""" aimfuc.py """import numpy as np# aim functiondef aimfuc(variables):    x1 = variables[:, 0] # get x1    x2 = variables[:, 1] # get x2    f  = 5 * x1 + 8 * x2    idx1 = np.where(x1 + x2 > 6)[0]    idx2 = np.where(5 * x1 + 9 * x2 > 45)[0]    f[idx1] = 0    f[idx2] = 0    return np.array([f]).T # 对结果进行转置，使目标函数值矩阵符合Geatpy数据结构

""" templet.py """# -*- coding: utf-8 -*-import numpy as npimport geatpy as gaimport time"""输入参数：    AIM_M - 目标函数的地址，传入该函数前通常由AIM_M = __import__('目标函数名')语句得到        AIM_F : str - 目标函数名        PUN_M - 罚函数的地址，传入该函数前通常由PUN_M = __import__('罚函数名')语句得到        PUN_F : str - 罚函数名        FieldDR : array - 实际值种群区域描述器        [lb;		(float) 指明每个变量使用的下界         ub]		(float) 指明每个变量使用的上界         注：不需要考虑是否包含变量的边界值。在crtfld中已经将是否包含边界值进行了处理         本函数生成的矩阵的元素值在FieldDR的[下界, 上界)之间        problem : str - 表明是整数问题还是实数问题，'I'表示是整数问题，'R'表示是实数问题                         maxormin int - 最小最大化标记，1表示目标函数最小化；-1表示目标函数最大化        MAXGEN : int - 最大遗传代数        NIND : int - 种群规模，即种群中包含多少个个体        SUBPOP : int - 子种群数量，即对一个种群划分多少个子种群        GGAP : float - 代沟，本模板中该参数为无用参数，仅为了兼容同类的其他模板而设        selectStyle : str - 指代所采用的低级选择算子的名称，如'rws'(轮盘赌选择算子)        recombinStyle: str - 指代所采用的低级重组算子的名称，如'xovsp'(单点交叉)        recopt : float - 交叉概率        pm : float - 重组概率输出参数：    pop_trace : array - 种群进化记录器(进化追踪器),                        第0列记录着各代种群最优个体的目标函数值                        第1列记录着各代种群的适应度均值                        第2列记录着各代种群最优个体的适应度值        var_trace : array - 变量记录器，记录着各代种群最优个体的变量值，每一列对应一个控制变量        times     : float - 进化所用时间"""def templet(AIM_M, AIM_F, PUN_M, PUN_F, FieldDR, problem, maxormin, MAXGEN, NIND, SUBPOP, GGAP, selectStyle, recombinStyle, recopt, pm):    """==========================初始化配置==========================="""    GGAP = 0.5 # 因为父子合并后选择50%的个体留到下一代，因此要将代沟设为0.5以维持种群规模    # 获取目标函数和罚函数    aimfuc = getattr(AIM_M, AIM_F) # 获得目标函数    if PUN_F is not None:        punishing = getattr(PUN_M, PUN_F) # 获得罚函数    NVAR = FieldDR.shape[1] # 得到控制变量的个数    # 定义进化记录器，初始值为nan    pop_trace = (np.zeros((MAXGEN ,2)) * np.nan)    # 定义变量记录器，记录控制变量值，初始值为nan    var_trace = (np.zeros((MAXGEN ,NVAR)) * np.nan)     """=========================开始遗传算法进化======================="""    if problem == 'R':        Chrom = ga.crtrp(NIND, FieldDR) # 生成初始种群    elif problem == 'I':        Chrom = ga.crtip(NIND, FieldDR)    start_time = time.time() # 开始计时    # 开始进化！！    for gen in range(MAXGEN):        # 进行遗传算子，生成子代        SelCh=ga.recombin(recombinStyle, Chrom, recopt, SUBPOP) # 重组        if problem == 'R': # 若是实数型控制变量，则用mutbga进行变异            SelCh=ga.mutbga(SelCh,FieldDR, pm) # 变异        elif problem == 'I': # 若是整数型控制变量，则用mutint进行变异            SelCh=ga.mutint(SelCh, FieldDR, pm)        Chrom = np.vstack([Chrom, SelCh]) # 父子合并        ObjV = aimfuc(Chrom) # 求后代的目标函数值        pop_trace[gen,0] = np.sum(ObjV) / ObjV.shape[0] # 记录种群个体平均目标函数值        if maxormin == 1:            pop_trace[gen,1] = np.min(ObjV) # 记录当代目标函数的最优值            var_trace[gen,:] = Chrom[np.argmin(ObjV), :] # 记录当代最优的控制变量值        elif maxormin == -1:            pop_trace[gen,1] = np.max(ObjV)            var_trace[gen,:] = Chrom[np.argmax(ObjV), :] # 记录当代最优的控制变量值        # 最后对合并的种群进行适应度评价并选出一半个体留到下一代        FitnV = ga.ranking(maxormin * ObjV, None, SUBPOP)        if PUN_F is not None:            FitnV = punishing(Chrom, FitnV) # 调用罚函数        Chrom=ga.selecting(selectStyle, Chrom, FitnV, GGAP, SUBPOP) # 选择    end_time = time.time() # 结束计时    # 绘图    ga.trcplot(pop_trace, [['种群个体平均目标函数值', '种群最优个体目标函数值']])    if maxormin == 1:        best_gen = np.argmin(pop_trace[:, 1]) # 记录最优种群是在哪一代        print('最优的目标函数值为：'+ str(np.min(pop_trace[:, 1])))    elif maxormin == -1:        best_gen = np.argmax(pop_trace[:, 1]) # 记录最优种群是在哪一代        print('最优的目标函数值为：' + str(np.max(pop_trace[:, 1])))    print('最优的控制变量值为：')    for i in range(NVAR):        print(var_trace[best_gen, i])    print('最优的一代是第' + str(best_gen + 1) + '代')    times = end_time - start_time    print('时间已过'+ str(times) + '秒')    # 返回进化记录器、变量记录器以及执行时间    return [pop_trace, var_trace, times]

