免疫算法（二进制）算例（源码实现）

今天药忘吃喽~ 2023-01-22 09:47 14阅读 0赞

之前我们讲解了免疫算法以及离散的免疫算法。见链接：  
[万字长文了解免疫算法原理 及求解复杂约束问题（源码实现）][Link 1]  
[离散免疫算法求解旅行商问题(源码实现)][Link 2]

今天讲下二进制的免疫算法。  
我爱学习，爱玉酱。

![20210519092931472.png_pic_center][]

## 算例 ##

假设一个数PD=210，它可以看成下列中的数，某几个组合而成来的。  
P\_state=np.array(\[1700,2600,180,2200,1400,60,85,290,4100,3000,1590,200,1300,50,100,30,90\])，即PD=sum（xiP\_statei）其中的xi表示状态，只能取0或1。  
       限制条件：【180,2200】,序号\[2,3\]不能共存；【60,85,300】,序号\[5,6,7\]不能共存；【50,100】 序号\[13,14\]不能共存；【25,90】序号\[15,16\]不能共存。

## 算例实现 ##

如果不懂算法原理，请看之前免疫算法博文。  
      由于二进制编码不可能出现重复，所以无需计算浓度。

python实现  
python3.7

#!/usr/bin/env python3
    # -*- coding: utf-8 -*-
    # @Author: yudengwu(余登武）
    # @Date : 2021/5/19
    #@email:1344732766@qq.com
    import pandas as pd
    import numpy as np
    from tqdm import tqdm#进度条设置
    import matplotlib.pyplot as plt
    import matplotlib; matplotlib.use('TkAgg')
    from pylab import *
    mpl.rcParams['font.sans-serif'] = ['SimHei']
    mpl.rcParams['axes.unicode_minus'] = False
    
    #以一个负荷为例讲解优化算法
    
    P_state=np.array([1700,2600,180,2200,1400,60,85,290,4100,3000,1590,200,1300,50,100,30,90])#17个状态
    
    state_num=17 #状态数
    #【180,2200】,序号[2,3]不能共存
    #【60,85,300】,序号[5,6,7]不能共存
    #【50,100】 序号[13,14]不能共存
    #【25,90】序号[15,16]不能共存
    
    #总负荷
    Pload=446.0 #这个值可以设置的
    
    ########适应度函数
    def calc_f(xi):
       """ :param xi 为个体 即电器的工作状态，01二二进制，0表示当前状态关，1表示开: xi 为np.array(数据） :return 返回 np.abs(XiP_state-pload) P_state为电器"额定功率": """
       xi=np.array(xi)
       xi=xi.reshape(state_num,)
       return np.abs(np.sum(xi*P_state)-Pload)
    
    
    ###############免疫算法相关函数#############
    #免疫操作函数：克隆、变异、变异抑制
    def variation(Sortf):
        """ :param Sortf : 排序后的种群 :return: 经过克隆、变异、变异抑制后的群体af .af的规模为Sortf的一半 """
        Ncl = 5  # 克隆个数
        af = np.zeros((np.int(NP / 2), state_num))  # 存储变异后的个体
        for i in range(np.int(NP / 2)):  # 遍历前一半个体
            # 选激励度前NP/2个体进行免疫操作
            a = Sortf[i]  # 当前个体 .shape(state_num,)
            a = a.reshape(-1, state_num)  # （-1，维度state_num）
            Na = np.tile(a, (Ncl, 1))  # 对当前个体进行克隆 Na.shape=(Ncl, state_num)
            for j in range(Ncl):  # 遍历每一个克隆样本
                for k in range(state_num):#遍历个体的每一个元素
                    #变异
                    if np.random.random()<0.5:#
                        Na[j,k]=1
                    else:
                        Na[j,k]=0
                # 【180,2200】,序号[2,3]不能共存
                while Na[j, 2] + Na[j, 3]  == 2 :
                    Na[j, 2] = np.random.randint(0, 2, 1)
                    Na[j, 3] = np.random.randint(0, 2, 1)
                # 【60,85,300】,序号[5,6,7]不能共存
                while Na[j, 5] + Na[j, 6] + Na[j, 7] == 2 or Na[j, 5] + Na[j, 6] + Na[j, 7] == 3:
                    Na[j, 5] = np.random.randint(0, 2, 1)
                    Na[j, 6] = np.random.randint(0, 2, 1)
                    Na[j, 7] = np.random.randint(0, 2, 1)
    
