：整數(shù)規(guī)劃、TSP 固定端點與初始種群設定)
科學計算【免費下載鏈接】scikit-opt主流群體智能算法差分進化算法、遺傳算法、粒子群算法、模擬退火算法、蟻群算法、免疫優(yōu)化算法、魚群算法解決常規(guī)最優(yōu)化問題以及旅行商問題項目地址https://gitcode.com/guofei9987/scikit-opt點擊查看免費下載遺傳算法GA在實際落地時往往會遇到三個經(jīng)典痛點如何讓某些變量嚴格取整數(shù)、如何在旅行商問題TSP中固定起點與終點、以及如何注入自定義的初始解。本指南以 scikit-opt 倉庫中的 more_ga.md 為骨架結合 GA.py 的源碼實現(xiàn)與 demo_ga_tsp.py 等示例逐條給出可直接運行的代碼與底層原理讀完即可在自己的優(yōu)化任務中復現(xiàn)這三種進階玩法。用遺傳算法做整數(shù)規(guī)劃核心用法讓precision為整數(shù)在多維優(yōu)化中想讓哪個變量被限制為整數(shù)就把對應位置的precision設為整數(shù)。例如自定義目標函數(shù)demo_func希望第一個變量按步長 2 取值即整數(shù)且間隔為 2、第二個變量按步長 1 取值普通整數(shù)、第三個變量保持浮點數(shù)精度只需寫precision[2, 1, 1e-7]from sko.GA import GA demo_func lambda x: (x[0] - 1) ** 2 (x[1] - 0.05) ** 2 x[2] ** 2 ga GA(funcdemo_func, n_dim3, max_iter500, lb[-1, -1, -1], ub[5, 1, 1], precision[2, 1, 1e-7]) best_x, best_y ga.run() print(best_x:, best_x, \n, best_y:, best_y)注意precision的語義是該變量的取值粒度整數(shù)模式下第 0 維變量的實際取值是lb[0] k * 2k 為非負整數(shù)第 1 維是lb[1] k * 1第 2 維仍按 1e-7 的浮點精度連續(xù)取值。precision支持標量自動廣播到每個維度也支持列表或數(shù)組這一點在 GA.py 中通過np.array(precision) * np.ones(self.n_dim)完成。整數(shù)規(guī)劃模式背后的編碼機制從 GA.py 的源碼可以看到GA用二進制染色體Gray Code分段編碼每個變量段長由精度決定Lind_raw np.log2((self.ub - self.lb) / self.precision 1) self.Lind np.ceil(Lind_raw).astype(int) self.int_mode_ (self.precision % 1 0) (Lind_raw % 1 ! 0) self.int_mode np.any(self.int_mode_) if self.int_mode: self.ub_extend np.where(self.int_mode_ , self.lb (np.exp2(self.Lind) - 1) * self.precision , self.ub)這里有幾個可以直接用于調參的結論precision為整數(shù)時該維度進入整數(shù)規(guī)劃模式int_modeprecision為浮點如默認的 1e-7時變量按連續(xù)區(qū)間映射。取值個數(shù)最好是 $2^n$。此時染色體段長 $Lind\log_2(取值個數(shù))$ 恰好是整數(shù)每個取值與一組二進制編碼一一對應收斂速度與效果最佳。取值個數(shù)不是 $2^n$ 時依然能正常工作代價是部分編碼會冗余。從源碼看當取值個數(shù)不是 $2^n$ 時GA會自動把上界擴展到ub_extend lb (2**Lind - 1) * precision見 GA.py使可編碼取值總數(shù)恰好等于 $2^{Lind}$解碼時再用np.where(X self.ub, self.ub, X)把超出原ub的值裁剪回去見 GA.py。對取值個數(shù)不是 $2^n$的場景文檔還提示了另一層約束如果你的等式約束constraint_eq與不等式約束constraint_ueq本身已經(jīng)很多罰函數(shù)帶來的影響會被放大更推薦先手動調整變量規(guī)避取值個數(shù)不是 $2^n$ 的情況。這一提示與 base.py 中x2y()的罰函數(shù)實現(xiàn)相互印證——約束違背會以1e5量級的懲罰項疊加到目標值上見 GA.py約束越多搜索空間越崎嶇。非整數(shù)precision想用整數(shù)模式怎么辦如果precision不是整數(shù)例如原本是 0.5它不會進入整數(shù)規(guī)劃模式。想沿用整數(shù)模式文檔給出的標準手法是把對應自變量乘以 2使precision變成整數(shù)。