# -*- coding: utf-8 -*-
"""MyProblem.py"""
import numpy as np
import geatpy as ea
from sklearn import svm
from sklearn import preprocessing
from sklearn.model_selection import cross_val_score
from multiprocessing.dummy import Pool as ThreadPool
class MyProblem(ea.Problem): # 继承Problem父类def __init__(self):name = 'MyProblem' # 初始化name（函数名称，可以随意设置）M = 1 # 初始化M（目标维数）maxormins = [-1] # 初始化maxormins（目标最小最大化标记列表，1：最小化该目标；-1：最大化该目标）Dim = 2 # 初始化Dim（决策变量维数）varTypes = [0, 0] # 初始化varTypes（决策变量的类型，元素为0表示对应的变量是连续的；1表示是离散的）lb = [2**(-8)] * Dim # 决策变量下界ub = [2**8] * Dim # 决策变量上界lbin = [1] * Dim # 决策变量下边界（0表示不包含该变量的下边界，1表示包含）ubin = [1] * Dim # 决策变量上边界（0表示不包含该变量的上边界，1表示包含）# 调用父类构造方法完成实例化ea.Problem.__init__(self, name, M, maxormins, Dim, varTypes, lb, ub, lbin, ubin)# 目标函数计算中用到的一些数据fp = open('iris_train.data')datas = []data_targets = []for line in fp.readlines():line_data = line.strip('n').split(',')data = []for i in line_data[0:4]:data.append(float(i))datas.append(data)data_targets.append(line_data[4])fp.close()self.data = preprocessing.scale(np.array(datas)) # 训练集的特征数据（归一化）self.dataTarget = np.array(data_targets)def aimFunc(self, pop): # 目标函数，采用多线程加速计算Vars = pop.Phen # 得到决策变量矩阵pop.ObjV = np.zeros((pop.sizes, 1)) # 初始化种群个体目标函数值列向量def subAimFunc(i):C = Vars[i, 0]G = Vars[i, 1]svc = svm.SVC(C=C, kernel='rbf', gamma=G).fit(self.data, self.dataTarget) # 创建分类器对象并用训练集的数据拟合分类器模型scores = cross_val_score(svc, self.data, self.dataTarget, cv=10) # 计算交叉验证的得分pop.ObjV[i] = scores.mean() # 把交叉验证的平均得分作为目标函数值pool = ThreadPool(2) # 设置池的大小pool.map(subAimFunc, list(range(pop.sizes)))def test(self, C, G): # 代入优化后的C、Gamma对测试集进行检验# 读取测试集数据fp = open('iris_test.data')datas = []data_targets = []for line in fp.readlines():line_data = line.strip('n').split(',')data = []for i in line_data[0:4]:data.append(float(i))datas.append(data)data_targets.append(line_data[4])fp.close()data_test = preprocessing.scale(np.array(datas)) # 测试集的特征数据（归一化）dataTarget_test = np.array(data_targets) # 测试集的标签数据svc = svm.SVC(C=C, kernel='rbf', gamma=G).fit(self.data, self.dataTarget) # 创建分类器对象并用训练集的数据拟合分类器模型dataTarget_predict = svc.predict(data_test) # 采用训练好的分类器对象对测试集数据进行预测print("测试集数据分类正确率 = %s%%"%(len(np.where(dataTarget_predict == dataTarget_test)[0]) / len(dataTarget_test) * 100))

# -*- coding: utf-8 -*-
"""main.py"""
import geatpy as ea # import geatpy
from MyProblem import MyProblem # 导入自定义问题接口
if __name__ == '__main__':"""===============================实例化问题对象==========================="""problem = MyProblem() # 生成问题对象"""=================================种群设置==============================="""Encoding = 'RI'       # 编码方式NIND = 20             # 种群规模Field = ea.crtfld(Encoding, problem.varTypes, problem.ranges, problem.borders) # 创建区域描述器population = ea.Population(Encoding, Field, NIND) # 实例化种群对象（此时种群还没被初始化，仅仅是完成种群对象的实例化）"""===============================算法参数设置============================="""myAlgorithm = ea.soea_DE_rand_1_bin_templet(problem, population) # 实例化一个算法模板对象myAlgorithm.MAXGEN = 30 # 最大进化代数myAlgorithm.trappedValue = 1e-6 # “进化停滞”判断阈值myAlgorithm.maxTrappedCount = 10 # 进化停滞计数器最大上限值，如果连续maxTrappedCount代被判定进化陷入停滞，则终止进化myAlgorithm.logTras = 1  # 设置每隔多少代记录日志，若设置成0则表示不记录日志myAlgorithm.verbose = True  # 设置是否打印输出日志信息myAlgorithm.drawing = 1  # 设置绘图方式（0：不绘图；1：绘制结果图；2：绘制目标空间过程动画；3：绘制决策空间过程动画）"""===========================调用算法模板进行种群进化======================="""[BestIndi, population] = myAlgorithm.run()  # 执行算法模板，得到最优个体以及最后一代种群BestIndi.save()  # 把最优个体的信息保存到文件中"""==================================输出结果============================="""print('用时：%f 秒' % myAlgorithm.passTime)print('评价次数：%d 次' % myAlgorithm.evalsNum)if BestIndi.sizes != 0:print('最优的目标函数值为：%s' % BestIndi.ObjV[0][0])print('最优的控制变量值为：')for i in range(BestIndi.Phen.shape[1]):print(BestIndi.Phen[0, i])else:print('没找到可行解。')"""=================================检验结果==============================="""problem.test(C = BestIndi.Phen[0][0], G = BestIndi.Phen[0][1])

# 把这一行替换上面main.py中的soea_DE_rand_1_bin_templet...那一行
myAlgorithm = ea.soea_SGA_templet(problem, population)