                # 【50,100】 序号[13,14]不能共存
                while Na[j, 13] + Na[j, 14] == 2:
                    Na[j, 13] = np.random.randint(0, 2, 1)
                    Na[j, 14] = np.random.randint(0, 2, 1)
                # 【25,90】序号[15,16]不能共存
                while Na[j, 15] + Na[j, 16] == 2:
                    Na[j, 15] = np.random.randint(0, 2, 1)
                    Na[j, 16] = np.random.randint(0, 2, 1)
            # 保留克隆源个体
            Na[0, :] = Sortf[i]
            #####克隆抑制，保留亲和度最高的个体
            NaMSLL = np.zeros((Ncl, 1))  # 存储变异种群亲和度值
            for j in range(Ncl):  # 遍历每一个克隆样本
                NaMSLL[j] = calc_f(xi=Na[j])  # 亲和度=距离
            Index = np.argsort(NaMSLL, axis=0)  # 激励度按升序排序
            Index = Index[:, 0]
            NaSortf = Na[Index]  # 排序后的种群
            af[i] = NaSortf[0]  # 取最优
        return af
    
    #免疫操作：创建新生种群
    def refresh():
        """ :return: 创建一半新生群体 bf """
        #########初始化群体
        bf = np.random.randint(0, 2, (np.int(NP/2), state_num))  # 在[0,2）之前随机取整数，取state_num(19)个 bf.shape=(50, 19)
        for j in range(np.int(NP / 2)):  # 遍历每一个个体
            # 【180,2200】,序号[2,3]不能共存
            while bf[j, 2] + bf[j, 3] == 2:
                bf[j, 2] = np.random.randint(0, 2, 1)
                bf[j, 3] = np.random.randint(0, 2, 1)
            # 【60,85,300】,序号[5,6,7]不能共存
            while bf[j, 5] + bf[j, 6] + bf[j, 7] == 2 or bf[j, 5] + bf[j, 6] + bf[j, 7] == 3:
                bf[j, 5] = np.random.randint(0, 2, 1)
                bf[j, 6] = np.random.randint(0, 2, 1)
                bf[j, 7] = np.random.randint(0, 2, 1)
    
            # 【50,100】 序号[13,14]不能共存
            while bf[j, 13] + bf[j, 14] == 2:
                bf[j, 13] = np.random.randint(0, 2, 1)
                bf[j, 14] = np.random.randint(0, 2, 1)
            # 【25,90】序号[15,16]不能共存
            while bf[j, 15] + bf[j, 16] == 2:
                bf[j, 15] = np.random.randint(0, 2, 1)
                bf[j, 16] = np.random.randint(0, 2, 1)
        return bf
    
     #############免疫算法开始############
    NP=100                          #免疫个体数目
    G=200                          #最大免疫代数
    
    #########初始化群体
    f=np.random.randint(0,2,(NP,state_num)) #在[0,2）之前随机取整数，取state_num(19)个 f.shape=(100, 19)
    for j in range(NP):
        while f[j, 2] + f[j, 3] == 2:
            f[j, 2] = np.random.randint(0, 2, 1)
            f[j, 3] = np.random.randint(0, 2, 1)
            # 【60,85,300】,序号[5,6,7]不能共存
        while f[j, 5] + f[j, 6] + f[j, 7] == 2 or f[j, 5] + f[j, 6] + f[j, 7] == 3:
            f[j, 5] = np.random.randint(0, 2, 1)
            f[j, 6] = np.random.randint(0, 2, 1)
            f[j, 7] = np.random.randint(0, 2, 1)
    
            # 【50,100】 序号[13,14]不能共存
        while f[j, 13] + f[j, 14] == 2:
            f[j, 13] = np.random.randint(0, 2, 1)
            f[j, 14] = np.random.randint(0, 2, 1)
            # 【25,90】序号[15,16]不能共存
        while f[j, 15] + f[j, 16] == 2:
            f[j, 15] = np.random.randint(0, 2, 1)
            f[j, 16] = np.random.randint(0, 2, 1)
    
    
    len=np.zeros((NP,1))                  #存储calc_f(X)结果
    
    for i in range(NP):#遍历每一个个体
        len[i]=calc_f(xi=f[i]) #计算初始群体每个个体的路程长度
    ###激励度按升序排序
    Index=np.argsort(len,axis=0)
    Index=Index[:,0]
    Sortf=f[Index] # #排序后的初始群体 shape=(100, 18)
    
    
    ##############免疫循环############
    trace=[] #记录迭代激励度最优值
    for gen in tqdm(range(G)):#遍历每一次迭代
        af = variation(Sortf)  # 选择一半个体 进行克隆、变异、变异抑制 shape=(100, 18)
        aflen=np.zeros((af.shape[0],1))                  #存储af群体路径长度 shape=(100, 1)
        for j in range(af.shape[0]):#遍历af中的每一个个体
            aflen[j] = calc_f(xi=af[j]) # 计算af群体每个个体的路程长度(亲和度）
        bf = refresh()  # 创建一半新生种群#bf.shape=(100, 18)
        bflen = np.zeros((bf.shape[0], 1))  # 存储bf群体路径长度 shape=(100, 1)
        for j in range(bf.shape[0]):  # 遍历bf中的每一个个体
            bflen[j] = calc_f(xi=bf[j])  # 计算bf群体每个个体的路程长度(亲和度）
    
        # ##########种群刷新：免疫种群与新生种群合并##
        f1 = np.concatenate((af, bf), axis=0)  # 合并的种群 f1.shape=(50, 18) f1为子代
        f1len = np.concatenate((aflen, bflen), axis=0)  # 合并种群激励度值 shape=(200, 1)
    
        Index = np.argsort(f1len, axis=0)
        Index = Index[:, 0]
        Sortf = f1[Index]  # shape(50, 18)
        trace.append(calc_f(xi=f1[0]))  # 记录最优个体的激励度值
    
    ############输出优化结果
    Bestf=Sortf[0,:]                #最优变量
    print('最优变量',Bestf)
    print('误差',trace[-1] )       #最优值
    print('最优值',np.array(Bestf)*P_state)
    plt.plot(trace)
    plt.title('迭代曲线')
    plt.xlabel('迭代次数')
    plt.ylabel('abs(sum(xi*Pi)-Pload)')
    plt.show()

结果图

![20210519092701309.png_pic_center][] ![20210519092827327.png_pic_center][]

![在这里插入图片描述][20210519093052146.jpg_pic_center]  
作者：电气-余登武  
![20210519093124829.jpg_pic_center][]

[Link 1]: https://blog.csdn.net/KOBEYU652453/article/details/116563580
[Link 2]: https://blog.csdn.net/KOBEYU652453/article/details/116694555
[20210519092931472.png_pic_center]: /images/20221020/3d7161432d3846c5b820b86d94b97fb7.png
[20210519092701309.png_pic_center]: https://img-blog.csdnimg.cn/20210519092701309.png#pic_center
[20210519092827327.png_pic_center]: /images/20221020/b15b08cddda2485f866631c3a59efeb9.png
[20210519093052146.jpg_pic_center]: /images/20221020/8d9cc66578d24e2286d5505a21b9d348.png
[20210519093124829.jpg_pic_center]: /images/20221020/8d045aeb5228418b85f58d90a3019589.png