用Python解决优化问题_多目标规划遗传算法模板

2024-08-23 12:36

本文主要是介绍用Python解决优化问题_多目标规划遗传算法模板,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

NSGA2,即非支配排序遗传算法II(Nondominated Sorting Genetic Algorithm II),是一种用于解决多目标优化问题的遗传算法。NSGA-II算法基于Pareto最优概念,通过快速非支配排序和精英策略,有效地维护种群多样性并提高优化精度 。

NSGA-II算法的流程主要包括:
1. 初始种群的生成。
2. 对种群进行非支配排序和拥挤度计算。
3. 根据非支配等级和拥挤度从父代和子代合并的种群中选择个体组成新的父代种群。
4. 对新父代种群执行选择、交叉、变异操作生成子代种群。
5. 重复步骤2-4,直到满足结束条件 。

NSGA-II算法在多目标优化问题上表现出色,尤其适用于目标冲突显著、需要同时考虑多个性能指标的复杂系统优化 。它不仅提高了算法效率,而且通过精英策略和拥挤度方法有效保持了解的多样性和分布的均匀性。

一:例题背景

假设我们根据实际问题得到了如下数学模型

将上述信息组合起来,我们的多目标优化问题的数学模型可以表示为:

最小化:

f_{1}\left ( x\right ) = \sum \left ( x_{i}^{2} \right )

f_{2}\left ( x\right ) = \sum \left ( (x_{i}-1)^{2} \right )

约束条件

x_{1}+x_{2}\leqslant 1
-5 ≤ x_{1},x_{2}≤ 5

其中 x = [x_{1},x_{2}] 是决策变量向量。这个模型寻找在两个目标函数之间进行权衡的解,同时满足给定的约束条件。

通过使用多目标优化算法,如NSGA-II,我们可以找到一组帕累托最优解,这些解在两个目标之间进行了有效的权衡,并满足了所有的约束条件。这些解可以帮助汽车制造商做出更明智的设计决策。

二:多目标规划遗传算法的Python实现

Step1:导入所需的库

from pymoo.core.problem import ElementwiseProblem
from pymoo.algorithms.moo.nsga2 import NSGA2
from pymoo.operators.sampling.rnd import FloatRandomSampling
from pymoo.operators.crossover.sbx import SBX
from pymoo.operators.mutation.pm import PM
from pymoo.optimize import minimize
import numpy as np

这里导入了pymoo库中的一些核心组件,包括问题定义、算法、采样、交叉和变异操作,以及优化函数。还导入了numpy库用于数学运算。若还没有安装pymoo库的可以在Python环境下执行安装:

pip install -U pymoo

Step2:定义优化问题:

class MyProblem(ElementwiseProblem):def __init__(self):super().__init__(n_var=2, n_obj=2, n_constr=1, xl=-5, xu=5)def _evaluate(self, x, out, *args, **kwargs):f1 = -np.sum(np.power(x, 2))f2 = -np.sum(np.power(x - 1, 2))out["F"] = [f1, f2]# 添加约束条件:x[0] + x[1] >= 1g1 = 1 - (x[0] + x[1])out["G"] = [g1]

这段代码定义了一个名为MyProblem的类,它继承自ElementwiseProblem。这个类定义了一个有两个变量和两个目标函数的问题。

  • __init__方法初始化问题,设定变量数量n_var为2,目标函数数量n_obj也为2,变量的下界xl和上界xu分别为-5和5。添加了n_constr=1参数,表示问题有一个约束条件。
  • _evaluate方法用于计算目标函数值。对于给定的变量x,它计算两个目标函数:
    • f1是变量x的平方和的负值。
    • f2是变量x与1的差的平方和的负值。
    • 添加了一个新的变量g1来表示约束条件x[0] + x[1] >= 1。这里我们计算1 - (x[0] + x[1]),如果x[0] + x[1] >= 1,则g1将小于或等于0,这表示约束被满足。如果不等式不成立,g1将大于0,表示约束未被满足。

Step3:实例化问题

problem = MyProblem()

这里创建了一个MyProblem类的实例。

Step4:定义算法

algorithm = NSGA2(pop_size=100, sampling=FloatRandomSampling(), crossover=SBX(prob=0.9, eta=15), mutation=PM(eta=20))

这里定义了使用NSGA2(非支配排序遗传算法II)算法进行优化。参数包括:

  • pop_size:种群大小,这里设置为100。
  • sampling:采样策略,这里使用FloatRandomSampling进行随机采样。
  • crossover:交叉操作,这里使用模拟二进制交叉(SBX),交叉概率为0.9,分布指数为15。
  • mutation:变异操作,这里使用多项式变异(PM),分布指数为20。

Step5:运行优化

res = minimize(problem, algorithm, ('n_gen', 150), verbose=True)

使用minimize函数运行优化过程。参数包括:

  • problem:要解决的问题。
  • algorithm:使用的算法。
  • ('n_gen', 150):算法迭代的代数,这里设置为150代。
  • verbose=True:设置为True以输出优化过程的详细信息。

Step6:打印结果

print(res.X)
print(-res.F)

结果如下:

具体结果含义为:

