Python学习7

简介: Python学习7

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。


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 Field1Field2 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。

相关实践学习
部署高可用架构
本场景主要介绍如何使用云服务器ECS、负载均衡SLB、云数据库RDS和数据传输服务产品来部署多可用区高可用架构。
负载均衡入门与产品使用指南
负载均衡(Server Load Balancer)是对多台云服务器进行流量分发的负载均衡服务,可以通过流量分发扩展应用系统对外的服务能力,通过消除单点故障提升应用系统的可用性。 本课程主要介绍负载均衡的相关技术以及阿里云负载均衡产品的使用方法。
相关文章
|
10天前
|
Python
python函数的参数学习
学习Python函数参数涉及五个方面:1) 位置参数按顺序传递,如`func(1, 2, 3)`;2) 关键字参数通过名称传值,如`func(a=1, b=2, c=3)`;3) 默认参数设定默认值,如`func(a, b, c=0)`;4) 可变参数用*和**接收任意数量的位置和关键字参数,如`func(1, 2, 3, a=4, b=5, c=6)`;5) 参数组合结合不同类型的参数,如`func(1, 2, 3, a=4, b=5, c=6)`。
14 1
|
14天前
|
Python
Python文件操作学习应用案例详解
【4月更文挑战第7天】Python文件操作包括打开、读取、写入和关闭文件。使用`open()`函数以指定模式(如'r'、'w'、'a'或'r+')打开文件,然后用`read()`读取全部内容,`readline()`逐行读取,`write()`写入字符串。最后,别忘了用`close()`关闭文件,确保资源释放。
17 1
|
6天前
|
Python
python学习3-选择结构、bool值、pass语句
python学习3-选择结构、bool值、pass语句
|
4天前
|
机器学习/深度学习 算法 Python
使用Python实现集成学习算法:Bagging与Boosting
使用Python实现集成学习算法:Bagging与Boosting
16 0
|
5天前
|
Python
python学习-函数模块,数据结构,字符串和列表(下)
python学习-函数模块,数据结构,字符串和列表
41 0
|
6天前
|
Python
python学习14-模块与包
python学习14-模块与包
|
6天前
|
Python
python学习12-类对象和实例对象
python学习12-类对象和实例对象
|
6天前
|
数据采集 Python
python学习9-字符串
python学习9-字符串
|
6天前
|
Python
python学习10-函数
python学习10-函数
|
6天前
|
存储 索引 Python
python学习7-元组
python学习7-元组