Python学习7

大家好，这里是七七，本次的Python学习的例子是NSGAII优化算法的实现代码

目录

总代码

代码1

?代码2

代码3

代码4

代码5

---

总代码

import numpy as np
import pandas as pd
from tool import *
import deap as ea
address=r'data/q3.csv'
data=pd.read_csv(address)
data_40_rows=data.head(40)

cost_pre=data_40_rows['批发价格(元/千克)'].tolist()  #预测成本
sale_pre=data_40_rows['平均销量'].tolist()  #预测销量
for i in range(40):
    if sale_pre[i]<=2.5:
        sale_pre[i]=2.5
mean_sale=data_40_rows['平均单价']
alph=[0.1]*40 #损耗率
discount=[0.8]*40 #打折
ini_data=np.array([i]*30+[0]*10+[0.7]*40+sale_pre)
need_list=data_40_rows['Q'].tolist()
weight=[0.5]*40

def Modify(sale_price):
    sale=[]
    for i in range(40):
        ss=(1-(sale_price[i]-mean_sale[i])/(mean_sale[i])*weight[i])+sale_pre[i]
        sale.append(ss)
        return sale

def Obj_function(X):
    Objv=[]
    Cv=[]
    for i in range (len(X)):
        x=X[i]
        #目标一：最大化利润
        decide=x[:40]
        profit=x[40:80]
        nums=x[80:120]
        #计算成本
        cost=[]
        for i in range(len(cost_pre)):
            cost.append(decide[i]*cost_pre[i])
        #计算售价
        sale_price=[]
        for i in range(len(cost_pre)):
            s=cost[i]*(1+profit[i])
            sale_price.append(s)
        #计算销量
        sale_modify=Modify(sale_price)
        #计算总销售额
        w1=[]
        for i in range(len(sale_modify)):
            bad=(sale_modify[i]*alph[i])*(discount[i]*sale_price[i])
            good=(sale_modify[i]*(1-alph[i]))*(sale_price[i])
            w1.append(bad+good)
        sum_sale=sum(w1)
        #计算总成本
        w2=[]
        for i in range(len(cost)):
            w2.append(nums[i]*cost[i])
        sum_cost=sum(w2)
        penalty=0
        for i in range(40):
            if nums[i]<2.5:
                penalty-=200
        f1=sum_sale-sum_cost+penalty
        #目标二：最大化需求
        satif_need=[]
        for i in range(len(decide)):
            satif_need.append(decide[i]*need_list[i])
        f2=sum(satif_need)/sum(need_list)

        #确定评价函数值
        x_Objv=np.hstack([f1,f2])
        #定义约束
        list_cv=[sum(decide)-33,27-sum(decide)]
        x_Cv=np.array(list_cv)
        Objv.append(x_Objv)
        Cv.append(x_Cv)
        Objv=np.array(Objv)
        Cv=np.array(Cv)
        return Objv,Cv
problem=ea.Problem(
    name='NSGAII_for_q3',
    M=2,
    maxormins=[-1,-1],
    Dim=120,
    varTypes=[1]*40+[0]*80,
    lb=[0]*40+[0]*40+ data_40_rows['最小销量'].tolist(),
    ub=[1]*40+[1.2]*40+ data_40_rows['最大销量'].tolist(),
    evalVars=Obj_function
)

#混合编码
Encodings=['BG','RI']
Field1=ea.crtfld(Encodings[0],problem.varTypes[:40],ranges=np.array([problem.lb[:40],problem.ub[:40]]))
Field2=ea.crtfld(Encodings[1],problem.varTypes[:40],ranges=np.array([problem.lb[:40],problem.ub[:40]]))
Fields=[Field1,Field2]
population=ea.PsyPopulation(Encodings=Encodings,Fields=Fields,NIND=100)

algorithm=ea.moea_psy_NSGA2_archive_templet(
    problem,
    population,
    MAXGEN=300,
    logTras=20,
    prophetPop=ini_data,
    maxTrappedCount=20,
)

res=ea.optimize(algorithm,seed=1,verbose=True,drawing=1,
                outputMsg=True,drawLog=True)
print(f"最优解是：{res['Vars'][0]}")
print(f"最优解值是：{res['Vars'][0]}")
print(f"hv结果是：{res['Vars'][0]}")

代码1

ini_data=np.array([1]*30+[0]*10+[0.7]*40+sale_pre)

ini_data?是一个变量，它是一个由 Numpy 库创建的一维数组。这个数组包含了四个部分的数据，分别是值为 1 的 30 个元素、值为 0 的 10 个元素、值为 0.7 的 40 个元素和?sale_pre?中存储的元素。

?代码2

x_Objv=np.hstack([f1,f2])

x_Objv?是一个 numpy 数组，它通过?np.hstack()?函数将两个数组?f1?和?f2?水平堆叠在一起。

这意味着?f1?和?f2?必须具有相同的维度，并且它们将在水平方向上进行堆叠，形成一个新的?x_Objv?数组。换句话说，x_Objv?的每一列将从?f1?和?f2?中对应的列中获取元素。

代码3

problem=ea.Problem(
    name='NSGAII_for_q3',
    M=2,
    maxormins=[-1,-1],
    Dim=120,
    varTypes=[1]*40+[0]*80,
    lb=[0]*40+[0]*40+ data_40_rows['最小销量'].tolist(),
    ub=[1]*40+[1.2]*40+ data_40_rows['最大销量'].tolist(),
    evalVars=Obj_function
)

