网站制作动态转静态怎么做地推公司
可以直接从nuget安装GeneticSharp包
GeneticSharp 遗传算法类库
GeneticSharp 是什么
GeneticSharp 是一个C#的遗传算法类库, 遗传算法Java著名的JMetal, Python也有JMetalPy和PyMoo, C#相对差一截, 稍微有名的是GeneticSharp库.
GeneticSharp 的弱点:
- 不支持多目标优化
- 没有实现流行的 NSGA II算法, 缺少拥挤度等计算, 所以解的多样性要差一些.
- 对于整数型决策变量, 仅仅支持单个变量, 可以通过浮点数变量来代替, 只要将浮点数变量的小数位数设置为0.
- 对于浮点型决策变量, 可支持多个变量
GeneticSharp 默认只支持最大值优化, 如果要支持最小值优化, 决策函数乘-1就可以了.
NSGAII 算法特点:
- 种群大小保持一致：在 NSGA-II 中，父代种群和子代种群的大小是相同的。如果初始种群包含𝑁 个个体，那么在每一代中，子代的数量也将是 𝑁。
- 选择机制：在合并的种群中（父代和子代的组合），算法根据非支配等级和拥挤度距离选择出 𝑁 个个体作为下一代的种群。因此，最终的可行解个数不会超过初始种群的个体数。
- 多目标优化：尽管最终的可行解个数最多为 𝑁，但 NSGA-II 的目标是找到多个 Pareto 最优解，最终返回的解可能在目标空间中形成一个 Pareto 前沿。
概念
- 基因 Gene
一个决策变量就是一个基因. - 染色体 Chromosome, 即遗传算法中的个体, 这些个体将有可能成为一个个可行解.
染色体由基因组成, 有多少个决策变量, 就由多少个基因组成.
GeneticSharp 主要的染色体类型有 FloatingPointChromosome 和 IntegerChromosome, 前者对应浮点数决策变量, 后者对应整数型决策变量. - Fitness 适应度
遗传算法就是按照适应度来确定淘汰哪个个体, GeneticSharp 中适应度取值越大, 代表个体越优秀, 实际编程中, 适应度计算就是等同于目标函数. - 约束
GeneticSharp 没有专门的约束处理机制, 我们可以通过自定义的 IFitness 接口来间接实现约束, 对于不符合约束条件的情况, 对应的 fitness 取值调到最小, 即这些不符合约束的个体直接被淘汰即可.
使用C#实现一个简单遗传算法
使用C#实现遗传算法 - 宁静致远. - 博客园
示例代码讲解
https://diegogiacomelli.com.br/function-optimization-with-geneticsharp/
using System;
using GeneticSharp;namespace FunctionOptimizationWithGeneticSharp
{class MainClass{/// <summary>/// 定义 Fitness 类/// </summary> public class DistinaceFitness : IFitness{public double Evaluate(IChromosome c){var fc = c as FloatingPointChromosome;var values = fc.ToFloatingPoints();var x1 = values[0];var y1 = values[1];var x2 = values[2];var y2 = values[3];//假设有一个约束函数 x1+x2+y1+y2>=5if (x1+x2+y1+y2<5) {//违法约束, 适应度赋值为0 return 0.0 ;}return Math.Sqrt(Math.Pow(x2 - x1, 2) + Math.Pow(y2 - y1, 2));}}public static void Main(string[] args){float maxWidth = 998f;float maxHeight = 680f;//定义染色体个数和取值范围var chromosome = new FloatingPointChromosome(new double[] { 0, 0, 0, 0 }, //包含4个决策变量, 这里定义每个决策变量的最小值new double[] { maxWidth, maxHeight, maxWidth, maxHeight }, //包含4个决策变量, 这里定义每个决策变量的最大值new int[] { 10, 10, 10, 10 }, //每个决策变量占用bit数, 一般取值为10或64 new int[] { 0, 0, 0, 0 }); //每个决策变量小数部分位数//定义种群规模, 种群规模最小size为2, 否则无法交配. var population = new Population(50, 100, chromosome);//定义Fitness var fitness = new DistinaceFitness();//定义遗传算法因子var selection = new EliteSelection();var crossover = new UniformCrossover(0.5f);var mutation = new FlipBitMutation();//生成遗传算法对象var ga = new GeneticAlgorithm(population,fitness,selection,crossover,mutation);//定义递归终止条件var termination = new FitnessStagnationTermination(100);ga.Termination = termination;Console.WriteLine("Generation: (x1, y1), (x2, y2) = distance");var latestFitness = 0.0;//在算法执行之前, 可以定义每一代运算的回调事件ga.GenerationRan += (sender, e) =>{//通过 ga.BestChromosome 获取截止当前最好的染色体var bestChromosome = ga.BestChromosome as FloatingPointChromosome;//通过 ga.BestChromosome.Fitness 获取截止当前最好的适应度, 即目标函数值 var bestFitness = bestChromosome.Fitness.Value;//通过 ga.GenerationsNumber 输出算法已经迭代了多少代if (bestFitness != latestFitness){latestFitness = bestFitness;var phenotype = bestChromosome.ToFloatingPoints();Console.WriteLine("Generation {0,2}: ({1},{2}),({3},{4}) = {5}",ga.GenerationsNumber,phenotype[0],phenotype[1],phenotype[2],phenotype[3],bestFitness);}};//运行遗传算法 ga.Start();//输出最终结果var bestChromosome = ga.BestChromosome as FloatingPointChromosome;var phenotype = bestChromosome.ToFloatingPoints();var bestFitness = bestChromosome.Fitness.Value ;Console.WriteLine("Final Generation {0,2}: ({1},{2}),({3},{4}) = {5}",ga.GenerationsNumber,phenotype[0],phenotype[1],phenotype[2],phenotype[3],bestFitness); Console.ReadKey();}}
}