学会了前面两篇遗传算法,但是那都是针对抽象的数学问题求解的,那么应用到现实中的实际问题中,我们又该怎样把遗传算法套进去呢,然后我第一个接触到的问题就是车辆路径优化问题VRP,当然也是找到了一篇比较好的文章,物流管理论文实现:基于遗传算法的带时间窗和载重约束的车辆路径优化
这位博主的代码写的非常不错,因为我复制过来运行的时候没有报错,但是,看的时候也比较费劲,因为这个博主比较厉害,他在里面定义了一个类class,然后就会有很多self,与普通的定义函数有了些许的差别,导致我这种小白,看起来特别不舒服,不知道具体的选择、交叉和变异操作是怎么实现的,所以我就凭借前两篇的学习和自己的理解,把代码重新写了一遍,其中目标函数原本比较复杂,也被我简化了,只需要求距离最短即可,因为我就想看一下这个遗传算法套在实际问题里的样子,当然越简单越好,我觉得我能看懂,大部分人应该都可以了。
而且在这个过程中,还学会了一个技巧,在出现错误运行不下去的时候,就加个try,except,把错误跳过去,继续运行,就能得出结果了。
先定义一下问题里给的条件,初始化参数
geneNum = 100 # 种群数量generationNum = 300 # 迭代次数CENTER = 0 # 配送中心# HUGE = 9999999# PC = 1 #交叉率,没有定义交叉率,也就是说全部都要交叉,也就是1PM = 0.1 # 变异率 以前是用的varyn = 25 # 客户点数量m = 2 # 换电站数量k = 3 # 车辆数量Q = 5 # 额定载重量, t# dis = 160 # 续航里程, kmlength = n+m+1# 坐标 第0个是配送中心 1-25是顾客 26和27是换电站 一共28个位置 行驶距离要通过这个坐标自己来算X = [56, 66, 56, 88, 88, 24, 40, 32, 16, 88, 48, 32, 80, 48, 23, 48, 16, 8, 32, 24, 72, 72, 72, 88, 104, 104, 83,32]Y = [56, 78, 27, 72, 32, 48, 48, 80, 69, 96, 96, 104, 56, 40, 16, 8, 32, 48, 64, 96, 104, 32, 16, 8, 56, 32, 45, 40]# 需求量t = [0, 0.2, 0.3, 0.3, 0.3, 0.3, 0.5, 0.8, 0.4, 0.5, 0.7, 0.7, 0.6, 0.2, 0.2, 0.4, 0.1, 0.1, 0.2, 0.5, 0.2, 0.7,0.2,0.7, 0.1, 0.5, 0.4, 0.4]
编码:根据实际问题来编码,那就采用实数编码好了,需要求得内容都放到染色体里面
分两步才能产生符合条件的初始个体,先产生无序列表,并在首尾位置插入配送中心0,然后再根据一辆车运输的需求量总和不超过车的负载,往这个无序列表里面随机插入0作为从配送中心新的开始,也就表示了有几辆车
注意:这里产生初始种群就不像前两篇的纯数学问题那么简单了,还要写成一个函数,才能产生满足要求的初始解,也就是初始种群。
def getGene(length): ##先产生一个无序的列表 data = list(range(1,length)) ##先产生一个有序的列表 np.random.shuffle(data) ##有序列表打乱成无序列表 data.insert(0, CENTER) ##在开始插入0 data.append(CENTER) ##在结尾插入0 #再插入车 sum = 0 newData = [] for index, pos in enumerate(data): sum += t[pos] if sum > Q: newData.append(CENTER) sum = t[pos] newData.append(pos) return newDatadef getpop(length,geneNum): pop = [] for i in range(geneNum): gene = getGene(length) pop.append(gene) return pop
计算适应度值,计算一个个体的适应度值,然后得到整个种群的适应度列表
注意:适应度值就是距离函数,需要根据各个点的坐标自己表示出来
##计算一个个体的适应度值def getfit(gene): distCost = 0 dist = [] # from this to next # 计算距离 i = 1 while i < len(gene): calculateDist = lambda x1, y1, x2, y2: math.sqrt(((x1 - x2) ** 2) + ((y1 - y2) ** 2)) dist.append(calculateDist(X[gene[i]], Y[gene[i]], X[gene[i - 1]], Y[gene[i - 1]])) i += 1 # 距离成本 distCost = sum(dist) #总行驶距离 fit = 1/distCost ##fitness越小表示越优秀,被选中的概率越大, return fit##得到整个种群的适应度列表def getfitness(pop): fitness = [] for gene in pop: fit = getfit(gene) fitness.append(fit) return np.array(fitness)
选择,利用轮盘赌,适应度值越大越有可能被选择出来到下一代