例如原變量x ∈ [0, 1]、precision0.5可令新變量y 2x ∈ [0, 2]、precision1參與優(yōu)化最后再把best_x除以 2 還原。本質是先縮放再做整數(shù)編碼最后反變換。GA 求解 TSP如何固定起點與終點原理起點終點不參與優(yōu)化TSP 有兩種形態(tài)閉合回路環(huán)與開環(huán)路徑。若路徑是閉合的起點與終點本就在環(huán)上固定與否結果等價無需特殊處理只有要求非閉合路徑從指定起點出發(fā)、在指定終點停下時才需要固定端點。固定起止點的核心思路非常簡潔設總共有n 2個點含起點和終點優(yōu)化的只是中間n個點的訪問順序起點、終點不進入決策變量目標函數(shù)按真實路徑書寫把起點、終點拼接到routine首尾累加相鄰點之間的歐氏距離。例如起點為(0, 0)、終點為(1, 1)則目標函數(shù)構造如下import numpy as np from scipy import spatial import matplotlib.pyplot as plt num_points 20 points_coordinate np.random.rand(num_points, 2) # generate coordinate of points start_point[[0,0]] end_point[[1,1]] points_coordinatenp.concatenate([points_coordinate,start_point,end_point]) distance_matrix spatial.distance.cdist(points_coordinate, points_coordinate, metriceuclidean) def cal_total_distance(routine): The objective function. input routine, return total distance. cal_total_distance(np.arange(num_points)) num_points, routine.shape # start_point,end_point 本身不參與優(yōu)化。給一個固定的值參與計算總路徑 routine np.concatenate([[num_points], routine, [num_points1]]) return sum([distance_matrix[routine[i], routine[i 1]] for i in range(num_points2-1)])注意這里points_coordinate拼接后num_points號點就是起點(0, 0)num_points1號點就是終點(1, 1)決策變量routine是中間n個點的排列長度恰為num_points。求解與可視化用GA_TSP求解的方式與其他 TSP 場景一致from sko.GA import GA_TSP ga_tsp GA_TSP(funccal_total_distance, n_dimnum_points, size_pop50, max_iter500, prob_mut1) best_points, best_distance ga_tsp.run() fig, ax plt.subplots(1, 2) best_points_ np.concatenate([[num_points],best_points, [num_points1]]) best_points_coordinate points_coordinate[best_points_, :] ax[0].plot(best_points_coordinate[:, 0], best_points_coordinate[:, 1], o-r) ax[1].plot(ga_tsp.generation_best_Y) plt.show()左圖把最優(yōu)排列還原為起點 → 中間 n 點 → 終點的完整坐標序列并連線直觀驗證路徑確實從(0,0)出發(fā)、在(1,1)結束右圖繪制ga_tsp.generation_best_Y即每一代最優(yōu)距離的收斂曲線可用于判斷max_iter是否足夠。與閉合回路 TSP 的實現(xiàn)差異對比倉庫中的閉合回路版本 demo_ga_tsp.py其目標函數(shù)用取模實現(xiàn)首尾相連return sum([distance_matrix[routine[i % num_points], routine[(i 1) % num_points]] for i in range(num_points)])而固定端點版本則用np.concatenate顯式把兩個固定端點夾在首尾。兩種寫法都對應GA_TSP內部的排列編碼從 GA.py 可以看到GA_TSP用tmp.argsort(axis1)生成全排列種群交叉算子采用部分匹配交叉PMX見 crossover.py變異算子采用 2-Opt 式的反轉變異mutation_reverse見 mutation.py。PMX 與反轉變異都能保證子代仍是合法排列這正是排列類優(yōu)化能正確收斂的結構基礎。