差分进化算法-python实现

nics

　　DEIndividual.py



1 import numpy as np
2 import ObjFunction
3
4
5 class DEIndividual:
6
7     '''
8     individual of differential evolution algorithm
9     '''
10
11     def __init__(self,  vardim, bound):
12         '''
13         vardim: dimension of variables
14         bound: boundaries of variables
15         '''
16         self.vardim = vardim
17         self.bound = bound
18         self.fitness = 0.
19
20     def generate(self):
21         '''
22         generate a random chromsome for differential evolution algorithm
23         '''
24         len = self.vardim
25         rnd = np.random.random(size=len)
26         self.chrom = np.zeros(len)
27         for i in xrange(0, len):
28             self.chrom = self.bound[0, i] + \
29                 (self.bound[1, i] - self.bound[0, i]) * rnd
30
31     def calculateFitness(self):
32         '''
33         calculate the fitness of the chromsome
34         '''
35         self.fitness = ObjFunction.GrieFunc(
36             self.vardim, self.chrom, self.bound)
　　DE.py



  1 import numpy as np
  2 from DEIndividual import DEIndividual
  3 import random
  4 import copy
  5 import matplotlib.pyplot as plt
  6
  7
  8 class DifferentialEvolutionAlgorithm:
  9
10     '''
11     The class for differential evolution algorithm
12     '''
13
14     def __init__(self, sizepop, vardim, bound, MAXGEN, params):
15         '''
16         sizepop: population sizepop
17         vardim: dimension of variables
18         bound: boundaries of variables
19         MAXGEN: termination condition
20         param: algorithm required parameters, it is a list which is consisting of [crossover rate CR, scaling factor F]
21         '''
22         self.sizepop = sizepop
23         self.MAXGEN = MAXGEN
24         self.vardim = vardim
25         self.bound = bound
26         self.population = []
27         self.fitness = np.zeros((self.sizepop, 1))
28         self.trace = np.zeros((self.MAXGEN, 2))
29         self.params = params
30
31     def initialize(self):
32         '''
33         initialize the population
34         '''
35         for i in xrange(0, self.sizepop):
36             ind = DEIndividual(self.vardim, self.bound)
37             ind.generate()
38             self.population.append(ind)
39
40     def evaluate(self, x):
41         '''
42         evaluation of the population fitnesses
43         '''
44         x.calculateFitness()
45
46     def solve(self):
47         '''
48         evolution process of differential evolution algorithm
49         '''
50         self.t = 0
51         self.initialize()
52         for i in xrange(0, self.sizepop):
53             self.evaluate(self.population)
54             self.fitness = self.population.fitness
55         best = np.max(self.fitness)
56         bestIndex = np.argmax(self.fitness)
57         self.best = copy.deepcopy(self.population[bestIndex])
58         self.avefitness = np.mean(self.fitness)
59         self.trace[self.t, 0] = (1 - self.best.fitness) / self.best.fitness
60         self.trace[self.t, 1] = (1 - self.avefitness) / self.avefitness
61         print("Generation %d: optimal function value is: %f; average function value is %f" % (
62             self.t, self.trace[self.t, 0], self.trace[self.t, 1]))
63         while (self.t < self.MAXGEN - 1):
64             self.t += 1
65             for i in xrange(0, self.sizepop):
66                 vi = self.mutationOperation(i)
67                 ui = self.crossoverOperation(i, vi)
68                 xi_next = self.selectionOperation(i, ui)
69                 self.population = xi_next
70             for i in xrange(0, self.sizepop):
71                 self.evaluate(self.population)
72                 self.fitness = self.population.fitness
73             best = np.max(self.fitness)
74             bestIndex = np.argmax(self.fitness)
75             if best > self.best.fitness:
76                 self.best = copy.deepcopy(self.population[bestIndex])
77             self.avefitness = np.mean(self.fitness)
78             self.trace[self.t, 0] = (1 - self.best.fitness) / self.best.fitness
79             self.trace[self.t, 1] = (1 - self.avefitness) / self.avefitness
80             print("Generation %d: optimal function value is: %f; average function value is %f" % (
81                 self.t, self.trace[self.t, 0], self.trace[self.t, 1]))
82
83         print("Optimal function value is: %f; " %
84               self.trace[self.t, 0])
85         print "Optimal solution is:"
86         print self.best.chrom
87         self.printResult()
88
89     def selectionOperation(self, i, ui):
90         '''
91         selection operation for differential evolution algorithm
92         '''
93         xi_next = copy.deepcopy(self.population)
94         xi_next.chrom = ui
95         self.evaluate(xi_next)
96         if xi_next.fitness > self.population.fitness:
97             return xi_next
98         else:
99             return self.population
100
101     def crossoverOperation(self, i, vi):
102         '''
103         crossover operation for differential evolution algorithm
104         '''
105         k = np.random.random_integers(0, self.vardim - 1)
106         ui = np.zeros(self.vardim)
107         for j in xrange(0, self.vardim):
108             pick = random.random()
109             if pick < self.params[0] or j == k:
110                 ui[j] = vi[j]
111             else:
112                 ui[j] = self.population.chrom[j]
113         return ui
114
115     def mutationOperation(self, i):
116         '''
117         mutation operation for differential evolution algorithm
118         '''
119         a = np.random.random_integers(0, self.sizepop - 1)
120         while a == i:
121             a = np.random.random_integers(0, self.sizepop - 1)
122         b = np.random.random_integers(0, self.sizepop - 1)
123         while b == i or b == a:
124             b = np.random.random_integers(0, self.sizepop - 1)
125         c = np.random.random_integers(0, self.sizepop - 1)
126         while c == i or c == b or c == a:
127             c = np.random.random_integers(0, self.sizepop - 1)
128         vi = self.population[c].chrom + self.params[1] * \
129             (self.population[a].chrom - self.population.chrom)
130         for j in xrange(0, self.vardim):
131             if vi[j] < self.bound[0, j]:
132                 vi[j] = self.bound[0, j]
133             if vi[j] > self.bound[1, j]:
134                 vi[j] = self.bound[1, j]
135         return vi
136
137     def printResult(self):
138         '''
139         plot the result of the differential evolution algorithm
140         '''
141         x = np.arange(0, self.MAXGEN)
142         y1 = self.trace[:, 0]
143         y2 = self.trace[:, 1]
144         plt.plot(x, y1, 'r', label='optimal value')
145         plt.plot(x, y2, 'g', label='average value')
146         plt.xlabel("Iteration")
147         plt.ylabel("function value")
148         plt.title("Differential Evolution Algorithm for function optimization")
149         plt.legend()
150         plt.show()
　　运行程序：



1 if __name__ == "__main__":
2
3     bound = np.tile([[-600], [600]], 25)
4     dea = DEA(60, 25, bound, 1000, [0.8,  0.6])
5     dea.solve()
　　
　　ObjFunction见简单遗传算法-python实现。