当前位置： 首页 > news >正文

巴彦淖尔专业做网站的公司网站建设解决方案

news 2025/7/14 19:07:21
巴彦淖尔专业做网站的公司,网站建设解决方案,浙江网站建设企业名录,wordpress在线版本仅供学习、参考使用 一、遗传算法简介 遗传算法（Genetic Algorithm, GA）是机器学习领域中常见的一类算法，其基本思想可以用下述流程图简要表示： （图参考论文：Optimization of Worker Scheduling at Logi…

仅供学习、参考使用

一、遗传算法简介

遗传算法（Genetic Algorithm, GA）是机器学习领域中常见的一类算法，其基本思想可以用下述流程图简要表示：

（图参考论文：Optimization of Worker Scheduling at Logistics
Depots Using GeneticAlgorithms and Simulated
Annealing）

在这里插入图片描述

一种常见的遗传算法变例是有偏随机密匙遗传算法 (BRKGA: Biased Random Key Genetic Algorithm) ，参考论文：A BIASED RANDOM-KEY GENETIC ALGORITHM WITH VARIABLE MUTANTS TO
SOLVE A VEHICLE ROUTING PROBLEM，算法流程大致如下：
（图参考博客：Pymoo学习 (11)：有偏随机密匙遗传算法 (BRKGA: Biased Random Key Genetic Algorithm) 的使用）

在这里插入图片描述

二、项目源码（待进一步完善）

1、导入相关库

import csv
import random
import numpy as np
import pandas as pd
from datetime import datetime
import matplotlib.pyplot as plt

2、药品统计

# 统计zone_id=2110的药品
def screen_goods_id(tote_data, zone):zone_goods_id_lists = []for i in range(len(tote_data)):zone_id = tote_data['区段ID'][i]goods_id = tote_data['产品编号'][i]if zone_id == zone:zone_goods_id_lists.append(goods_id)zone_goods_id_lists = list(set(zone_goods_id_lists))return zone_goods_id_lists

3、货位统计

# 统计zone_id=2110的货位
def generate_locations():index_id_0 = [2173, 2174, 2175, 2176, 2177, 2178, 2179, 2180, 2181]index_id_1 = [1, 2, 3, 4, 5, 6, 7, 8]index_id_2 = [21, 22, 23, 24, 25, 31, 32, 33, 34, 35, 41, 42, 43, 44, 45]location_id_data = [f"{aa:04d}{bb:02d}{cc:02d}1" for aa in index_id_0 for bb in index_id_1 for cc in index_id_2]return location_id_data

4、缺失货位统计

# 统计zone_id=2110的缺失货位
def del_locations():index_id_0 = [217408, 217507, 217708, 217807, 218008, 218107]index_id_1 = [22, 23, 24, 25, 32, 33, 34, 35, 42, 43, 44, 45]del_loc_data = [f"{aa:06d}{bb:02d}1" for aa in index_id_0 for bb in index_id_1]return del_loc_data

5、生成可使用货位

# 去除缺失货位，生成最终的可使用货位
def screen_location_id():location_id_data = generate_locations()del_loc_data = del_locations()location_id_lists = [loc_id for loc_id in location_id_data if loc_id not in del_loc_data]return location_id_lists

6、个体（单个基因型）生成

# 生成一个个体
def pop_one_combined(list_1, list_2):  # list1的长度不能大于list2goods_ids_copy = list_1[:]location_ids_copy = list_2[:]combined_list = []for _ in range(len(list_1)):element = random.choice(location_ids_copy)location_ids_copy.remove(element)combined_list.append(element)return combined_list

生成测试：大小为6的一维数组，生成50个个体（种群类似）：

list1 = [1, 2, 3, 4, 5, 6]
list2 = [1, 2, 3, 4, 5, 6]# 个体生成测试（批量生成）for i in range(50):print(pop_one_combined(list1, list2))

在这里插入图片描述
7、种群（基因池）生成

# 生成种群
def generate_pop_list(POP_SIZE, zone_goods_id_data, zone_location_id_data):pop_list = []for _ in range(POP_SIZE):pop_individuality = pop_one_combined(zone_goods_id_data, zone_location_id_data)pop_list.append(pop_individuality)return pop_list

生成测试：

# 种群生成测试（样本量50）
print(generate_pop_list(50, list1, list2))

在这里插入图片描述
8、劳累值（特征系数）计算公式

# 拣选劳累值计算公式
def pick_distance_formula(location_id, shelves_num):if location_id[-2] == '4':  # 第4层（最高层）distance = 10 * (int(location_id[0:4]) - 2173) + (shelves_num - 1) * 10 + int(location_id[-3]) + 3else:  # 第1~3层distance = 10 * (int(location_id[0:4]) - 2173) + (shelves_num - 1) * 10 + int(location_id[-3])return distance