def select(pop,fitness): fitness = fitness / fitness.sum() # 归一化 idx = np.array(list(range(geneNum))) pop_idx = np.random.choice(idx, size=geneNum, p=fitness) # 根据概率选择 for i in range(geneNum): pop[i] = pop[pop_idx[i]] return pop
这里的交叉也比较麻烦,因为在这个问题里面不能随便交叉,因为如果你用5交叉换回来一个6,但是其实这个个体里面已经有6了,每个客户只能拜访一次,这就不符合问题规定了,所以要进行一些操作铺垫
选择路径实现的效果如下:
然后再是两个个体的交叉,效果如下:
拿gene1来说,就是把gene2里面有的,但是gene1前面那个路径里面没有的数字加到gene1的后面,得到newgene1,newgene2也是同理,然后就交叉完了。
并且只选择了适应度较高的前1/3种群进行交叉,不用交叉概率的,所有的都要交叉,但是交叉完得到的种群也只有1/3的个体,所以再把这1/3的个体替换到原种群最后面适应度较低的那一部分,最终合并成一个完整的种群。
#选择路径def moveRandSubPathLeft(gene): import random path = random.randrange(k) # 选择路径索引,随机分成k段 print('path:',path) try: index = gene.index(CENTER, path+1) #移动到所选索引 # move first CENTER locToInsert = 0 gene.insert(locToInsert, gene.pop(index)) index += 1 locToInsert += 1 # move data after CENTER print('index:',index) try: print('len(gene):',len(gene)) while gene[index] != CENTER: gene.insert(locToInsert, gene.pop(index)) index += 1 print('执行完index+1,index=',index) locToInsert += 1 return gene # assert(length+k == len(gene)) except: print('出错啦,index:',index) return gene except: print('0 is not in list',gene) return gene
# 选择复制,选择适应度最高的前 1/3,进行后面的交叉def choose(pop): num = int(geneNum/6) * 2 # 选择偶数个,方便下一步交叉 # sort genes with respect to chooseProb key = lambda gene: getfit(gene) pop.sort(reverse=True, key=key) ##那就是说按照适应度函数降序排序,选了适应度值最高的那1/3 # return shuffled top 1/3 return pop[0:num]
交叉 这个就不考虑交叉概率了,因为轮流所有的都会交叉,但是代码先写交叉一对,再把前面选择出来的适应度较高的前1/3种群进行交叉
##交叉一对def crossPair(i,gene1, gene2, crossedGenes): gene1 = moveRandSubPathLeft(gene1) gene2 = moveRandSubPathLeft(gene2) newGene1 = [] newGene2 = [] # copy first paths centers = 0 firstPos1 = 1 for pos in gene1: firstPos1 += 1 centers += (pos == CENTER) newGene1.append(pos) if centers >= 2: break centers = 0 firstPos2 = 1 for pos in gene2: firstPos2 += 1 centers += (pos == CENTER) newGene2.append(pos) if centers >= 2: break # copy data not exits in father gene for pos in gene2: if pos not in newGene1: newGene1.append(pos) for pos in gene1: if pos not in newGene2: newGene2.append(pos) # add center at end newGene1.append(CENTER) newGene2.append(CENTER) # 计算适应度最高的 key1 = lambda gene1: getfit(gene1) possible1 = [] try: while gene1[firstPos1] != CENTER: newGene = newGene1.copy() newGene.insert(firstPos1, CENTER) possible1.append(newGene) firstPos1 += 1 print('第{}位置:{}'.format(i,len(possible1))) if len(possible1) == 0: crossedGenes.append(newGene1) else: possible1.sort(reverse=True, key=key1) crossedGenes.append(possible1[0]) except: