我正在尝试在大型图表上查找似乎是复杂且耗时的多目标优化。
这是问题所在：我想找到一个n顶点（n恒定为100）和m边（m可以改变）的图形，其中一组度量已优化：
我最好的猜测是选择GA。我对遗传算法不是很熟悉，但是我可以花一些时间来学习基础知识。从到目前为止的内容来看，我需要这样：
如果是，那么完美。如果不：
现在，我通常使用Python进行小实验。DEAP（https://code.google.com/p/deap/）可以帮助我解决这个问题吗？如果是这样，我还有更多问题（尤其是在交叉和变异步骤上），但总之：这些步骤（在Python中，使用DEAP）是否足够容易在这里解释或总结？
如果需要，我可以尝试详细说明。干杯。
免责声明：我是DEAP首席开发人员之一。
您的个人可以用二进制字符串表示。每一位将指示两个顶点之间是否存在边。因此，您的个人将由n *（n-1）/ 2位组成，其中n是顶点数。要评估您的个体，您只需要根据个体基因型构建一个邻接矩阵。有关评估功能示例，请参见以下要点https://gist.github.com/cmd-ntrf/7816665。
您的适应度将由4个目标组成，根据您所说的关于最小化和最大化每个目标的内容，适应度类将这样创建：
creator.create("Fitness", base.Fitness, weights=(1.0, -1.0, 1.0, -1.0)
交叉和变异运算符可以与OneMax示例中的相同。http://deap.gel.ulaval.ca/doc/default/examples/ga_onemax_short.html
但是，由于要执行多目标操作，因此需要一个多目标选择运算符，即NSGA2或SPEA2。最后，该算法必须是mu + lambda。有关多目标选择和mu + lambda算法的用法，请参见GA背包示例。http://deap.gel.ulaval.ca/doc/default/examples/ga_knapsack.html
因此，从本质上讲，要启动并运行，您只需在使用建议的评估功能时将onemax示例的一部分与背包合并即可。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句