geatpy学习(长期更新)

定义一个问题类，这段代码描述了一个优化问题：

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]  # 初始化目标最小最大化标记列表,1:min;-1:max
        Dim = 2  # 初始化Dim(决策变量维数)
        varTypes = [0] * Dim  # 初始化决策变量类型,0:连续;1:离散
        lb = [0, 0]  # 决策变量下界
        ub = [1, 1]  # 决策变量上界
        lbin = [0, 0]  # 决策变量下边界 control it
        ubin = [1, 1]  # 决策变量上边界
        # 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)

    def aimFunc(self, pop):  # 目标函数,pop为传入的种群对象

        Vars = pop.Phen  # 得到决策变量矩阵
        x1 = Vars[:, [0]]  # 取出第一列得到所有个体的x1组成的列向量
        x2 = Vars[:, [1]]  # 取出第二列得到所有个体的x2组成的列向量
        # 计算目标函数值,赋值给pop种群对象的ObjV属性
        pop.ObjV = 4*x1 + 2*x2 + x3
        # 采用可行性法则处理约束,生成种群个体违反约束程度矩阵
        pop.CV = np.hstack([2*x1 + x2 - 1,  # 第一个约束
                            x1 + 2*x3 - 2,  # 第二个约束
                            np.abs(x1 + x2 + x3 - 1)])  # 第三个约束

其中，
lb = [0, 0] # 决策变量下界
ub = [1, 1] # 决策变量上界
lbin = [0, 0] # 决策变量下边界
ubin = [1, 1] # 决策变量上边界
这里是描述了决策变量的取值范围，lb,ub给出范围，lbin,ubin给出开闭。