??????之前我們講解了免疫算法以及離散的免疫算法。見鏈接：
萬字長文了解免疫算法原理 及求解復雜約束問題（源碼實現）
離散免疫算法求解旅行商問題(源碼實現)

??????今天講下二進制的免疫算法。
我愛學習，愛玉醬。

算例

?????? 假設一個數PD=210，它可以看成下列中的數，某幾個組合而成來的。
P_state=np.array([1700,2600,180,2200,1400,60,85,290,4100,3000,1590,200,1300,50,100,30,90])，即PD=sum（x_iP_state_i）其中的x_i表示狀態，只能取0或1。
?????? 限制條件：【180,2200】,序號[2,3]不能共存；【60,85,300】,序號[5,6,7]不能共存；【50,100】 序號[13,14]不能共存；【25,90】序號[15,16]不能共存。

算例實現

?????? 如果不懂算法原理，請看之前免疫算法博文。
??????由于二進制編碼不可能出現重復，所以無需計算濃度。

python實現
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#進度條設置 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#以一個負荷為例講解優化算法P_state=np.array([1700,2600,180,2200,1400,60,85,290,4100,3000,1590,200,1300,50,100,30,90])#17個狀態state_num=17 #狀態數 #【180,2200】,序號[2,3]不能共存 #【60,85,300】,序號[5,6,7]不能共存 #【50,100】 序號[13,14]不能共存 #【25,90】序號[15,16]不能共存#總負荷 Pload=446.0 #這個值可以設置的########適應度函數 def calc_f(xi):""":param xi 為個體 即電器的工作狀態，01二二進制，0表示當前狀態關，1表示開:xi 為np.array(數據）:return 返回 np.abs(XiP_state-pload) P_state為電器"額定功率":"""xi=np.array(xi)xi=xi.reshape(state_num,)return np.abs(np.sum(xi*P_state)-Pload)###############免疫算法相關函數############# #免疫操作函數：克隆、變異、變異抑制 def variation(Sortf):""":param Sortf : 排序后的種群:return: 經過克隆、變異、變異抑制后的群體af .af的規模為Sortf的一半"""Ncl = 5 # 克隆個數af = np.zeros((np.int(NP / 2), state_num)) # 存儲變異后的個體for i in range(np.int(NP / 2)): # 遍歷前一半個體# 選激勵度前NP/2個體進行免疫操作a = Sortf[i] # 當前個體 .shape(state_num,)a = a.reshape(-1, state_num) # （-1，維度state_num）Na = np.tile(a, (Ncl, 1)) # 對當前個體進行克隆 Na.shape=(Ncl, state_num)for j in range(Ncl): # 遍歷每一個克隆樣本for k in range(state_num):#遍歷個體的每一個元素#變異if np.random.random()<0.5:#Na[j,k]=1else:Na[j,k]=0# 【180,2200】,序號[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】,序號[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】 序號[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】序號[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)# 保留克隆源個體Na[0, :] = Sortf[i]#####克隆抑制，保留親和度最高的個體NaMSLL = np.zeros((Ncl, 1)) # 存儲變異種群親和度值for j in range(Ncl): # 遍歷每一個克隆樣本NaMSLL[j] = calc_f(xi=Na[j]) # 親和度=距離Index = np.argsort(NaMSLL, axis=0) # 激勵度按升序排序Index = Index[:, 0]NaSortf = Na[Index] # 排序后的種群af[i] = NaSortf[0] # 取最優return af#免疫操作：創建新生種群 def refresh():""":return: 創建一半新生群體 bf"""#########初始化群體bf = np.random.randint(0, 2, (np.int(NP/2), state_num)) # 在[0,2）之前隨機取整數，取state_num(19)個 bf.shape=(50, 19)for j in range(np.int(NP / 2)): # 遍歷每一個個體# 【180,2200】,序號[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】,序號[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】 序號[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】序號[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#############免疫算法開始############ NP=100 #免疫個體數目 G=200 #最大免疫代數#########初始化群體 f=np.random.randint(0,2,(NP,state_num)) #在[0,2）之前隨機取整數，取state_num(19)個 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】,序號[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】 序號[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】序號[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)) #存儲calc_f(X)結果for i in range(NP):#遍歷每一個個體len[i]=calc_f(xi=f[i]) #計算初始群體每個個體的路程長度 ###激勵度按升序排序 Index=np.argsort(len,axis=0) Index=Index[:,0] Sortf=f[Index] # #排序后的初始群體 shape=(100, 18)##############免疫循環############ trace=[] #記錄迭代激勵度最優值 for gen in tqdm(range(G)):#遍歷每一次迭代af = variation(Sortf) # 選擇一半個體 進行克隆、變異、變異抑制 shape=(100, 18)aflen=np.zeros((af.shape[0],1)) #存儲af群體路徑長度 shape=(100, 1)for j in range(af.shape[0]):#遍歷af中的每一個個體aflen[j] = calc_f(xi=af[j]) # 計算af群體每個個體的路程長度(親和度）bf = refresh() # 創建一半新生種群#bf.shape=(100, 18)bflen = np.zeros((bf.shape[0], 1)) # 存儲bf群體路徑長度 shape=(100, 1)for j in range(bf.shape[0]): # 遍歷bf中的每一個個體bflen[j] = calc_f(xi=bf[j]) # 計算bf群體每個個體的路程長度(親和度）# ##########種群刷新：免疫種群與新生種群合并##f1 = np.concatenate((af, bf), axis=0) # 合并的種群 f1.shape=(50, 18) f1為子代f1len = np.concatenate((aflen, bflen), axis=0) # 合并種群激勵度值 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])) # 記錄最優個體的激勵度值############輸出優化結果 Bestf=Sortf[0,:] #最優變量 print('最優變量',Bestf) print('誤差',trace[-1] ) #最優值 print('最優值',np.array(Bestf)*P_state) plt.plot(trace) plt.title('迭代曲線') plt.xlabel('迭代次數') plt.ylabel('abs(sum(xi*Pi)-Pload)') plt.show()

結果圖

作者：電氣-余登武

總結

以上是生活随笔為你收集整理的免疫算法（二进制）算例（源码实现）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。