另外注意GA_TSP.run()與普通GA.run()的差異前者每一代把父代與子代合并后按適應度截取最優(yōu)的size_pop個個體精英保留策略見 GA.py因此在同樣代數(shù)下搜索強度更高max_iter可適當調小。如何設定初始點或初始種群四種核心算法都支持注入初始解做法各不相同算法注入方式說明遺傳算法GAga.Chrom ...直接覆蓋初始二進制染色體種群差分進化DEde.X ...直接覆蓋初始實數(shù)種群矩陣模擬退火SA構造時傳x0初始化起始點粒子群PSOpso.X ...后補算歷史最優(yōu)覆蓋粒子位置并同步 pbest / gbestGA覆蓋Chrom對于GA實例化ga GA(**params)后直接給Chrom賦值即可設定初始種群例如ga.Chrom np.random.randint(0, 2, size(80, 20))這里的Chrom是形狀為(size_pop, len_chrom)的 0/1 矩陣行數(shù)80對應種群個體數(shù)應與size_pop一致列數(shù)20對應整條染色體的基因總長。從源碼看染色體總長為各變量編碼段長之和self.len_chrom sum(self.Lind)見 GA.py如果你自定義的列數(shù)小于len_chromchrom2x()解碼時會直接越界出錯因此手動賦值前最好先用默認值跑一次檢查ga.len_chrom與ga.size_pop。默認初始種群由crtbp()生成即np.random.randint(low0, high2, size(self.size_pop, self.len_chrom))見 GA.py手動賦值只是把這一隨機初始化替換為你的先驗知識。DE覆蓋X差分進化算法DE中de.X是形狀為(size_pop, n_dim)的實數(shù)種群矩陣默認由crtbp()在[lb, ub]內均勻隨機采樣生成見 DE.py。要注入初始解直接賦值即可de.X my_initial_population # shape: (size_pop, n_dim)后續(xù)mutation()的變異基向量V[i] X[r1] F * (X[r2] - X[r3])見 DE.py會自動基于你給定的X展開且變異越界時會被重新采樣到[lb, ub]內因此不必擔心越界問題。SA構造時傳x0模擬退火算法SA的初始點通過構造函數(shù)參數(shù)x0傳入。從 SA.py 的源碼看__init__(self, func, x0, T_max100, T_min1e-7, L300, max_stay_counter150, **kwargs)會執(zhí)行self.n_dim len(x0)、self.best_x np.array(x0)即x0同時決定了解空間的維度和搜索的出發(fā)點from sko.SA import SA sa SA(funcdemo_func, x0[0.5, 0.5], T_max100, T_min1e-7, L300, max_stay_counter150) best_x, best_y sa.run()PSO覆蓋X并同步 pbest / gbest粒子群算法PSO初始化時會在[lb, ub]內隨機生成粒子位置self.X np.random.uniform(lowself.lb, highself.ub, size(self.pop, self.n_dim))見 PSO.py。手動注入初始解的正確姿勢是賦值pso.X之后立即補算三個狀態(tài)量pso.X my_initial_particles # shape: (pop, n_dim) pso.cal_y() # 重算每個粒子的適應度 Y func(X) pso.update_gbest() # 更新全局最優(yōu) gbest_x / gbest_y pso.update_pbest() # 更新每個粒子的歷史最優(yōu) pbest_x / pbest_y順序有講究cal_y()先刷新self.Y見 PSO.pyupdate_pbest()用Y更小且滿足約束的粒子更新個體歷史最優(yōu)見 PSO.pyupdate_gbest()從pbest_y中挑出全局最優(yōu)見 PSO.py。如果只改X不調用這三個方法后續(xù)迭代的速度更新V w*V cp*r1*(pbest_x - X) cg*r2*(gbest_x - X)會基于錯誤的 pbest/gbest 進行注入的初始解反而可能把種群帶偏。為什么不建議直接復用.fit()的舊寫法倉庫基類 base.py 中保留了fit()作為run()的兼容別名但會拋出DeprecationWarning。文檔與示例均推薦統(tǒng)一使用run()例如best_x, best_y ga.run()上文的 TSP 固定端點示例也遵循了這一約定。如果你的歷史代碼仍在用.fit()建議盡快遷移。小結整數(shù)規(guī)劃把對應維度的precision設為整數(shù)即可啟用整數(shù)模式取值個數(shù)盡量取 $2^n$非整數(shù)精度可先對變量做縮放變換。底層由 GA.py 的段長計算、ub_extend擴展與裁剪邏輯支撐。