guoqiang
/
OrderReallocation-HeavyTrucks-NSGA-2
1
0
Fork 0
Code Issues Pull Requests Packages Projects Releases 1 Wiki Activity

修改了评价指标，新输入案例

This commit is contained in:
Hgq 2025-12-09 16:27:07 +08:00
parent 3e6355be3d
commit abd1544d6b
2 changed files with 28 additions and 29 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

8
data_structures.py
View File

@ -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

49
main.py
View File

@ -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: