随机染色体突变在整个人群中是相同的

Posted 2023-02-25

【中文标题】随机染色体突变在整个人群中是相同的

【英文标题】：Random chromosome mutation is the same in the entire population

【发布时间】：2022-01-22 04:38:23

【问题描述】：

在我的通用生产计划问题的遗传算法中，我试图使染色体内的基因发生突变。染色体是问题的时间表（解决方案），基因是时间表中一项任务的分配（子解决方案）。由于这种编码，问题与常规 GA 略有不同。染色体看起来像这样：[[gene],[gene],...]，基因看起来像这样：[job_ID,stage_ID,Order_ID,duration,machine_ID]。因此，它很快就变成了一长串列表。 当问题被编码到染色体中基因列表的列表中时，随机父母（随机染色体）被选择用于机器编号的突变。 在突变函数中，基因组的第五个条目（机器ID）根据可用机器更改为当前生产阶段（基因组的第二个条目）。

问题出现在输出中。在每条染色体中，相同的基因已因我的突变而改变，而预期对于每条染色体来说，这些改变都是随机的。因此，例如，在每个解决方案/时间表（染色体）中，第四、第五和第十六条染色体都发生了突变，而不是不同染色体之间的不同突变。

当我打印基因突变（每个父染色体 1 个 = 4 和 4 个突变。所以总共 16 个）时，随机性似乎是正确的。因此，我怀疑染色体或父母的变量分配存在错误。不幸的是，在 *** 和类似网站上进行了大量试验和搜索后，我没有设法找到解决方案。

提前感谢您！ 抱歉问了这么长的问题。

import random
import numpy as np


def encoding(jobs, stages, machines, P_ilj):

    chromosomes = []
    chromosome = []
    i = 1
    for n in range(n_chromosomes):
        while i < 4:
            for j in jobs:  # Initial solution: Each stage is linked to a machine available in that stage.
                if i == 1:
                    l = 1
                elif i == 2:
                    l = 3
                else:
                    l = 5
                # [job,stage,Order_ID,duration,machine_ID]
                gene = [j, i, np.random.rand(), P_ilj[i][l][j], l]
                chromosome.append(gene)
            i += 1
        chromosomes.append(chromosome)

    return chromosomes


def parent_selection(chromosomes, n_parents):

    parents = []
    # Sample n parents from all chromosomes
    chromosome_id = random.sample(range(len(chromosomes)), n_parents)
    for parent in chromosome_id:
        parents.append(chromosomes[parent])

    return parents


def mutation(parents, n_mutations):  # Returns literally the same changes. Should return random
    # changes. The genes have the same changes for all chromosomes.
    # Random machine assignment
    for c, chromosome in enumerate(parents):
        for gene in random.sample(range(len(chromosome)), n_mutations):
            # If the stage = 1, mutate by choosing a random processing machine.
            if chromosome[gene][1] == 1:
                chromosome[gene][4] = int(
                    np.array(random.sample(proc_machs, 1)).astype(int))
            elif chromosome[gene][1] == 2:
                chromosome[gene][4] = int(
                    np.array(random.sample(buff_machs, 1)).astype(int))
            else:
                chromosome[gene][4] = int(
                    np.array(random.sample(pack_machs, 1)).astype(int))
        parents[c] = chromosome
    # This function malfunctions. I.e. the last loop might overwrite all chromosomes, instead of only the last parent-chromosome.
    return parents


# %% Set creation

G = 10
F = 3
M1 = 2  # 28
M2 = M1
M3 = 1  # 29
T = 60*24*1  # 60*24*7

JOBS = np.arange(1, G+1)
STAGES = np.arange(1, F+1)
MACHS_R = np.arange(1, M1+1)
BUFFERS = np.arange(M1+1, M1+M2+1)
MACHS_P = np.arange(M1+M2+1, M1+M2+M3+1)
MACHS = np.arange(1, M1+M2+M3+1)
TIMES = np.arange(0, T)


