自变量1是否包含下界
b2 = [1, 1]  # 自变量2是否包含上界
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
precisions = [4] * 2  # 在二进制/格雷码编码中代表自变量的编码精度，当控制变量是连续型时，根据crtfld参考资料，该变量只表示边界精度，故设置为一定的正数即可
newRanges = ga.meshrng(ranges, gridnum=2)  # 对控制变量范围进行网格化，网格边长为2
# 生成网格化后的区域描述器集合
FieldDRs = []
for i in range(len(newRanges)):
	FieldDRs.append(ga.crtfld(newRanges[i], borders, precisions))
# 调用编程模板
[pop_trace, var_trace, times] = ga.sga_mpc_real_templet(AIM_M, 'aimfuc', PUN_M, 'punishing', FieldDRs, problem='R',
                                                        maxormin=-1, MAXGEN=100, NIND=50, SUBPOP=1, GGAP=0.9,
                                                        selectStyle='tour', recombinStyle='xovdprs', recopt=0.95,
                                                        pm=0.65, distribute=True, drawing=1)

结果

最优的目标函数值为：13.956462415814329
最优的控制变量值为：
4.0
1.98548747193811
有效进化代数：100
最优的一代是第 69 代
时间已过 3.666006326675415 秒