import numpy as npimport geatpy as gafrom aimfuc import aimfucfrom templet import templet # 导入自定义的编程模板# 获取函数接口地址AIM_M = __import__('aimfuc')# 变量设置x1 = [0, 100] # 自变量1的范围x2 = [0, 100] # 自变量2的范围b1 = [1, 1] # 自变量1是否包含下界b2 = [1, 1] # 自变量2是否包含上界ranges=np.vstack([x1, x2]).T # 生成自变量的范围矩阵borders = np.vstack([b1, b2]).T # 生成自变量的边界矩阵# 生成区域描述器FieldDR = ga.crtfld(ranges, borders)# 调用编程模板[pop_trace, var_trace, times] = templet(AIM_M, 'aimfuc', None, None, FieldDR, problem = 'I', maxormin = -1, MAXGEN = 2000, NIND = 100, SUBPOP = 1, GGAP = 0.9, selectStyle = 'tour', recombinStyle = 'xovdp', recopt = 0.7, pm = 0.1)

""" main.py """import numpy as npimport geatpy as ga# define aim functiondef aimfuc(variables):    x1 = variables[:, 0] # get x1    x2 = variables[:, 1] # get x2    f  = 5 * x1 + 8 * x2    idx1 = np.where(x1 + x2 > 6)[0]    idx2 = np.where(5 * x1 + 9 * x2 > 45)[0]    f[idx1] = 0; f[idx2] = 0    return np.array([f]).T           # 对结果进行转置，使目标函数值矩阵符合Geatpy数据结构# 获取目标函数地址AIM_M = __import__('main')# 变量设置x1 = [0, 100]                        # 自变量1的范围x2 = [0, 100]                        # 自变量2的范围b1 = [1, 1]                          # 自变量1是否包含下界b2 = [1, 1]                          # 自变量2是否包含上界ranges = np.vstack([x1, x2]).T       # 生成自变量的范围矩阵borders = np.vstack([b1, b2]).T      # 生成自变量的边界矩阵FieldDR = ga.crtfld(ranges, borders) # 生成区域描述器# 调用Geatpy内置编程模板[pop_trace, var_trace, times] = ga.sga_new_real_templet(AIM_M, 'aimfuc', None, None, FieldDR, problem = 'I', maxormin = -1, MAXGEN = 100, NIND = 100, SUBPOP = 1, GGAP = 0.9, selectStyle = 'tour', recombinStyle = 'xovdp', recopt = 0.7, pm = 0.1)