# %% Sets in lists

jobs = [j for j in JOBS]
stages = [i for i in STAGES]
machines = [int(l) for l in MACHS]
proc_machs = [int(l) for l in MACHS_R]
buff_machs = [int(l) for l in BUFFERS]
pack_machs = [int(l) for l in MACHS_P]
times = [t for t in TIMES]

# %% Parameters

np.random.seed(42)
random.seed(42)

j_d, j_m_d, P_ilj = , , 
for k in stages:
    for e in machines:
        for y in jobs:
            j_d[y] = round(np.random.rand()*10)
            j_m_d[e] = j_d.copy()
            # Processing time of job j on machine l in stage i.
            P_ilj[k] = j_m_d.copy()


# %% DATA generation


n_parents, n_mutations, n_chromosomes = 4, 4, 8
chromosomes = encoding(jobs, stages, machines, P_ilj)
parents = parent_selection(chromosomes, n_parents)
mutated_children = mutation(parents, n_mutations)

【问题讨论】：

您的代码无法执行，我对其进行了编辑。请确保其格式正确。请检查您是否故意忽略编码中的参数阶段和机器。

这很奇怪。对我来说它做到了！它与我代表它的顺序有什么关系吗？

关于阶段：我现在看到它确实是多余的。谢谢！

【参考方案1】：

在encoding 中，您只进入while 循环一次，chromosomes.append(chromosome) 将相同的染色体附加到染色体上。当您修改其中任何一个时，假设chromosomes[0][0][0] 为 1，然后通过为其分配一个新值来修改它，例如chromosomes[0][0][0] = 2，那么不仅chromosomes[0]，其他所有元素也会发生变化，它们的[0][0]元素也将是2。Python不会复制chromosome，它只是链接到同一个对象。为了避免这种情况，对于make a copy，您必须告诉python 这样做。由于您有一个列表列表，因此您必须创建一个deep copy。

# other imports
import copy

def encoding(jobs, P_ilj):

    chromosomes = []
    chromosome = []
    i = 1
    for n in range(n_chromosomes):
        while i < 4:
            for j in jobs:  # Initial solution: Each stage is linked to a machine available in that stage.
                if i == 1:
                    l = 1
                elif i == 2:
                    l = 3
                else:
                    l = 5
                # [job,stage,Order_ID,duration,machine_ID]
                gene = [j, i, np.random.rand(), P_ilj[i][l][j], l]
                chromosome.append(gene)
            i += 1
        chromosomes.append(copy.deepcopy(chromosome))

    return chromosomes

# other part of the code

【讨论】：

谢谢丹尼尔！这行得通。你真的帮了我大忙。我不知道我是否能够自己解决这个问题。如果可以的话，我会支持你:)

您仍然可以accept it as the answer。

【参考方案2】：

encoding 生成的所有染色体都是相同的，因此尽管parent_selection 选择不同的染色体，但输出始终相同。

基于我不太熟悉的命名约定，您可能想使用这个修改后的编码函数，它会产生不同的染色体：

def encoding_diff(jobs, P_ilj):

    chromosomes = []

    for n in range(n_chromosomes):
        i = 1
        chromosome = []
        while i < 4:
            for j in jobs:  # Initial solution: Each stage is linked to a machine available in that stage.
                if i == 1:
                    l = 1
                elif i == 2:
                    l = 3
                else:
                    l = 5
                # [job,stage,Order_ID,duration,machine_ID]
                gene = [j, i, np.random.rand(), P_ilj[i][l][j], l]
                chromosome.append(gene)
            i += 1
        chromosomes.append(chromosome)

    return chromosomes

【讨论】：

对不起，如果我不清楚。起始溶液/染色体（=初始种群）确实是相同的（除了订单ID（=基因[2]）。但是随机选择的这些染色体（父母）的一束将通过随机突变（变化）改变到机器ID条目。起初，染色体是一样的，但变异后它们应该不再是了。parent_selection函数选择要改变的染色体，变异函数改变它们。但错误是变化不是随机的，但所有父染色体之间都是一样的。感谢您的努力 :)

简而言之：我认为编码和父选择对我来说很好。然而，突变函数为每个父染色体输入返回相同的机器变化/突变。