在pymoo库中,优化结果`res`是一个包含多种信息的对象。`res.X`和`res.F`是该对象中的两个属性,res.X`是决策变量的Pareto最优解集。`res.F`是与`res.X`中的每个解相对应的目标函数值集。
`-res.F`是`res.F`的取反,用于将最小化问题的目标函数值转换为最大化问题,便于分析Pareto前沿。具体含义如下:
res.X
`res.X`代表优化过程中找到的Pareto最优解集(Pareto set)。这个解集中的每个解都是一个决策变量向量,表示在优化过程中找到的满足特定条件(例如,不被其他解支配)的解。在多目标优化问题中,一个解可能无法在所有目标上都优于其他解,但Pareto最优解集包含了那些在至少一个目标上无法被其他解支配的解。
具体来说,`res.X`是一个二维数组,其中每一行代表一个Pareto最优解,每一列代表一个决策变量。对于本例中的问题,因为`n_var=2`,所以每个解都是一个包含两个元素的向量。
res.F
`res.F`代表Pareto最优解对应的目标函数值集(Pareto front)。这个集合包含了每个Pareto最优解对应的目标函数值。与`res.X`中的每个解相对应,`res.F`中的每一行代表一个Pareto最优解的目标函数值。
同样,`res.F`是一个二维数组,其中每一行代表一个Pareto最优解的目标函数值,每一列代表一个目标函数。在本例中,因为`n_obj=2`,所以每个解的目标函数值也是一个包含两个元素的向量。
 -res.F
在打印结果时,使用了`-res.F`。这是因为在本例中定义的目标函数是求最小值,即目标函数值越小越好。然而,在绘制Pareto前沿或分析Pareto最优解时,通常希望看到目标函数值的最大值,因为Pareto前沿图通常是用来展示在各个目标之间如何权衡。
 

以上就是多目标规划遗传算法的一个Python实现数学模型案例。

点下关注,分享更多有关AI,数据分析和量化金融的实用教程和实战项目。

这篇关于用Python解决优化问题_多目标规划遗传算法模板的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1099392

相关文章

Vue3 的 shallowRef 和 shallowReactive:优化性能

大家对 Vue3 的 ref 和 reactive 都很熟悉,那么对 shallowRef 和 shallowReactive 是否了解呢? 在编程和数据结构中,“shallow”(浅层)通常指对数据结构的最外层进行操作,而不递归地处理其内部或嵌套的数据。这种处理方式关注的是数据结构的第一层属性或元素,而忽略更深层次的嵌套内容。 1. 浅层与深层的对比 1.1 浅层(Shallow) 定义

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

HDFS—存储优化(纠删码)

纠删码原理 HDFS 默认情况下,一个文件有3个副本,这样提高了数据的可靠性,但也带来了2倍的冗余开销。 Hadoop3.x 引入了纠删码,采用计算的方式,可以节省约50%左右的存储空间。 此种方式节约了空间,但是会增加 cpu 的计算。 纠删码策略是给具体一个路径设置。所有往此路径下存储的文件,都会执行此策略。 默认只开启对 RS-6-3-1024k

好题——hdu2522(小数问题:求1/n的第一个循环节)

好喜欢这题,第一次做小数问题,一开始真心没思路,然后参考了网上的一些资料。 知识点***********************************无限不循环小数即无理数,不能写作两整数之比*****************************(一开始没想到,小学没学好) 此题1/n肯定是一个有限循环小数,了解这些后就能做此题了。 按照除法的机制,用一个函数表示出来就可以了,代码如下

hdu1043(八数码问题,广搜 + hash(实现状态压缩) )

利用康拓展开将一个排列映射成一个自然数,然后就变成了普通的广搜题。 #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#include<stdlib.h>#include<ctype.h>#inclu

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

poj3468(线段树成段更新模板题)

题意:包括两个操作:1、将[a.b]上的数字加上v;2、查询区间[a,b]上的和 下面的介绍是下解题思路: 首先介绍  lazy-tag思想:用一个变量记录每一个线段树节点的变化值,当这部分线段的一致性被破坏我们就将这个变化值传递给子区间,大大增加了线段树的效率。 比如现在需要对[a,b]区间值进行加c操作,那么就从根节点[1,n]开始调用update函数进行操作,如果刚好执行到一个子节点,

C++11第三弹:lambda表达式 | 新的类功能 | 模板的可变参数

🌈个人主页: 南桥几晴秋 🌈C++专栏: 南桥谈C++ 🌈C语言专栏: C语言学习系列 🌈Linux学习专栏: 南桥谈Linux 🌈数据结构学习专栏: 数据结构杂谈 🌈数据库学习专栏: 南桥谈MySQL 🌈Qt学习专栏: 南桥谈Qt 🌈菜鸡代码练习: 练习随想记录 🌈git学习: 南桥谈Git 🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈🌈�

动态规划---打家劫舍

题目: 你是一个专业的小偷,计划偷窃沿街的房屋。每间房内都藏有一定的现金,影响你偷窃的唯一制约因素就是相邻的房屋装有相互连通的防盗系统,如果两间相邻的房屋在同一晚上被小偷闯入,系统会自动报警。 给定一个代表每个房屋存放金额的非负整数数组,计算你 不触动警报装置的情况下 ,一夜之内能够偷窃到的最高金额。 思路: 动态规划五部曲: 1.确定dp数组及含义 dp数组是一维数组,dp[i]代表

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal