GeneticSharp 是什么

GeneticSharp 是一個C#的遺傳算法類庫, 遺傳算法Java著名的JMetal, Python也有JMetalPy和PyMoo, C#相對差一截, 稍微有名的是GeneticSharp庫.

GeneticSharp 的弱點:

• 不支持多目標優化
• 沒有實現流行的 NSGA II算法, 缺少擁擠度等計算, 所以解的多樣性要差一些.
• 對于整數型決策變量, 僅僅支持單個變量, 可以通過浮點數變量來代替, 只要將浮點數變量的小數位數設置為0.
• 對于浮點型決策變量, 可支持多個變量

GeneticSharp 默認只支持最大值優化, 如果要支持最小值優化, 決策函數乘-1就可以了.

NSGAII 算法特點:

• 種群大小保持一致：在 NSGA-II 中，父代種群和子代種群的大小是相同的。如果初始種群包含?? 個個體，那么在每一代中，子代的數量也將是 ??。
• 選擇機制：在合并的種群中（父代和子代的組合），算法根據非支配等級和擁擠度距離選擇出 ?? 個個體作為下一代的種群。因此，最終的可行解個數不會超過初始種群的個體數。
• 多目標優化：盡管最終的可行解個數最多為 ??，但 NSGA-II 的目標是找到多個 Pareto 最優解，最終返回的解可能在目標空間中形成一個 Pareto 前沿。

概念

1. 基因 Gene
   一個決策變量就是一個基因.
2. 染色體 Chromosome, 即遺傳算法中的個體, 這些個體將有可能成為一個個可行解.
   染色體由基因組成, 有多少個決策變量, 就由多少個基因組成.
   GeneticSharp 主要的染色體類型有 FloatingPointChromosome 和 IntegerChromosome, 前者對應浮點數決策變量, 后者對應整數型決策變量.
3. Fitness 適應度
   遺傳算法就是按照適應度來確定淘汰哪個個體, GeneticSharp 中適應度取值越大, 代表個體越優秀, 實際編程中, 適應度計算就是等同于目標函數.
4. 約束
   GeneticSharp 沒有專門的約束處理機制, 我們可以通過自定義的 IFitness 接口來間接實現約束, 對于不符合約束條件的情況, 對應的 fitness 取值調到最小, 即這些不符合約束的個體直接被淘汰即可.

使用C#實現一個簡單遺傳算法

http://www.rzrgm.cn/friend/p/17472506.html

示例代碼講解

https://diegogiacomelli.com.br/function-optimization-with-geneticsharp/

using System;
using GeneticSharp;

namespace FunctionOptimizationWithGeneticSharp
{
	class MainClass
	{
		/// <summary>
		/// 定義 Fitness 類
		/// </summary>		
        public class DistinaceFitness : IFitness
        {
            public double Evaluate(IChromosome c)
            {
				var fc = c as FloatingPointChromosome;
				var values = fc.ToFloatingPoints();
				var x1 = values[0];
				var y1 = values[1];
				var x2 = values[2];
				var y2 = values[3];
				
				//假設有一個約束函數 x1+x2+y1+y2>=5
				if (x1+x2+y1+y2<5) {
					//違法約束, 適應度賦值為0 
					return 0.0 ;
				}
				
				return Math.Sqrt(Math.Pow(x2 - x1, 2) + Math.Pow(y2 - y1, 2));
            }
        }
        public static void Main(string[] args)
		{
			float maxWidth = 998f;
			float maxHeight = 680f;
		
		   //定義染色體個數和取值范圍
			var chromosome = new FloatingPointChromosome(
				new double[] { 0, 0, 0, 0 },  //包含4個決策變量, 這里定義每個決策變量的最小值
				new double[] { maxWidth, maxHeight, maxWidth, maxHeight },  //包含4個決策變量, 這里定義每個決策變量的最大值
				new int[] { 10, 10, 10, 10 },  //每個決策變量占用bit數, 一般取值為10或64 
				new int[] { 0, 0, 0, 0 }); //每個決策變量小數部分位數
            
           //定義種群規模, 種群規模最小size為2, 否則無法交配.  
			var population = new Population(50, 100, chromosome);
            
			//定義Fitness 
			var fitness = new DistinaceFitness();
	 
			//定義遺傳算法因子
			var selection = new EliteSelection();
			var crossover = new UniformCrossover(0.5f);
			var mutation = new FlipBitMutation();

            //生成遺傳算法對象
			var ga = new GeneticAlgorithm(
				population,
				fitness,
				selection,
				crossover,
				mutation);

			//定義遞歸終止條件
			var termination = new FitnessStagnationTermination(100);
			ga.Termination = termination;


			Console.WriteLine("Generation: (x1, y1), (x2, y2) = distance");
			var latestFitness = 0.0;
            
			//在算法執行之前, 可以定義每一代運算的回調事件
			ga.GenerationRan += (sender, e) =>
			{
				//通過 ga.BestChromosome 獲取截止當前最好的染色體
				var bestChromosome = ga.BestChromosome as FloatingPointChromosome;
				//通過 ga.BestChromosome.Fitness 獲取截止當前最好的適應度, 即目標函數值				
				var bestFitness = bestChromosome.Fitness.Value;
				//通過 ga.GenerationsNumber 輸出算法已經迭代了多少代

				if (bestFitness != latestFitness)
				{
					latestFitness = bestFitness;
					var phenotype = bestChromosome.ToFloatingPoints();

					Console.WriteLine(
						"Generation {0,2}: ({1},{2}),({3},{4}) = {5}",
						ga.GenerationsNumber,
						phenotype[0],
						phenotype[1],
						phenotype[2],
						phenotype[3],
						bestFitness
					);
				}
			};
            
			//運行遺傳算法 
			ga.Start();

			//輸出最終結果
			var bestChromosome = ga.BestChromosome as FloatingPointChromosome;
			var phenotype = bestChromosome.ToFloatingPoints();
			var bestFitness = bestChromosome.Fitness.Value ;
            Console.WriteLine(
						"Final Generation {0,2}: ({1},{2}),({3},{4}) = {5}",
						ga.GenerationsNumber,
						phenotype[0],
						phenotype[1],
						phenotype[2],
						phenotype[3],
						bestFitness
					);			

			Console.ReadKey();
		}
	}
}