9、一组数据的劳累值计算

# 拣选劳累值计算(一组)
def pick_distance_value(location_id):distance = 0shelves_num = int(location_id[4:6])group_1 = [1, 3, 5, 7]group_2 = [2, 4, 6, 8]if shelves_num in group_1:shelves_num = shelves_num // 2 + 1elif shelves_num in group_2:shelves_num = shelves_num // 2distance = pick_distance_formula(location_id, shelves_num)return distance

10、选择优势个体进入下一代

# 选择优胜个体
def select(pop_list, CROSS_RATE, POP_SIZE):index = int(CROSS_RATE * POP_SIZE)  # 一轮筛选后的样本数量return pop_list[0:index]  # 返回前xxx个优胜个体

11、遗传变异机制

# 遗传变异
def mutation(MUTA_RATE, child, zone_goods_id_data, zone_location_id_data):if np.random.rand() < MUTA_RATE:mutation_list = [loc_id for loc_id in zone_location_id_data if loc_id not in child]num = np.random.randint(1, int(len(zone_goods_id_data) * MUTA_RATE))for _ in range(num):index = np.random.randint(0, len(zone_goods_id_data))mutation_list.append(child[index])loc_id = random.choice(mutation_list)child[index] = loc_idreturn child

12、子代中0值的替换

# （子代）0值的替换
def obx_count_run(child, parent):for parent_elemental in parent:if parent_elemental not in child:for i in range(len(child)):if child[i] == 0:child[i] = parent_elementalbreakreturn child

13、基于顺序的交叉方式（Order-Based Crossover, OBX）

# 遗传交叉（交叉算子：基于顺序的交叉（Order-Based Crossover，OBX））
def crossmuta(pop_list, POP_SIZE, MUTA_RATE, zone_goods_id_data, zone_location_id_data):pop_new = []for i in range(len(pop_list)):pop_new.append(pop_list[i][1:])while len(pop_new) < POP_SIZE:parent_1 = random.choice(pop_list)[1:]parent_2 = random.choice(pop_list)[1:]while parent_1 == parent_2:parent_2 = random.choice(pop_list)[1:]child_1 = [0 for _ in range(len(zone_goods_id_data))]child_2 = [0 for _ in range(len(zone_goods_id_data))]for j in range(len(zone_goods_id_data)):genetic_whether = np.random.choice([0, 1])if genetic_whether == 1:child_1[j] = parent_1[j]child_2[j] = parent_2[j]if (child_1 == parent_1) or (child_2 == parent_2):continuechild_1 = obx_count_run(child_1, parent_2)child_1 = mutation(MUTA_RATE, child_1, zone_goods_id_data, zone_location_id_data)child_2 = obx_count_run(child_2, parent_1)child_2 = mutation(MUTA_RATE, child_2, zone_goods_id_data, zone_location_id_data)pop_new.append(child_1)pop_new.append(child_2)return pop_new

14、损失曲线图绘制

# 每轮总拣选劳累值绘制曲线图
def loss_chart(data):y_values = datax_values = list(range(len(y_values)))plt.plot(x_values, y_values)plt.title("zone_2110_pick_distance_loss")plt.xlabel("Iterations")  # 迭代次数plt.ylabel("zone_2110_pick_distance")  # 距离plt.grid()plt.savefig('./JS_zone_2110_pick_distance_loss.png')plt.show()

15、结果合成

# 最终结果合成
def goods_location_data_consolidation(zone_goods_id_data, zone_goods_location_id_data):goods_location_data = []for i in range(len(zone_goods_id_data)):goods_location_data.append([zone_goods_id_data[i], zone_goods_location_id_data[i]])return goods_location_data

主函数及运行：

def main():list1 = [1, 2, 3, 4, 5, 6]list2 = [1, 2, 3, 4, 5, 6]# 个体生成测试（批量生成）for i in range(50):print(pop_one_combined(list1, list2))# 种群生成测试（样本量50）print(generate_pop_list(50, list1, list2))print("Genetic algorithm run start")print(f"start_time --> {datetime.now()}")zone_2110_pick_distance = []tote_goods_data_2403 = pd.read_csv('./tote_goods_data_2024_03.csv')  # 读取数据集POP_SIZE = 20  # 种群大小CROSS_RATE = 0.9  # 交叉率MUTA_RATE = 0.05  # 变异率Iterations = 10  # 迭代次数zone_2110_goods_id_lists = screen_goods_id(tote_goods_data_2403, 2110)zone_2110_location_id_lists = screen_location_id()POP = generate_pop_list(POP_SIZE, zone_2110_goods_id_lists, zone_2110_location_id_lists)for i in range(Iterations):POP = getfitness(POP, 2110, tote_goods_data_2403, zone_2110_goods_id_lists)POP = select(POP, CROSS_RATE, POP_SIZE)zone_2110_pick_distance.append(POP[0][0])POP = crossmuta(POP, POP_SIZE, MUTA_RATE, zone_2110_goods_id_lists, zone_2110_location_id_lists)loss_chart(zone_2110_pick_distance)Updated_goods_location_data = goods_location_data_consolidation(zone_2110_goods_id_lists, POP[0])with open('./zone_2110_goods_location_data.csv', 'w', newline='') as csvfile:writer = csv.writer(csvfile)writer.writerow(['goods_id', 'location_id'])for row in Updated_goods_location_data:writer.writerow(row)print(f"end_time --> {datetime.now()}")print("Genetic algorithm run end")if __name__ == "__main__":main()

