使用pymoo的IntegerRandomSampling时遇两问题求助

1. 随机序列重复问题 #

你已明确原因是设置了固定seed=1，解决方法：

• 移除minimize函数中的seed=1参数，每次运行会自动使用随机种子
• 或每次运行传入不同随机种子值，比如seed=np.random.randint(0, 1000)

2. 整数解变为浮点数的问题 #

这是因为你使用的SBX交叉算子和PM变异算子是针对连续浮点变量设计的，运算逻辑会产生浮点数结果——即使初始采样是整数，经过交叉变异后也会被转换成浮点数。

pymoo针对整数离散问题提供了专门的算子，需替换为IntegerSBX和IntegerPM，这两个算子会确保运算结果始终是整数。

修改后的完整代码 #

import numpy as np
from pymoo.core.problem import ElementwiseProblem
from pymoo.algorithms.moo.nsga2 import NSGA2
# 替换为整数版本的交叉和变异算子
from pymoo.operators.crossover.int_sbx import IntegerSBX
from pymoo.operators.mutation.int_pm import IntegerPM
from pymoo.operators.sampling.rnd import IntegerRandomSampling

class stru:
    def __init__(self):
            self.a = 0
class MaskProblem(ElementwiseProblem):
    def __init__(self, data):
        self.xg = data.xg
        self.yg = data.yg
        self.A  = data.A
        self.N = data.N
        # design space
        dsxl = np.zeros((self.N),dtype=int)
        dsxu = np.zeros((self.N), dtype=int)
        for j in range(self.N):
            dsxu[j] = int(len(self.xg)*len(self.yg)-1)
        super().__init__(n_var=self.N,
                         n_obj=self.N-1,
                         n_constr=0,
                         xl=dsxl,
                         xu=dsxu)
    def _evaluate(self, x, out, *args, **kwargs):
        print(x)
        p = np.zeros((self.N,2),dtype=float)
        for k in range(self.N):
            j, i = np.unravel_index(np.abs(self.A - x[k]).argmin(), self.A.shape)
            p[k,0] = self.xg[i]
            p[k,1] = self.yg[j]
        kmid = int(0.5*(self.N-1))
        fobj = np.zeros((self.N-1),dtype=float)
        for k in range(kmid):
            fobj[k] = np.sqrt(np.square(p[k,0]-p[kmid,0])+np.square(p[k,1]-p[kmid,1]))
        for k in range(kmid,self.N):
            fobj[k-kmid] = np.sqrt(np.square(p[k, 0] - p[kmid, 0]) + np.square(p[k, 1] - p[kmid, 1]))
        out["F"] = fobj

data = stru()

xmin = 0.0
xmax = 1.0
NX = 3
data.xg = np.linspace(xmin, xmax, NX)

ymin = 0.0
ymax = 1.0
NY = 5
data.yg = np.linspace(ymin, ymax, NY)

data.A = np.zeros((NY,NX),dtype=int)
for jx in range(NX):
    for jy in range(NY):
        data.A[jy,jx] = jy*NX + jx
print(data.A)

data.N = 3

n_population = 40
n_offsprings = 10
n_gen        = 100
crossover_prob = 0.9
crossover_eta  = 15
mutation       = 20

problem = MaskProblem(data)

algorithm = NSGA2(
    pop_size=n_population,
    n_offsprings=n_offsprings,
    sampling=IntegerRandomSampling(),
    # 使用整数版本的交叉和变异算子
    crossover=IntegerSBX(prob=crossover_prob, eta=crossover_eta),
    mutation=IntegerPM(eta=mutation),
    eliminate_duplicates=True
)

from pymoo.optimize import minimize
res = minimize(problem,algorithm,termination=('n_gen', n_gen),seed=1,save_history=True,verbose=False)

关键修改点 #

• 导入IntegerSBX和IntegerPM替换原有的SBX和PM
• 在算法初始化中使用这两个整数算子

修改后，整个优化过程生成的解都会保持整数类型，不会出现浮点数转换问题。

内容的提问来源于stack exchange，提问作者RSer