Problem?是在?ea?模块中创建一个优化问题的类的对象。通过使用该对象，你可以定义和处理多目标优化问题。

在?Problem?函数调用中，传递了一些参数来设置问题的属性和限制条件：

• name='NSGAII_for_q3'：设置问题的名称为?NSGAII_for_q3。
• M=2：表示问题有两个目标函数。
• maxormins=[-1,-1]：表示两个目标函数都是最小化目标。
• Dim=120：设置问题的维度为 120。
• varTypes=[1]*40+[0]*80：指定了每个变量的类型，其中前 40 个变量是连续变量（对应?1），后 80 个变量是离散变量（对应?0）。
• lb=[0]*40+[0]*40+ data_40_rows['最小销量'].tolist()：设置了问题的变量下界（lower bound）。前 40 个变量的下界都为 0，接下来的 40 个变量仍为 0，最后 40 个变量是从?data_40_rows?中取出的一列名为?最小销量?的数据转换为列表。
• ub=[1]*40+[1.2]*40+ data_40_rows['最大销量'].tolist()：设置了问题的变量上界（upper bound）。前 40 个变量的上界都为 1，接下来的 40 个变量都为 1.2，最后 40 个变量是从?data_40_rows?中取出的一列名为?最大销量?的数据转换为列表。
• evalVars=Obj_function：指定了用于评估变量的目标函数。

通过调用?Problem?函数，你创建了一个名为?NSGAII_for_q3?的优化问题对象，并设置了相关的属性和限制条件。

代码4

Encodings=['BG','RI']
Field1=ea.crtfld(Encodings[0],problem.varTypes[:40],ranges=np.array([problem.lb[:40],problem.ub[:40]]))
Field2=ea.crtfld(Encodings[1],problem.varTypes[:40],ranges=np.array([problem.lb[:40],problem.ub[:40]]))
Fields=[Field1,Field2]
population=ea.PsyPopulation(Encodings=Encodings,Fields=Fields,NIND=100)

首先定义了一个名为?Encodings?的列表，其中包含了两个编码类型：“BG” 和 “RI”。

接下来，使用?ea.crtfld()?函数创建了两个字段对象?Field1?和?Field2。这两个字段对象分别使用了?Encodings?列表中的第一个和第二个编码类型。

ea.crtfld()?函数的参数如下：

• 第一个参数是编码类型，可以是 “BG”（二元编码）或 “RI”（实数编码）。
• 第二个参数是一个列表，用于指定每个变量的类型。在这里，使用?problem.varTypes[:40]?取出了问题对象中前 40 个变量的类型。
• 第三个参数是一个范围 (ranges) 数组，用于指定每个变量的取值范围。在这里，使用了?np.array([problem.lb[:40], problem.ub[:40]])，取出了问题对象中前 40 个变量的下界（problem.lb[:40]）和上界（problem.ub[:40]）。

然后，将?Field1?和?Field2?添加到一个列表?Fields?中。

最后，通过调用?ea.PsyPopulation()?函数创建了一个名为?population?的粒子种群对象。ea.PsyPopulation()?函数的参数如下：

• Encodings：表示个体的编码类型列表。
• Fields：表示个体所使用的字段列表。
• NIND：表示种群中的个体数。

在这里，将之前定义的?Encodings?列表和?Fields?列表作为参数传递给?ea.PsyPopulation()?函数，并设置了种群中的个体数为 100。

通过以上代码，你创建了一个带有两种编码的粒子种群，每个编码类型对应一个字段对象。?

代码5

algorithm=ea.moea_psy_NSGA2_archive_templet(
    problem,
    population,
    MAXGEN=300,
    logTras=20,
    prophetPop=ini_data,
    maxTrappedCount=20,
)

res=ea.optimize(algorithm,seed=1,verbose=True,drawing=1,
                outputMsg=True,drawLog=True)

首先使用?ea.moea_psy_NSGA2_archive_templet()?函数创建了一个名为?algorithm?的多目标优化算法对象。这个算法是基于 NSGA-II 算法的带存档的粒子群优化算法模板。

ea.moea_psy_NSGA2_archive_templet()?函数的参数如下：

• 第一个参数?problem：表示要解决的优化问题对象。
• 第二个参数?population：表示种群对象。
• MAXGEN：表示算法的最大进化代数。
• logTras：表示在每个进化代数之后，将群体全部划分成多少个轨迹段。
• prophetPop：预知种群，表示具有先验知识或已知最优解的种群，用于指导群体的进化。
• maxTrappedCount：表示算法最大停滞计数值，用于提前终止算法。

然后，将?algorithm?对象传递给?ea.optimize()?函数，以进行优化操作。ea.optimize()?函数的参数如下：

• 第一个参数?algorithm：表示要使用的优化算法对象。
• seed：表示随机数种子，用于控制算法的随机性。
• verbose：表示是否显示详细信息。
• drawing：表示是否绘制图形。
• outputMsg：表示是否输出算法的运行信息。
• drawLog：表示是否绘制优化过程的日志。

通过以上代码，你使用了 NSGA-II 算法的带存档的粒子群优化算法模板来进行多目标优化。