固定起止點的 TSP讓起點、終點不進入決策變量僅優(yōu)化中間n個點并在目標函數(shù)中把兩端拼接回去配合GA_TSP的 PMX 交叉與反轉變異求解用左圖驗證路徑、右圖觀察收斂曲線對比閉合回路版本見 demo_ga_tsp.py。初始解注入GA覆蓋ga.Chrom、DE覆蓋de.X、SA傳參x0、PSO覆蓋pso.X后依次執(zhí)行cal_y()/update_gbest()/update_pbest()。以上三種手法都只涉及求解器的調用方式目標函數(shù)與數(shù)據(jù)準備完全由你自己掌控因此同樣適用于后續(xù)引入更復雜的組合約束、先驗路徑或多起點重啟策略的工程化場景。贊分享科學計算【免費下載鏈接】scikit-opt主流群體智能算法差分進化算法、遺傳算法、粒子群算法、模擬退火算法、蟻群算法、免疫優(yōu)化算法、魚群算法解決常規(guī)最優(yōu)化問題以及旅行商問題項目地址https://gitcode.com/guofei9987/scikit-opt點擊查看免費下載相關推薦scikit-opt 遺傳算法進階實戰(zhàn)整數(shù)規(guī)劃、TSP 固定端點與初始種群設定scikit opt 遺傳算法進階實戰(zhàn)整數(shù)規(guī)劃、TSP 固定端點與初始種群設定 本篇基于 scikit opt 倉庫的 docs/zh/more_ga.md科學計算scikit-opt 遺傳算法進階實戰(zhàn)整數(shù)規(guī)劃、TSP 固定起終點與初始種群設定scikit opt 遺傳算法進階實戰(zhàn)整數(shù)規(guī)劃、TSP 固定起終點與初始種群設定 遺傳算法GA除了求解連續(xù)變量的最優(yōu)化問題還經(jīng)常需要處理整數(shù)規(guī)劃、旅行商科學計算scikit-opt 群體智能算法庫實戰(zhàn)指南七大算法求解最優(yōu)化問題與 TSP 路線規(guī)劃scikit opt 群體智能算法庫實戰(zhàn)指南七大算法求解最優(yōu)化問題與 TSP 路線規(guī)劃 scikit opt 是一個用 Python 實現(xiàn)的群體智能算法庫基科學計算上一篇Relay 查詢變量完全指南從全局變量到 arguments 與 argumentDefinitions下一篇CogVideoX-2b提示詞工程指南10個技巧讓你的視頻生成效果提升300%創(chuàng)作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考 scikit-opt 遺傳算法進階實戰(zhàn)：整數(shù)規(guī)劃、TSP 固定端點與初始種群設定
科學計算【免費下載鏈接】scikit-opt主流群體智能算法差分進化算法、遺傳算法、粒子群算法、模擬退火算法、蟻群算法、免疫優(yōu)化算法、魚群算法解決常規(guī)最優(yōu)化問題以及旅行商問題項目地址https://gitcode.com/guofei9987/scikit-opt點擊查看免費下載遺傳算法GA在實際落地時往往會遇到三個經(jīng)典痛點如何讓某些變量嚴格取整數(shù)、如何在旅行商問題TSP中固定起點與終點、以及如何注入自定義的初始解。本指南以 scikit-opt 倉庫中的 more_ga.md 為骨架結合 GA.py 的源碼實現(xiàn)與 demo_ga_tsp.py 等示例逐條給出可直接運行的代碼與底層原理讀完即可在自己的優(yōu)化任務中復現(xiàn)這三種進階玩法。用遺傳算法做整數(shù)規(guī)劃核心用法讓precision為整數(shù)在多維優(yōu)化中想讓哪個變量被限制為整數(shù)就把對應位置的precision設為整數(shù)。例如自定義目標函數(shù)demo_func希望第一個變量按步長 2 取值即整數(shù)且間隔為 2、第二個變量按步長 1 取值普通整數(shù)、第三個變量保持浮點數(shù)精度只需寫precision[2, 1, 1e-7]from sko.GA import GA demo_func lambda x: (x[0] - 1) ** 2 (x[1] - 0.05) ** 2 x[2] ** 2 ga GA(funcdemo_func, n_dim3, max_iter500, lb[-1, -1, -1], ub[5, 1, 1], precision[2, 1, 1e-7]) best_x, best_y ga.run() print(best_x:, best_x, \n, best_y:, best_y)注意precision的語義是該變量的取值粒度整數(shù)模式下第 0 維變量的實際取值是lb[0] k * 2k 為非負整數(shù)第 1 維是lb[1] k * 1第 2 維仍按 1e-7 的浮點精度連續(xù)取值。precision支持標量自動廣播到每個維度也支持列表或數(shù)組這一點在 GA.py 中通過np.array(precision) * np.ones(self.n_dim)完成。