利用scikit中的遗传算法求解(整数01)约束规划实例详解教程+利用scipy.optimize求解约束规划问题 |
您所在的位置：网站首页 › ga怎样写 › 利用scikit中的遗传算法求解(整数01)约束规划实例详解教程+利用scipy.optimize求解约束规划问题 |
利用scikit中的遗传算法求解(整数01)约束规划实例详解教程+利用scipy.optimize求解约束规划问题
|
注意标准形式
下面两个方法约束规划的一般标准形式为： 先放上链接：scikit-opt网址 主要四个步骤： 下面依照此题多约束为例 可知该题有5个不等式约束，且决策变量为01整数，后面将具体讲解如何将目标函数的约束条件加入GA模型中 一：import scikit-opt库 import pandas as pd import numpy as np import matplotlib.pyplot as plt from sko.GA import GA ###########此行为调出scikit-opt中的遗传算法 ########### #若安装 #则： pip install scikit-opt ##################################### 二：定义目标函数看线面的代码我们发现里面有个参数p，这个参数我理解就是GA中的某一个种群，真正调用这个函数的时候我们不需要写参数和括号 def schaffer(p): ''' 目标函数: min(xi)求和 决策变量维度：n 决策变量类型：0 1 整数 :param p: :return: ''' x=np.array(p)###转化为数组 return sum(x)###返回将目标函数的值 三：定义约束注意这里遗传算法中的约束应该默认为≤0的形式，而且不管有多少个约束，最终将约束的值及你给过一个max函数累加后返回，同样这里也需要决策变量，这里也是参数P，我们真正调用时，不需要写括号和参数 def constraint_yueshu(p): ####注意这里的p就是种群，对应本约束问题，就是x，但是p是个一维的数据，若想利用矩阵计算，可将p reshape，即进行尺寸的转化 x=np.array(p)###转化为一维数组 #注意需要将原约束转化为标准形式， |
【本文地址】
今日新闻 |
推荐新闻 |