总代码
import numpy as np import pandas as pd from tool import * import deap as ea address=r'data/q3.csv' data=pd.read_csv(address) data_40_rows=data.head(40) cost_pre=data_40_rows['批发价格(元/千克)'].tolist() #预测成本 sale_pre=data_40_rows['平均销量'].tolist() #预测销量 for i in range(40): if sale_pre[i]<=2.5: sale_pre[i]=2.5 mean_sale=data_40_rows['平均单价'] alph=[0.1]*40 #损耗率 discount=[0.8]*40 #打折 ini_data=np.array([i]*30+[0]*10+[0.7]*40+sale_pre) need_list=data_40_rows['Q'].tolist() weight=[0.5]*40 def Modify(sale_price): sale=[] for i in range(40): ss=(1-(sale_price[i]-mean_sale[i])/(mean_sale[i])*weight[i])+sale_pre[i] sale.append(ss) return sale def Obj_function(X): Objv=[] Cv=[] for i in range (len(X)): x=X[i] #目标一：最大化利润 decide=x[:40] profit=x[40:80] nums=x[80:120] #计算成本 cost=[] for i in range(len(cost_pre)): cost.append(decide[i]*cost_pre[i]) #计算售价 sale_price=[] for i in range(len(cost_pre)): s=cost[i]*(1+profit[i]) sale_price.append(s) #计算销量 sale_modify=Modify(sale_price) #计算总销售额 w1=[] for i in range(len(sale_modify)): bad=(sale_modify[i]*alph[i])*(discount[i]*sale_price[i]) good=(sale_modify[i]*(1-alph[i]))*(sale_price[i]) w1.append(bad+good) sum_sale=sum(w1) #计算总成本 w2=[] for i in range(len(cost)): w2.append(nums[i]*cost[i]) sum_cost=sum(w2) penalty=0 for i in range(40): if nums[i]<2.5: penalty-=200 f1=sum_sale-sum_cost+penalty #目标二：最大化需求 satif_need=[] for i in range(len(decide)): satif_need.append(decide[i]*need_list[i]) f2=sum(satif_need)/sum(need_list) #确定评价函数值 x_Objv=np.hstack([f1,f2]) #定义约束 list_cv=[sum(decide)-33,27-sum(decide)] x_Cv=np.array(list_cv) Objv.append(x_Objv) Cv.append(x_Cv) Objv=np.array(Objv) Cv=np.array(Cv) return Objv,Cv problem=ea.Problem( name='NSGAII_for_q3', M=2, maxormins=[-1,-1], Dim=120, varTypes=[1]*40+[0]*80, lb=[0]*40+[0]*40+ data_40_rows['最小销量'].tolist(), ub=[1]*40+[1.2]*40+ data_40_rows['最大销量'].tolist(), evalVars=Obj_function ) #混合编码 Encodings=['BG','RI'] Field1=ea.crtfld(Encodings[0],problem.varTypes[:40],ranges=np.array([problem.lb[:40],problem.ub[:40]])) Field2=ea.crtfld(Encodings[1],problem.varTypes[:40],ranges=np.array([problem.lb[:40],problem.ub[:40]])) Fields=[Field1,Field2] population=ea.PsyPopulation(Encodings=Encodings,Fields=Fields,NIND=100) algorithm=ea.moea_psy_NSGA2_archive_templet( problem, population, MAXGEN=300, logTras=20, prophetPop=ini_data, maxTrappedCount=20, ) res=ea.optimize(algorithm,seed=1,verbose=True,drawing=1, outputMsg=True,drawLog=True) print(f"最优解是：{res['Vars'][0]}") print(f"最优解值是：{res['Vars'][0]}") print(f"hv结果是：{res['Vars'][0]}")
代码1
ini_data=np.array([1]*30+[0]*10+[0.7]*40+sale_pre)
ini_data 是一个变量，它是一个由 Numpy 库创建的一维数组。这个数组包含了四个部分的数据，分别是值为 1 的 30 个元素、值为 0 的 10 个元素、值为 0.7 的 40 个元素和 sale_pre 中存储的元素。
代码2
x_Objv=np.hstack([f1,f2])
x_Objv 是一个 numpy 数组，它通过 np.hstack() 函数将两个数组 f1 和 f2 水平堆叠在一起。
这意味着 f1 和 f2 必须具有相同的维度，并且它们将在水平方向上进行堆叠，形成一个新的 x_Objv 数组。换句话说，x_Objv 的每一列将从 f1 和 f2 中对应的列中获取元素。