整數(shù)規(guī)劃模式背后的編碼機制從 GA.py 的源碼可以看到GA用二進制染色體Gray Code分段編碼每個變量段長由精度決定Lind_raw np.log2((self.ub - self.lb) / self.precision 1) self.Lind np.ceil(Lind_raw).astype(int) self.int_mode_ (self.precision % 1 0) (Lind_raw % 1 ! 0) self.int_mode np.any(self.int_mode_) if self.int_mode: self.ub_extend np.where(self.int_mode_ , self.lb (np.exp2(self.Lind) - 1) * self.precision , self.ub)這里有幾個可以直接用于調參的結論precision為整數(shù)時該維度進入整數(shù)規(guī)劃模式int_modeprecision為浮點如默認的 1e-7時變量按連續(xù)區(qū)間映射。取值個數(shù)最好是 $2^n$。此時染色體段長 $Lind\log_2(取值個數(shù))$ 恰好是整數(shù)每個取值與一組二進制編碼一一對應收斂速度與效果最佳。取值個數(shù)不是 $2^n$ 時依然能正常工作代價是部分編碼會冗余。從源碼看當取值個數(shù)不是 $2^n$ 時GA會自動把上界擴展到ub_extend lb (2**Lind - 1) * precision見 GA.py使可編碼取值總數(shù)恰好等于 $2^{Lind}$解碼時再用np.where(X self.ub, self.ub, X)把超出原ub的值裁剪回去見 GA.py。對取值個數(shù)不是 $2^n$的場景文檔還提示了另一層約束如果你的等式約束constraint_eq與不等式約束constraint_ueq本身已經(jīng)很多罰函數(shù)帶來的影響會被放大更推薦先手動調整變量規(guī)避取值個數(shù)不是 $2^n$ 的情況。這一提示與 base.py 中x2y()的罰函數(shù)實現(xiàn)相互印證——約束違背會以1e5量級的懲罰項疊加到目標值上見 GA.py約束越多搜索空間越崎嶇。非整數(shù)precision想用整數(shù)模式怎么辦如果precision不是整數(shù)例如原本是 0.5它不會進入整數(shù)規(guī)劃模式。想沿用整數(shù)模式文檔給出的標準手法是把對應自變量乘以 2使precision變成整數(shù)。例如原變量x ∈ [0, 1]、precision0.5可令新變量y 2x ∈ [0, 2]、precision1參與優(yōu)化最后再把best_x除以 2 還原。本質是先縮放再做整數(shù)編碼最后反變換。GA 求解 TSP如何固定起點與終點原理起點終點不參與優(yōu)化TSP 有兩種形態(tài)閉合回路環(huán)與開環(huán)路徑。若路徑是閉合的起點與終點本就在環(huán)上固定與否結果等價無需特殊處理只有要求非閉合路徑從指定起點出發(fā)、在指定終點停下時才需要固定端點。固定起止點的核心思路非常簡潔設總共有n 2個點含起點和終點優(yōu)化的只是中間n個點的訪問順序起點、終點不進入決策變量目標函數(shù)按真實路徑書寫把起點、終點拼接到routine首尾累加相鄰點之間的歐氏距離。例如起點為(0, 0)、終點為(1, 1)則目標函數(shù)構造如下import numpy as np from scipy import spatial import matplotlib.pyplot as plt num_points 20 points_coordinate np.random.rand(num_points, 2) # generate coordinate of points start_point[[0,0]] end_point[[1,1]] points_coordinatenp.concatenate([points_coordinate,start_point,end_point]) distance_matrix spatial.distance.cdist(points_coordinate, points_coordinate, metriceuclidean) def cal_total_distance(routine): The objective function. input routine, return total distance. cal_total_distance(np.arange(num_points)) num_points, routine.shape # start_point,end_point 本身不參與優(yōu)化。給一個固定的值參與計算總路徑 routine np.concatenate([[num_points], routine, [num_points1]]) return sum([distance_matrix[routine[i], routine[i 1]] for i in range(num_points2-1)])注意這里points_coordinate拼接后num_points號點就是起點(0, 0)num_points1號點就是終點(1, 1)決策變量routine是中間n個點的排列長度恰為num_points。