Python遺傳演演算法Geatpy工具箱使用介紹

header_regex = '|'.join(['{}'] * len(headers))
header_str = header_regex.format(*[str(key).center(width) for key, width in zip(headers, widths)])
print("=" * len(header_str))
            print(header_str)
            print("-" * len(header_str))

import numpy as np
import geatpy as ea
class MyProblem(ea.Problem):  # 繼承Problem父類別
    def __init__(self):
        name = 'Shortest_Path'  # 初始化name（函數名稱，可以隨意設定）
        M = 1  # 初始化M（目標維數）
        maxormins = [1]  # 初始化maxormins（目標最小最大化標記列表，1：最小化該目標；-1：最大化該目標）
        Dim = 10  # 初始化Dim（決策變數維數）
        varTypes = [1] * Dim  # 初始化varTypes（決策變數的型別，元素為0表示對應的變數是連續的；1表示是離散的）
        lb = [0] * Dim  # 決策變數下界
        ub = [9] * Dim  # 決策變數上界
        lbin = [1] * Dim  # 決策變數下邊界 1表示閉合區間，0表示開區間
        ubin = [1] * Dim  # 決策變數上邊界
        # 呼叫父類別構造方法完成範例化
        ea.Problem.__init__(self, name, M, maxormins, Dim, varTypes, lb, ub, lbin, ubin)
        # 設定每一個結點下一步可達的結點（結點從1開始數，因此列表nodes的第0號元素設為空列表表示無意義）
        self.nodes = [[], [2, 3], [3, 4, 5], [5, 6], [7, 8], [4, 6], [7, 9], [8, 9], [9, 10], [10]]
        # 設定有向圖中各條邊的權重
        self.weights = {'(1, 2)': 36, '(1, 3)': 27, '(2, 4)': 18, '(2, 5)': 20, '(2, 3)': 13, '(3, 5)': 12,
                        '(3, 6)': 23,
                        '(4, 7)': 11, '(4, 8)': 32, '(5, 4)': 16, '(5, 6)': 30, '(6, 7)': 12, '(6, 9)': 38,
                        '(7, 8)': 20,
                        '(7, 9)': 32, '(8, 9)': 15, '(8, 10)': 24, '(9, 10)': 13}
    def decode(self, priority):  # 將優先順序編碼的染色體解碼得到一條從節點1到節點10的可行路徑
        edges = []  # 儲存邊
        path = [1]  # 結點1是路徑起點
        while not path[-1] == 10:  # 開始從起點走到終點
            currentNode = path[-1]  # 得到當前所在的結點編號
            nextNodes = self.nodes[currentNode]  # 獲取下一步可達的結點組成的列表
            chooseNode = nextNodes[np.argmax(
                priority[np.array(nextNodes) - 1])]  # 從NextNodes中選擇優先順序更高的結點作為下一步要存取的結點，因為結點從1數起，而下標從0數起，因此要減去1
            path.append(chooseNode)
            edges.append((currentNode, chooseNode))
        return path, edges
    def aimFunc(self, pop):  # 目標函數
        pop.ObjV = np.zeros((pop.sizes, 1))  # 初始化ObjV
        for i in range(pop.sizes):  # 遍歷種群的每個個體，分別計算各個個體的目標函數值
            priority = pop.Phen[i, :]
            path, edges = self.decode(priority)  # 將優先順序編碼的染色體解碼得到存取路徑及經過的邊
            pathLen = 0
            for edge in edges:
                key = str(edge)  # 根據路徑得到鍵值，以便根據鍵值找到路徑對應的長度
                if not key in self.weights:
                    raise RuntimeError("Error in aimFunc: The path is invalid. (當前路徑是無效的。)", path)
                pathLen += self.weights[key]  # 將該段路徑長度加入
            pop.ObjV[i] = pathLen  # 計算目標函數值，賦值給pop種群物件的ObjV屬性
## 執行指令碼
if __name__ == "__main__":
    # 範例化問題物件
    problem = MyProblem()
    # 構建演演算法
    algorithm = ea.soea_EGA_templet(problem,
                                    ea.Population(Encoding='RI', NIND=4),
                                    MAXGEN=10,  # 最大進化代數
                                    logTras=1)  # 表示每隔多少代記錄一次紀錄檔資訊
    # 求解
    res = ea.optimize(algorithm, verbose=True, drawing=1, outputMsg=False, drawLog=False, saveFlag=True,
                      dirName='result')
    print('最短路程為：%s' % (res['ObjV'][0][0]))
    print('最佳路線為：')
    best_journey, edges = problem.decode(res['Vars'][0])
    for i in range(len(best_journey)):
        print(int(best_journey[i]), end=' ')
    print()