代码3
problem=ea.Problem( name='NSGAII_for_q3', M=2, maxormins=[-1,-1], Dim=120, varTypes=[1]*40+[0]*80, lb=[0]*40+[0]*40+ data_40_rows['最小销量'].tolist(), ub=[1]*40+[1.2]*40+ data_40_rows['最大销量'].tolist(), evalVars=Obj_function )
Problem 是在 ea 模块中创建一个优化问题的类的对象。通过使用该对象，你可以定义和处理多目标优化问题。
在 Problem 函数调用中，传递了一些参数来设置问题的属性和限制条件：
- name='NSGAII_for_q3'：设置问题的名称为 NSGAII_for_q3。
- M=2：表示问题有两个目标函数。
- maxormins=[-1,-1]：表示两个目标函数都是最小化目标。
- Dim=120：设置问题的维度为 120。
- varTypes=[1]*40+[0]*80：指定了每个变量的类型，其中前 40 个变量是连续变量（对应 1），后 80 个变量是离散变量（对应 0）。
- lb=[0]*40+[0]*40+ data_40_rows['最小销量'].tolist()：设置了问题的变量下界（lower bound）。前 40 个变量的下界都为 0，接下来的 40 个变量仍为 0，最后 40 个变量是从 data_40_rows 中取出的一列名为 最小销量 的数据转换为列表。
- ub=[1]*40+[1.2]*40+ data_40_rows['最大销量'].tolist()：设置了问题的变量上界（upper bound）。前 40 个变量的上界都为 1，接下来的 40 个变量都为 1.2，最后 40 个变量是从 data_40_rows 中取出的一列名为 最大销量 的数据转换为列表。
- evalVars=Obj_function：指定了用于评估变量的目标函数。
通过调用 Problem 函数，你创建了一个名为 NSGAII_for_q3 的优化问题对象，并设置了相关的属性和限制条件。
代码4
Encodings=['BG','RI'] Field1=ea.crtfld(Encodings[0],problem.varTypes[:40],ranges=np.array([problem.lb[:40],problem.ub[:40]])) Field2=ea.crtfld(Encodings[1],problem.varTypes[:40],ranges=np.array([problem.lb[:40],problem.ub[:40]])) Fields=[Field1,Field2] population=ea.PsyPopulation(Encodings=Encodings,Fields=Fields,NIND=100)
首先定义了一个名为 Encodings 的列表，其中包含了两个编码类型：“BG” 和 “RI”。
接下来，使用 ea.crtfld() 函数创建了两个字段对象 Field1 和 Field2。这两个字段对象分别使用了 Encodings 列表中的第一个和第二个编码类型。
ea.crtfld() 函数的参数如下：
- 第一个参数是编码类型，可以是 “BG”（二元编码）或 “RI”（实数编码）。
- 第二个参数是一个列表，用于指定每个变量的类型。在这里，使用 problem.varTypes[:40] 取出了问题对象中前 40 个变量的类型。
- 第三个参数是一个范围 (ranges) 数组，用于指定每个变量的取值范围。在这里，使用了 np.array([problem.lb[:40], problem.ub[:40]])，取出了问题对象中前 40 个变量的下界（problem.lb[:40]）和上界（problem.ub[:40]）。
然后，将 Field1 和 Field2 添加到一个列表 Fields 中。
最后，通过调用 ea.PsyPopulation() 函数创建了一个名为 population 的粒子种群对象。ea.PsyPopulation() 函数的参数如下：
Encodings：表示个体的编码类型列表。Fields：表示个体所使用的字段列表。NIND：表示种群中的个体数。
在这里，将之前定义的 Encodings 列表和 Fields 列表作为参数传递给 ea.PsyPopulation() 函数，并设置了种群中的个体数为 100。
通过以上代码，你创建了一个带有两种编码的粒子种群，每个编码类型对应一个字段对象。
代码5
algorithm=ea.moea_psy_NSGA2_archive_templet( problem, population, MAXGEN=300, logTras=20, prophetPop=ini_data, maxTrappedCount=20, ) res=ea.optimize(algorithm,seed=1,verbose=True,drawing=1, outputMsg=True,drawLog=True)
首先使用 ea.moea_psy_NSGA2_archive_templet() 函数创建了一个名为 algorithm 的多目标优化算法对象。这个算法是基于 NSGA-II 算法的带存档的粒子群优化算法模板。
ea.moea_psy_NSGA2_archive_templet() 函数的参数如下：
- 第一个参数 problem：表示要解决的优化问题对象。
- 第二个参数 population：表示种群对象。
- MAXGEN：表示算法的最大进化代数。
- logTras：表示在每个进化代数之后，将群体全部划分成多少个轨迹段。
- prophetPop：预知种群，表示具有先验知识或已知最优解的种群，用于指导群体的进化。
- maxTrappedCount：表示算法最大停滞计数值，用于提前终止算法。
然后，将 algorithm 对象传递给 ea.optimize() 函数，以进行优化操作。ea.optimize() 函数的参数如下：
- 第一个参数
algorithm：表示要使用的优化算法对象。 seed：表示随机数种子，用于控制算法的随机性。verbose：表示是否显示详细信息。drawing：表示是否绘制图形。outputMsg：表示是否输出算法的运行信息。drawLog：表示是否绘制优化过程的日志。
通过以上代码，你使用了 NSGA-II 算法的带存档的粒子群优化算法模板来进行多目标优化。