三、算法测试

1、pop_size=20, iterations=10
cross_rate=0.5, muta_rate=0.05：
在这里插入图片描述
交叉率不变，增加变异率到0.1：

在这里插入图片描述

交叉率不变，增加变异率到0.2：

在这里插入图片描述

变异率不变，增加交叉率到0.9：

在这里插入图片描述

2、在另一个数据集上进行测试

采用初始参数设定：
在这里插入图片描述

交叉率提高至0.9：
在这里插入图片描述

四、算法优化

GA（遗传）算法优化可行性分析

一、优化算法核心步骤参数

GA（Genetic Algorithm，遗传算法）的主要流程可以用下图进行简要描述：

在初始化阶段，需要确定imax（最大迭代次数）的值用于主循环的迭代。除这个值外，在算法的“交叉”步骤中，需要确定交叉方法（常用的交叉方法包括单点交叉、两点交叉、多点交叉、部分匹配交叉、均匀交叉、顺序交叉、基于位置的交叉、基于顺序的交叉、循环交叉、子路径交换交叉等），并指定参数cross_rate（交叉率）的值；在“变异”步骤中，需要指定参数muta_rate（变异率）的值；在“适应度计算”步骤中，需要自定义适应度（fitness）计算公式。故而可以进行优化的参数包括：
（1）最大迭代次数；
（2）交叉方法；（待验证）
（3）交叉率；
（4）变异率；（结论：提高变异率可以显著提高损失函数的收敛速度）
（5）适应度计算公式（涉及到按比例缩放的问题）。可能的策略：使用二次或者高次函数？如何提高损失函数的收敛速度？

二、采用GA的常见变式

上述流程图为GA的最基本的形式（基础GA），常见的优化变式包括：
（1）GA+SA——遗传算法结合模拟退火（Simulated Annealing）算法；
见论文：《Optimization of Worker Scheduling at Logistics
Depots Using Genetic Algorithms and Simulated
Annealing》
（2）AQDE（Adaptive Quantum Differential Evolution）算法（适应性量子差分进化算法）；
见论文：《Z. Sun, Z. Tian, X. Xie, Z. Sun, X. Zhang, and G. Gong, “An metacognitive based logistics human resource modeling and optimal
scheduling,”》
（3）BRKGA（Biased Random-Key Genetic Algorithm）算法（有偏随机密钥遗传算法）；
见论文：《A Biased Random-Key Genetic Algorithm With Variable Mutants To Solve a Vehicle Routing Problem》

三、结合深度学习或者强化学习

todo

四、其他可行方法

其他可行方法主要包括：
（1）向量化（vectorization）；
（2）多线程（multithreading）；
（3）并行计算（multiprocessing）；
（4）带缓存的多级计算（cached computation）。

并行计算方面，可以使用Python中的joblib库：

http://www.15wanjia.com/news/32462.html

相关文章：

  • 静态网站素材seo资料站
  • 找别人做网站要注意什么软件百度招聘官网首页
  • 手机网站在线制作爱站关键词挖掘
  • 电子商务网站推广论文促销式软文案例
  • 如何做网站轮播大图网络运营与推广
  • 做网站学费多少钱重庆seo网络推广平台
  • b2b网站有什么邵阳做网站的公司
  • 做一个产品网站要多少钱百度推广优化怎么做
  • 外贸网站 源码google ads
  • 辽宁朝阳哪家做网站好怎么做网页设计的页面
  • 动态网站制作好了在哪里看小程序排名优化
  • 苏州建设教育协会网站关于搜索引擎的搜索技巧
  • 网站建设制度找个网站
  • 网站备案拍照要求关键词分为哪三类
  • 网址查询信息查询seo推广思路
  • 网站建设 中企动力公司汕头seo不错
  • 做一b2c网站多少钱网络教学平台
  • 比较大的做网站的公司有哪些百度指数属于行业趋势及人群
  • 免费软件下载网站app弹窗广告最多的网站
  • 做篮球视频网站娄底seo
  • 做网站必须要有的素材电商培训视频教程
  • 网站建设文化事业建设费推广普通话手抄报内容资料
  • 平面设计绘图软件关键词优化报价怎么样
  • 网站开发快递惠州seo关键词
  • 用dreamware做的教学网站360网站推广官网
  • 如何做网站的关键词网站首页制作
  • canvas设计网站做推广公司
  • 网页跳转到其他网站网站推广的方式有哪些
  • 能看建设动漫黄图的网站四年级说新闻2023
  • 企业网站建设 制作618网络营销策划方案