From abd1544d6bb87e4fa163917314d65bc35c6c019b Mon Sep 17 00:00:00 2001 From: Hgq <2757430053@qq.com> Date: Tue, 9 Dec 2025 16:27:07 +0800 Subject: [PATCH] =?UTF-8?q?=E4=BF=AE=E6=94=B9=E4=BA=86=E8=AF=84=E4=BB=B7?= =?UTF-8?q?=E6=8C=87=E6=A0=87=EF=BC=8C=E6=96=B0=E8=BE=93=E5=85=A5=E6=A1=88?= =?UTF-8?q?=E4=BE=8B?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- data_structures.py | 8 ++++---- main.py | 49 +++++++++++++++++++++++----------------------- 2 files changed, 28 insertions(+), 29 deletions(-) diff --git a/data_structures.py b/data_structures.py index c92ee7b..01cbf01 100644 --- a/data_structures.py +++ b/data_structures.py @@ -83,7 +83,7 @@ class Config: """算法参数配置类：存储NSGA-II的各类参数""" def __init__(self): # 种群参数 - self.pop_size = 200 # 种群大小 + self.pop_size = 300 # 种群大小 self.N1_ratio = 0.2 # 优先成本的种群比例 self.N2_ratio = 0.2 # 优先延期的种群比例 self.N3_ratio = 0.3 # 强制风险企业的种群比例 @@ -91,12 +91,12 @@ class Config: # 遗传操作参数 self.crossover_prob = 0.8 # 交叉概率 self.mutation_prob = 0.3 # 变异概率 - self.max_generations = 500 # 最大进化代数 + self.max_generations = 1000 # 最大进化代数 # 惩罚系数 self.delta = 1.3 # 变更惩罚系数 # 早停参数 - self.early_stop_patience = 20 # 连续多少代无改进则早停 - self.early_stop_threshold = 0.15 # 目标值变化阈值 + self.early_stop_patience = 30 # 连续多少代无改进则早停 + self.early_stop_threshold = 0.1 # 目标值变化阈值 # 目标函数数量 self.objective_num = 2 # 双目标（成本+延期） self.duplicate_threshold = 0.01 # 重复解保留数量 diff --git a/main.py b/main.py index 5a87071..3d0e5d4 100644 --- a/main.py +++ b/main.py @@ -8,9 +8,8 @@ from genetic_operators import GeneticOperator from nsga2 import NSGA2 from visualizer import ResultVisualizer from data_structures import DataStructures -"""主函数：执行NSGA-II算法求解多目标优化问题（整数化版本）""" def main(): - """主函数：执行NSGA-II算法求解多目标优化问题（整数化版本）""" + """主函数：执行NSGA-II算法求解多目标优化问题""" try: # 1. 初始化随机种子（确保结果可复现） random.seed(42) @@ -18,19 +17,19 @@ def main(): # 2. 初始化数据（订单、风险企业、供应商、算法配置） print("初始化数据结构...") order_data = OrderData() # 订单数据（需求、交货期等，整数） - risk_data = RiskEnterpriseData() # 风险企业数据（整数） - supplier_data = SupplierData() # 供应商数据（整数） + risk_data = RiskEnterpriseData() # 风险企业数据 + supplier_data = SupplierData() # 供应商数据 config = Config() # 算法参数配置 # 3. 初始化工具类和算法组件 print("初始化算法组件...") - utils = ChromosomeUtils(order_data, risk_data, supplier_data) # 染色体工具（整数化） - calculator = ObjectiveCalculator(order_data, risk_data, supplier_data, utils, config) # 目标函数计算器（整数化） - encoder = Encoder(config, utils) # 种群初始化编码器（整数化） - genetic_op = GeneticOperator(config, utils) # 遗传操作器（整数化） + utils = ChromosomeUtils(order_data, risk_data, supplier_data) # 染色体工具 + calculator = ObjectiveCalculator(order_data, risk_data, supplier_data, utils, config) # 目标函数计算器 + encoder = Encoder(config, utils) # 种群初始化编码器 + genetic_op = GeneticOperator(config, utils) # 遗传操作器 nsga2 = NSGA2(config.pop_size, config.objective_num) # NSGA-II算法实例 - visualizer = ResultVisualizer(utils) # 结果可视化工具（适配整数化） + visualizer = ResultVisualizer(utils) # 结果可视化工具 # 4. 