print('交叉出错啦:firstPos1', firstPos1) key2 = lambda gene2: getfit(gene2) possible2 = [] try: while gene2[firstPos2] != CENTER: newGene = newGene2.copy() newGene.insert(firstPos2, CENTER) possible2.append(newGene) firstPos2 += 1 print('第{}:{}'.format(i,len(possible2))) if len(possible2) == 0: crossedGenes.append(newGene2) else: possible2.sort(reverse=True, key=key2) crossedGenes.append(possible2[0]) print('交叉完成第:', i) except: print('交叉出错啦:',i)# 交叉def cross(genes): crossedGenes = [] for i in range(0, len(genes), 2): # print('gene[i]:',genes[i]) # print('gene[i+1]:', genes[i]) crossPair(i,genes[i], genes[i+1], crossedGenes) print('交叉完成') return crossedGenes# 合并def mergeGenes(genes, crossedGenes): # sort genes with respect to chooseProb key = lambda gene: getfit(gene) genes.sort(reverse=True, key=key) ##先把原来的种群100按照适应度降序排列,然后,将交叉得到的32个个体替换到种群的最后32个 pos = geneNum - 1 for gene in crossedGenes: genes[pos] = gene pos -= 1 return genes
变异,先写一下个体怎么变异,然后再根据变异概率对整个交叉完的种群变异
注意:这里的变异就很简单了,直接用产生初始种群中个体的方法产生一个新的个体,但是这里也采用了,多产生几个个体,选其中适应度最高的那个个体的方法来减小误差。
# 变异一个def varyOne(gene): varyNum = 10 variedGenes = [] for i in range(varyNum): # 先按照这种方法变异10个,选择适应度最高的那个作为变异完的子代 p1, p2 = random.choices(list(range(1,len(gene)-2)), k=2) newGene = gene.copy() newGene[p1], newGene[p2] = newGene[p2], newGene[p1] # 交换 variedGenes.append(newGene) key = lambda gene: getfit(gene) variedGenes.sort(reverse=True, key=key) return variedGenes[0]# 变异def vary(genes): for index, gene in enumerate(genes): # 精英主义,保留前三十,这个意思就是前三十个一定不变异,到后面的个体才按照变异概率来变异 if index < 30: continue if np.random.rand() < PM: genes[index] = varyOne(gene) return genes
遗传算法主体
import numpy as npimport randomfrom tqdm import * # 进度条import matplotlib.pyplot as pltfrom pylab import *mpl.rcParams['font.sans-serif'] = ['SimHei']mpl.rcParams['axes.unicode_minus'] = Falsebest_fitness = []min_cost = []J = []pop = getpop(length, geneNum) # 初始种群# 迭代for j in tqdm(range(generationNum)): print('j=',j) chosen_pop = choose(pop) # 选择 选择适应度值最高的前三分之一,也就是32个种群,进行下一步的交叉 crossed_pop = cross(chosen_pop) # 交叉 pop = mergeGenes(pop, crossed_pop) # 复制交叉至子代种群 pop = vary(pop) # under construction key = lambda gene: getfit(gene) pop.sort(reverse=True, key=key) # 以fit对种群排序 cost = 1/getfit(pop[0]) print(cost) min_cost.append(cost) J.append(j)print(J)print(min_cost)# key = lambda gene: getfit(gene)# pop.sort(reverse=True, key=key) # 以fit对种群排序print('\r\n')print('data:', pop[0])print('fit:', 1/getfit(pop[0]))plt.plot(J,min_cost, color='r')plt.show()