遗传算法求解带约束优化问题的处理办法

针对不满足约束染色体的处理对策

1、 直接标记为非法解，全部删去。相当于在种群中杀死所有的畸形个体。 问题：全部杀死，重新生成个体，直到满足约束，耗费时间很长。

2、 加高额的惩罚值。使得其在进化中快速淘汰。问题：耗时短，但是可能一直到迭代结束也无法找到合法解。

3、 加惩罚值的同时，不使用随机初始化，使用某种有策略的初始化。问题：需要知道问题的规则，并针对规则设计定制化的初始化算法。

例子

随机初始化：

def gen_chrom(num_order, num_seru):
    sequence = np.random.permutation(list(range(1,num_order+1)))
    assign = np.random.choice(range(1,num_seru+1), num_order)
    x = np.concatenate([sequence, assign],axis=0)
    return x

定制化初始化：

def gen_chrom(num_order, num_seru, data_seru):
    sequence = np.random.permutation(list(range(1,num_order+1)))
    process_able_matrix = np.zeros([num_seru,data_seru.shape[1]-1])
    for i in range(num_seru):
        for j in range(data_seru.shape[1]-1):
            if np.isnan(data_seru.iloc[i][j+1][0]):
                pass
            else:
                process_able_matrix[i,j] = j+1
    process_able_list = [[int(value) for value in row if value != 0] for row in process_able_matrix]
    # 找出所有的产品类型
    product_types = set()
    for machine in process_able_list:
        product_types.update(machine)

    # 创建一个包含每个产品类型可以在哪个机器加工的列表
    product_to_machine = {product: [] for product in product_types}
    for machine_index, machine in enumerate(process_able_list):
        for product in machine:
            product_to_machine[product].append(machine_index+1)

    # 按产品类型排序并转换为列表
    result = [product_to_machine[product] for product in sorted(product_to_machine)]
    sequence = np.random.permutation(list(range(1,num_order+1)))
    sequence_type = [data_order.iloc[i-1]['product type'] for i in sequence]
    assign = [np.random.choice(result[sequence_type[i]-1]) for i in range(num_order)]
    x = np.concatenate([sequence, assign],axis=0)
    return x

效果比较

使用对策2的效果

使用对策3的效果