1,基本数据结构

numpy

geatpyeatpy中的大部分数据都是都是使用numpy的数组进行存储和计算的

import geatpy as ea import numpy as np

Nind

种群的规模(个体数量)

Nind = 4(整数)

Chrom


种群染色体用Chrom:种群染色体矩阵

nebulagraph 图计算实现 python_约束条件

lind表示编码的长度,Nind表示的是种群的规模(个体数量

二维数组,其中每一行对应一个个体的染色体编码


Phen

Chrom经过解码后得到的基因表现型矩阵Phen

nebulagraph 图计算实现 python_约束条件_02

 每一行对应一个个体,每一列对应一个决策变量

Nvar表示变量的个数,Nind表示的是种群的规模(个体数量)


Phen的值与采用的解码方式有关



ObjV

目标函数值

nebulagraph 图计算实现 python_控制变量_03

 每一行对应每一个个体,=Chrom行数




每一列对应一个目标函数

(单目标函数=ObjV会只有1列;

多目标函数=ObjV会有多列)

FitnV

适应度函数

nebulagraph 图计算实现 python_约束条件_04

 每一行代表一个个体的适应度值,=Chrom行数

1,Geatpy中的适应度遵循“最小适应度为0”的约定。

2,

CV

种群个体违反约束矩阵

nebulagraph 图计算实现 python_多目标_05

每一行代表种群的每一个个体;每一列代表一个约束条件

1,元素若小于或等于0,表示该元素对应的个体满足对应的约束条件

2,若大于0,表示违反约束条件,值越大,违反程度越高



FieldD


三种Encoding

  • BG(二进制/格雷码)
  • RI(实整数编码,即实数和整数的混合编码)
  • p(排列编码,染色体每一位都是互异)

Encoding = 'BG'的种群,使用8行n列的矩阵FieldD作为译码矩阵

nebulagraph 图计算实现 python_numpy_06

长度等于决策变量个数的行向量
lens:每一个子染色体的长度,

sum(lens)等于染色体的长度
lb:决策变量的上界

ub:决策变量下界;
codes指明用的是二进制编码还是格雷编码(0=二进制编码

1=表示使用格雷编码)
scales:2.5.0版本开始,取消
lbin:上界是否包含其范围的边界

ubin:下界否包含其范围的边界。0不包含,1包含;
varTypes:决策变量的类型,0为对应位置决策变量是连续型变量,1为离散型;

phen=ea.bs2ri(chorm,FieldD)

进行解码

FeildDR

Encoding = 'RI'种群

nebulagraph 图计算实现 python_多目标_07

n为染色体所表达的控制变量个数


内置的crtfld来方便的快速生成区域描述器

Encoding = 'p'



第一行所有元素都相等,

第二行所有元素也都相等,

第三行元素均为1(排列编码变量是离散的)

FieldDR有Lind列(即染色体长度为Lind)
要求上界 - 下界 + 1 >= Lind

trace

进化跟踪器

记录种群在进化的过程中各代的最优个体


nebulagraph 图计算实现 python_多目标_08

 MAXGEN是种群进化的代数,每一列代表不同的指标,每一行代表一代;


 2、种群结构

2.1 Population类

种群类(Population)是一个存储与种群个体相关信息的类。
基本属性
size:int——种群规模,
ChromNum:int——染色体数目;
Encoding:str——染色体编码方式;
Field:array——译码矩阵,FieldD或者FieldDR
Chrom:array——种群染色体矩阵,每一行对应一个个体的一条染色体;
Lind:int——种群染色体长度
ObjV:array——种群目标函数值矩阵
FitnV:array——种群个体适应度列向量
CV:array——种群个体违反约束条件程度的矩阵
Phen:array——种群表现型矩阵