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()