求解與可視化用GA_TSP求解的方式與其他 TSP 場景一致from sko.GA import GA_TSP ga_tsp GA_TSP(funccal_total_distance, n_dimnum_points, size_pop50, max_iter500, prob_mut1) best_points, best_distance ga_tsp.run() fig, ax plt.subplots(1, 2) best_points_ np.concatenate([[num_points],best_points, [num_points1]]) best_points_coordinate points_coordinate[best_points_, :] ax[0].plot(best_points_coordinate[:, 0], best_points_coordinate[:, 1], o-r) ax[1].plot(ga_tsp.generation_best_Y) plt.show()左圖把最優(yōu)排列還原為起點 → 中間 n 點 → 終點的完整坐標序列并連線直觀驗證路徑確實從(0,0)出發(fā)、在(1,1)結束右圖繪制ga_tsp.generation_best_Y即每一代最優(yōu)距離的收斂曲線可用于判斷max_iter是否足夠。與閉合回路 TSP 的實現(xiàn)差異對比倉庫中的閉合回路版本 demo_ga_tsp.py其目標函數(shù)用取模實現(xiàn)首尾相連return sum([distance_matrix[routine[i % num_points], routine[(i 1) % num_points]] for i in range(num_points)])而固定端點版本則用np.concatenate顯式把兩個固定端點夾在首尾。兩種寫法都對應GA_TSP內部的排列編碼從 GA.py 可以看到GA_TSP用tmp.argsort(axis1)生成全排列種群交叉算子采用部分匹配交叉PMX見 crossover.py變異算子采用 2-Opt 式的反轉變異mutation_reverse見 mutation.py。PMX 與反轉變異都能保證子代仍是合法排列這正是排列類優(yōu)化能正確收斂的結構基礎。另外注意GA_TSP.run()與普通GA.run()的差異前者每一代把父代與子代合并后按適應度截取最優(yōu)的size_pop個個體精英保留策略見 GA.py因此在同樣代數(shù)下搜索強度更高max_iter可適當調小。如何設定初始點或初始種群四種核心算法都支持注入初始解做法各不相同算法注入方式說明遺傳算法GAga.Chrom ...直接覆蓋初始二進制染色體種群差分進化DEde.X ...直接覆蓋初始實數(shù)種群矩陣模擬退火SA構造時傳x0初始化起始點粒子群PSOpso.X ...后補算歷史最優(yōu)覆蓋粒子位置并同步 pbest / gbestGA覆蓋Chrom對于GA實例化ga GA(**params)后直接給Chrom賦值即可設定初始種群例如ga.Chrom np.random.randint(0, 2, size(80, 20))這里的Chrom是形狀為(size_pop, len_chrom)的 0/1 矩陣行數(shù)80對應種群個體數(shù)應與size_pop一致列數(shù)20對應整條染色體的基因總長。從源碼看染色體總長為各變量編碼段長之和self.len_chrom sum(self.Lind)見 GA.py如果你自定義的列數(shù)小于len_chromchrom2x()解碼時會直接越界出錯因此手動賦值前最好先用默認值跑一次檢查ga.len_chrom與ga.size_pop。默認初始種群由crtbp()生成即np.random.randint(low0, high2, size(self.size_pop, self.len_chrom))見 GA.py手動賦值只是把這一隨機初始化替換為你的先驗知識。DE覆蓋X差分進化算法DE中de.X是形狀為(size_pop, n_dim)的實數(shù)種群矩陣默認由crtbp()在[lb, ub]內均勻隨機采樣生成見 DE.py。要注入初始解直接賦值即可de.X my_initial_population # shape: (size_pop, n_dim)后續(xù)mutation()的變異基向量V[i] X[r1] F * (X[r2] - X[r3])見 DE.py會自動基于你給定的X展開且變異越界時會被重新采樣到[lb, ub]內因此不必擔心越界問題。SA構造時傳x0模擬退火算法SA的初始點通過構造函數(shù)參數(shù)x0傳入。