初始化种群 - print("初始化种群（整数化）...") + print("初始化种群...") population = encoder.initialize_population() print(f"初始化种群完成，（种群大小，染色体长度）: {population.shape if population.size > 0 else '空'}") @@ -39,11 +38,11 @@ def main(): if population.size == 0: print("错误：种群初始化失败，无法继续进化") return - # 5. 记录进化过程中的历史数据（整数化） - all_objectives = [] # 所有代的目标函数值（整数） + # 5. 记录进化过程中的历史数据 + all_objectives = [] # 所有代的目标函数值 convergence_history = [] # 收敛趋势（每代最优前沿的平均目标值，整数） - best_front = [] # 最终帕累托前沿解（整数） - best_front_objs = [] # 最终帕累托前沿的目标值（整数） + best_front = [] # 最终帕累托前沿解 + best_front_objs = [] # 最终帕累托前沿的目标值 no_improve_count = 0 # 无改进计数器（用于早停） prev_avg_cost = None # 上一代的平均成本 prev_avg_tardiness = None # 上一代的平均延期 @@ -52,17 +51,17 @@ def main(): print(f"开始进化（最大代数：{config.max_generations}，早停耐心：{config.early_stop_patience}）...") for generation in range(config.max_generations): try: - # 计算当前种群的目标函数值（整数） + # 计算当前种群的目标函数值 objectives = [calculator.calculate_objectives(chrom) for chrom in population] - all_objectives.extend(objectives) # 记录所有目标值（整数） + all_objectives.extend(objectives) # 记录所有目标值 # 非支配排序，获取当前代的帕累托前沿 ranks, fronts = nsga2.fast_non_dominated_sort(objectives) current_front = fronts[0] if fronts else [] # 第0层为最优前沿 current_front_objs = [objectives[i] for i in current_front] if current_front else [] - best_front = population[current_front] if current_front else [] # 更新当前最优前沿解（整数） - best_front_objs = current_front_objs # 更新当前最优前沿目标值（整数） + best_front = population[current_front] if current_front else [] # 更新当前最优前沿解 + best_front_objs = current_front_objs # 更新当前最优前沿目标值 # 记录收敛趋势（基于最优前沿的平均目标值，整数） # 记录收敛趋势并判断早停条件 if len(current_front_objs) > 0: @@ -105,7 +104,7 @@ def main(): f"选择后的种群大小({len(selected)})与目标大小({config.pop_size})不符" # 交叉操作（两点交叉）- 修复索引越界问题 - offspring = [] # 子代种群（整数） + offspring = [] # 子代种群 selected_len = len(selected) # selected的长度（等于pop_size） i = 0 max_iter = 2 * config.pop_size # 最大迭代次数，避免无限循环 @@ -144,8 +143,8 @@ def main(): ] offspring = np.array(offspring[:config.pop_size]).astype(int) # 确保子代大小和整数类型 # 合并父代和子代，准备环境选择 - combined = np.vstack([population, offspring]).astype(int) # 合并种群（整数） - # 计算合并种群的目标函数值（整数） + combined = np.vstack([population, offspring]).astype(int) # 合并种群 + # 计算合并种群的目标函数值 combined_objs = objectives + [calculator.calculate_objectives(chrom) for chrom in offspring] # 环境选择（保留最优的pop_size个个体） population, objectives = nsga2.environmental_selection(combined, combined_objs) @@ -166,8 +165,8 @@ def main(): except Exception as e: print(f"第{generation}代进化出错：{str(e)}，跳过当前代") continue - # 7. 结果可视化与输出（整数化） - print("进化完成，处理结果（整数化）...") + # 7. 结果可视化与输出 + print("进化完成，处理结果...") if len(best_front_objs) > 0: # 1. 过滤重复解（关键改进：基于目标值去重，确保相同目标值只保留一个解） unique_front = [] @@ -217,8 +216,8 @@ def main(): top_objectives = [] # 保持原有图表绘制逻辑不变 - visualizer.plot_pareto_front(all_objectives, best_front_objs) # 绘制帕累托前沿（整数） - visualizer.plot_convergence(convergence_history) # 绘制收敛趋势（整数） + visualizer.plot_pareto_front(all_objectives, best_front_objs) # 绘制帕累托前沿 + visualizer.plot_convergence(convergence_history) # 绘制收敛趋势 # 打印处理后的最优解详情 if top_population: