基于python的群体智能优化算法智能算法库源码(高分课设).zip

import numpy as np import matplotlib.pyplot as plt import random as rd """ 禁忌搜索算法步骤： （1）初始化参数： 产生初始解s，并将禁忌表置为空 （2）根据邻域动作产生邻域解N(s)，根据适应度值选出候选解。 （3）判断候选解是否满足特赦准则， （3.1）：如果满足，就将满足特赦准则的解作为当前解，用其对应的对象替换最早进入禁忌表中的对象，更新最优解 （3.2）：如果不满足特赦准则，就接着判断候选解是否在禁忌表中： （3.2.1） 有部分在禁忌表中 （3.2.1.1）在候选解中存在比最优方案还好的方案，那就找到候选集中最最优的那个解： # 如果优此时的解于当前最好解，那么就不考虑其是否被禁忌，用这个最好的候选解来更新当前最好 # 如果不优于当前最好解，就从所有候选解中选出不在禁忌状态下的最好解作为新的当前解，然后将对应对象加入禁忌表 （3.2.1.2）在候选解中不存在比最优方案好的方案， 记录不在禁忌表中的候选解，从候选解集合中找到最优的那个解，然后与当前最优解比较，看是否更新当前解与最优解 （3.2.2） 候选解都不在禁忌表中，那么就将非禁忌的最佳候选解作为当前解，用该解对应的对象替换最早进入禁忌表中的对象 （4）满足终止准则，就输出最优解，如果不满足重复（2）（3）步 """ # 自变量约束条件 MIN_VAL = [-5.0, -5.0] MAX_VAL = [5.0, 5.0] # Class definition class TS(): def __init__(self, vcount=2, ccount=20, tabuL=25, iters=200, tabu_objs=10): self.vcount = vcount # 自变量的个数 self.ccount = ccount # 候选解的个数 self.iters = iters # 最大迭代次数 self.tabu_objs = tabu_objs # 禁忌对象 self.tabu_list = [None] * self.tabu_objs # 禁忌表，存放禁忌对象,禁忌表长度10 self.tabu_len = tabuL # 禁忌长度 self.tabu_len_list = np.array([0] * self.tabu_objs) # 禁忌长度列表，对应于禁忌列表。 self.cur_solu = np.array([0.0] * self.vcount) # 当前解 self.best_solu = np.array([0.0] * self.vcount) # 最优解 self.trace = [] # 记录最优解的路径 def valuate(self, x): # 目标/评价函数 value = 5 * np.cos(x[0] * x[1]) + x[0] * x[1] + x[1] ** 3 return value # 更新禁忌表,这一部分是很重要的，对理解代码有着很核心的作用 # 禁忌表有两种操作：添加禁忌元素和删除禁忌元素 def update_Tabu(self, mode, index=None, solu=None): indices = [] # 存储禁忌对象的禁忌期限为0的对象的索引 # 更新禁忌对象的禁忌期限 for i in range(len(self.tabu_len_list)): # 长度为10， if self.tabu_len_list[i] != 0: # 每进行一次禁忌表更新操作，对应的禁忌对象的使用期限就-1，一直到0 self.tabu_len_list[i] -= 1 print("tabu_list", self.tabu_list) print("tabu_len_list", self.tabu_len_list) # 释放紧急对象 if mode == 'release': self.sequence_Tabu(index) # 向禁忌表中添加禁忌对象,添加到禁忌表的 elif mode == 'add': tabuObj = self.valuate(solu) # 禁忌表对象是解的valuate值, if self.tabu_list[0] == None: #print("从后往前插入") self.sequence_Tabu(0) self.tabu_list[len(self.tabu_list) - 1] = tabuObj # print("self.tabu_list[9]", self.tabu_list[9]) self.tabu_len_list[len(self.tabu_list) - 1] = self.tabu_len for i in range(len(self.tabu_len_list)): if self.tabu_len_list[i] == 0: # 如果禁忌对象的使用期限为0 # 就将此禁忌对象的索引加到indices中 indices.append(i) print("禁忌对象的禁忌期限为0的对象的索引:", indices) if len(indices) == 1: # 如果此时indices中只有一个禁忌对象，直接从禁忌表中删除即可 self.sequence_Tabu(indices[0]) elif len(indices) > 1: # 如果此时indices中有多个禁忌对象 # Part 1 maxindex = max(indices) # 找出索引值最大的 print("索引值最大的", maxindex) self.sequence_Tabu(maxindex) # 然后从禁忌表中删除maxindex print("从禁忌表中删除maxindex：", self.tabu_list) # Part 2 for i in indices: # 遍历indices，里面存放的是禁忌期限为0的索引 if i != max(indices): # 如果禁忌对象不等于最大的那个禁忌对象 self.tabu_list[i] = None # 可以直接设置禁忌表中此禁忌对象为None self.tabu_len_list[i] = 0 # 同时将此禁忌对象的禁忌期限设置为0 objs = [] objs1 = [] for obj in self.tabu_list[:maxindex]: if obj != None: objs.append(obj) # objs里存放的是禁忌表中不为None的禁忌对象 for obj in self.tabu_len_list[:maxindex]: if obj != 0: objs1.append(obj) # objs1里面存放的是禁忌表期限表中不为0的禁忌对象的使用期限 if objs != []: # 如果禁忌表中还存在禁忌对象,禁忌对象在禁忌表中往前移动一位 for i in range(len(objs)): self.tabu_list[maxindex - i - 1] = objs[i] self.tabu_len_list[maxindex - i - 1] = objs1[i] for i in range(maxindex - len(objs)): self.tabu_list[i] = None self.tabu_len_list[i] = 0 else: for i in range(maxindex): self.tabu_list[i] = None self.tabu_len_list[i] = 0 print("此时禁忌表的样子：", self.tabu_list) print("此时禁忌表期限表的样子：", self.tabu_len_list) def sequence_Tabu(self, index): # 从禁忌表中释放禁忌对象 if index != len(self.tabu_list) - 1: for i in range(len(self.tabu_list) - 1 - index): self.tabu_list[index + i] = self.tabu_list[index + i + 1] # 使要删除的元素在禁忌表的最后一位 self.tabu_len_list[index + i] = self.tabu_len_list[index + i + 1] self.tabu_list[len(self.tabu_list) - 1] = None # 将禁忌表的最后一位置为None，表示删除 self.tabu_len_list[len(self.tabu_list) - 1] = 0 #print("后移：", self.tabu_list) #print("后移：", self.tabu_len_list) def run(self): #（1）初始化参数：产生初始解s --> cur_solu ，并将禁忌表置为空 for i in range(self.vcount): # 产生初始解 self.cur_solu[i] = rd.uniform(-5, 5) # 设置最优解 self.best_solu[i] = self.cur_solu[i] print("初始解：", self.cur_solu) # 初始解： [1.30533424 0.72105434] # 更新禁忌列表和禁忌对象的使用期限。 self.update_Tabu('add', solu=self.cur_solu) counter = 0 # 记录迭代次数 while counter < self.iters: # 进入迭代循环 counter += 1 # 当完成一次迭代，就将次数加1 # （2）根据邻域动作产生邻域解N(s) --> candi_solu candi_solu = np.zeros((self.ccount, self.vcount)) # 候选解集合：用来存放候选解 # 从当前解的邻域内选出一些候选解，加入候选解集合中 for i in range(self.ccount): for j in