從 SA.py 的源碼看__init__(self, func, x0, T_max100, T_min1e-7, L300, max_stay_counter150, **kwargs)會執(zhí)行self.n_dim len(x0)、self.best_x np.array(x0)即x0同時決定了解空間的維度和搜索的出發(fā)點from sko.SA import SA sa SA(funcdemo_func, x0[0.5, 0.5], T_max100, T_min1e-7, L300, max_stay_counter150) best_x, best_y sa.run()PSO覆蓋X并同步 pbest / gbest粒子群算法PSO初始化時會在[lb, ub]內隨機生成粒子位置self.X np.random.uniform(lowself.lb, highself.ub, size(self.pop, self.n_dim))見 PSO.py。手動注入初始解的正確姿勢是賦值pso.X之后立即補算三個狀態(tài)量pso.X my_initial_particles # shape: (pop, n_dim) pso.cal_y() # 重算每個粒子的適應度 Y func(X) pso.update_gbest() # 更新全局最優(yōu) gbest_x / gbest_y pso.update_pbest() # 更新每個粒子的歷史最優(yōu) pbest_x / pbest_y順序有講究cal_y()先刷新self.Y見 PSO.pyupdate_pbest()用Y更小且滿足約束的粒子更新個體歷史最優(yōu)見 PSO.pyupdate_gbest()從pbest_y中挑出全局最優(yōu)見 PSO.py。如果只改X不調用這三個方法后續(xù)迭代的速度更新V w*V cp*r1*(pbest_x - X) cg*r2*(gbest_x - X)會基于錯誤的 pbest/gbest 進行注入的初始解反而可能把種群帶偏。為什么不建議直接復用.fit()的舊寫法倉庫基類 base.py 中保留了fit()作為run()的兼容別名但會拋出DeprecationWarning。文檔與示例均推薦統(tǒng)一使用run()例如best_x, best_y ga.run()上文的 TSP 固定端點示例也遵循了這一約定。如果你的歷史代碼仍在用.fit()建議盡快遷移。小結整數(shù)規(guī)劃把對應維度的precision設為整數(shù)即可啟用整數(shù)模式取值個數(shù)盡量取 $2^n$非整數(shù)精度可先對變量做縮放變換。底層由 GA.py 的段長計算、ub_extend擴展與裁剪邏輯支撐。固定起止點的 TSP讓起點、終點不進入決策變量僅優(yōu)化中間n個點并在目標函數(shù)中把兩端拼接回去配合GA_TSP的 PMX 交叉與反轉變異求解用左圖驗證路徑、右圖觀察收斂曲線對比閉合回路版本見 demo_ga_tsp.py。初始解注入GA覆蓋ga.Chrom、DE覆蓋de.X、SA傳參x0、PSO覆蓋pso.X后依次執(zhí)行cal_y()/update_gbest()/update_pbest()。以上三種手法都只涉及求解器的調用方式目標函數(shù)與數(shù)據(jù)準備完全由你自己掌控因此同樣適用于后續(xù)引入更復雜的組合約束、先驗路徑或多起點重啟策略的工程化場景。贊分享科學計算【免費下載鏈接】scikit-opt主流群體智能算法差分進化算法、遺傳算法、粒子群算法、模擬退火算法、蟻群算法、免疫優(yōu)化算法、魚群算法解決常規(guī)最優(yōu)化問題以及旅行商問題項目地址https://gitcode.com/guofei9987/scikit-opt點擊查看免費下載相關推薦scikit-opt 遺傳算法進階實戰(zhàn)整數(shù)規(guī)劃、TSP 固定端點與初始種群設定scikit opt 遺傳算法進階實戰(zhàn)整數(shù)規(guī)劃、TSP 固定端點與初始種群設定 本篇基于 scikit opt 倉庫的 docs/zh/more_ga.md科學計算scikit-opt 遺傳算法進階實戰(zhàn)整數(shù)規(guī)劃、TSP 固定起終點與初始種群設定scikit opt 遺傳算法進階實戰(zhàn)整數(shù)規(guī)劃、TSP 固定起終點與初始種群設定 遺傳算法GA除了求解連續(xù)變量的最優(yōu)化問題還經(jīng)常需要處理整數(shù)規(guī)劃、旅行商科學計算scikit-opt 群體智能算法庫實戰(zhàn)指南七大算法求解最優(yōu)化問題與 TSP 路線規(guī)劃scikit opt 群體智能算法庫實戰(zhàn)指南七大算法求解最優(yōu)化問題與 TSP 路線規(guī)劃 scikit opt 是一個用 Python 實現(xiàn)的群體智能算法庫基科學計算上一篇Relay 查詢變量完全指南從全局變量到 arguments 與 argumentDefinitions下一篇CogVideoX-2b提示詞工程指南10個技巧讓你的視頻生成效果提升300%創(chuàng)作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考