【遗传算法】新版geatpy解决0-1规划问题

问题描述来源于：https://www.cnblogs.com/zhonghouyue/p/10581337.html

在遗传算法中，作者用到了geatpy，但是版本太老，现在不能直接用。希望对学习者能有所帮助。

本人在新版本下修改代码如下：

class MyProblem(ea.Problem): # 继承Problem父类
    def __init__(self):
        name = '0-1 Pro' # 初始化name（函数名称， 可以随意设置）
        M = 1 # 初始化M（目标维数）
        maxormins = [-1] # 初始化目标最小最大化标记列表， 1： min； -1： max
        Dim = 7 # 初始化Dim（决策变量维数）
        varTypes = [1] * Dim # 初始化决策变量类型， 0： 连续； 1： 离散
        lb = [0]*Dim # 决策变量下界
        ub = [1]*Dim # 决策变量上界
        lbin = [1]*Dim # 决策变量下边界
        ubin = [1]*Dim # 决策变量上边界
        # 调用父类构造方法完成实例化
        ea.Problem.__init__(self, name, M, maxormins, Dim, varTypes, lb, ub, lbin, ubin)

    def aimFunc(self, pop): # 目标函数， pop为传入的种群对象
        Vars = pop.Phen # 得到决策变量矩阵
        x1 = Vars[:, [0]] # 取出第一列得到所有个体的x1组成的列向量
        x2 = Vars[:, [1]]
        x3 = Vars[:, [2]]
        x4 = Vars[:, [3]]
        x5 = Vars[:, [4]]
        x6 = Vars[:, [5]]
        x7 = Vars[:, [6]]
        f = 11*x1+9*x2+29*x3+9*x4+21*x5+31*x6+22*x7

        # 约束条件
        idx1 = np.where(10*x1+8*x2+20*x3+5*x4+13*x5+22*x6+10*x7 > 60)[0]
        idx2 = np.where(x1 + x2+ x3 > 2)[0]
        idx3 = np.where(-x4 -x5 > -1)[0]
        idx4 = np.where(-x6 -x7 > -1)[0]
        # 采用惩罚方法1
        f[idx1] = -1
        f[idx2] = -1
        f[idx3] = -1
        f[idx4] = -1
        # 计算目标函数值， 赋值给pop种群对象的ObjV属性
        pop.ObjV = f
"""===============================实例化问题对象==========================="""
problem = MyProblem() # 生成问题对象
"""=================================种群设置==============================="""
Encoding = 'BG'       # 编码方式
NIND = 50             # 种群规模
Field = ea.crtfld(Encoding, problem.varTypes, problem.ranges, problem.borders) # 创建区域描述器
population = ea.Population(Encoding, Field, NIND) # 实例化种群对象（此时种群还没被初始化，仅仅是完成种群对象的实例化）
"""===============================算法参数设置============================="""
myAlgorithm = ea.soea_SEGA_templet(problem, population) # 实例化一个算法模板对象
myAlgorithm.MAXGEN = 25 # 最大进化代数
"""==========================调用算法模板进行种群进化======================="""
[population, obj_trace, var_trace] = myAlgorithm.run() # 执行算法模板
population.save() # 把最后一代种群的信息保存到文件中
# 输出结果
best_gen = np.argmin(problem.maxormins * obj_trace[:, 1]) # 记录最优种群个体是在哪一代
best_ObjV = obj_trace[best_gen, 1]
print('最优的目标函数值为：%s'%(best_ObjV))
print('最优的控制变量值为：')
for i in range(var_trace.shape[1]):
    print(var_trace[best_gen, i])
print('有效进化代数：%s'%(obj_trace.shape[0]))
print('最优的一代是第 %s 代'%(best_gen + 1))
print('评价次数：%s'%(myAlgorithm.evalsNum))
print('时间已过 %s 秒'%(myAlgorithm.passTime))

种群信息导出完毕。
最优的目标函数值为：94.0
最优的控制变量值为：
1.0
0.0
0.0
1.0
1.0
1.0
1.0
有效进化代数：25
最优的一代是第 3 代
评价次数：1250
时间已过 0.01997208595275879 秒