从PlatEMO中提取真实PF前沿

演化计算与人工智能

发布于 2022-05-16 15:49:11

1.5K0

发布于 2022-05-16 15:49:11

文章被收录于专栏：人工智能与演化计算成长与进阶人工智能与演化计算成长与进阶

从PlatEMO中提取真实PF前沿

觉得有用的话,欢迎一起讨论相互学习~

众所周知，我是Jmetal的重度爱好者，最近实验遇到一些难以解决的困难，当我在进行超多目标优化实验即MaOP时，需要M=10及以上的PF，然而在benchmark中没有提供，而且Jmetal不支持通过均匀取点的方式生成PF。因此，经过老师的指导，我们选择使用在PlatEMO中运行完相应目标数量的benchmark problem后，将通过均匀踩点得到的真实PF提取出来作为在Jmetal上进行实验的真实PF.

观察platEMO中PF数据结构

首先进入Test模块，选择好自己的算例和目标数量，此处设置目标数量为10，然后使其继续运行，直到完成迭代次数。

选择data-source模式为True PF,此时图中显示的在此目标数量下test problem的真实前沿

此时我们获得了真实前沿，但是还需要其中的散点数据，只有将这些数据保存出来，才能在Jmetal中画出前沿
此时选中-->open in new figure and save to workspace

即会出现这样的小窗口，在主窗口选择打开变量Data{},其中打开的即是对应图形中真实PF的信息。

点开第一个单元格，可以看到数据的保存格式，表示平行坐标图的横轴，是从1-10然后从10-1的不断重复的序列，第二个单元格中存储的是对应的目标函数值

因此为了将其转换成Jemtal可使用的标准PF形式，即每一列表示一个目标，每一行表示一个PF上的点。需要将目前的数据格式做如下的处理，即

将每十列重新分为一行
单数行索引顺序保持不变，双数行索引顺序倒置

准备处理数据

新建一个excel表格保存数据，注意，如果直接将一整行进行保存，可能出现excel中列不够的情况，因此需要先将矩阵在platEMO中转置后变成一列再复制到Excel中。由于目标数是10是固定的，因此只需要对目标对应的函数值进行处理。

嗯，现在再对数据做第一个处理，将数据每十行变成一列使用excel公式=INDEX(A:A,ROW(A1)*10-10+COLUMN(A1))在单元格选中，然后向右拖10行，然后选中行，向下拉满处理好后的数据如图所示：
但是其双数行还是从10-1的目标索引进行排列，为了保持一致，其双数行需要变成从1-10的目标索引进行排列

对双数行进行处理

因为现在双数行的索引模式是倒序的，因此需要将其变为顺序模式，为此，首先将数据复制一遍，成为没有公式的纯数据。

然后将其保存为csv文件格式，方便之后进行处理，excel另存为csv(逗号分割)。
写一个python 脚本对test1.csv文件进行处理。

import csv

# 源文件名
filename = "./test1.csv"
pf_file = "./test1.pf"

singular_line = []  # 单数行
double_line = []  # 双数行

num_obj = 10  # 目标个数，这表示其中列的个数

singular_data = [[] for i in range(num_obj)]  # 单数行保存为一个num_obj列的二维数组
double_data = [[] for i in range(num_obj)]  # 单数行保存为一个num_obj列的二维数组

# 将文件中的信息保存到singular_data和double_data这两个列表中
with open(filename, 'r', encoding='utf-8') as f:
    i = 1
    for line in f.readlines():
        if i % 2 == 0:
            double_line.append(line)
        else:
            singular_line.append(line)
        i = i + 1
f.close()

# 再将两个列表中的数据进行处理，将双数行中的数据换顺序保存
# 单数行直接保存
for Sum in singular_line:

    # print(Sum.split("\n")[0].split(",")[0:])
    sum_eva_index = Sum.split("\n")[0].split(",")[0:]

    for i in range(num_obj):
        # print(sum_eva_index[i])  # test
        singular_data[i].append(float(sum_eva_index[i]))

# 双数行反向后保存
for Sum in double_line:
    sum_eva_index = Sum.split("\n")[0].split(",")[0:]
    for i in range(num_obj):
        # print("i", i)
        double_data[i].append(float(sum_eva_index[num_obj - i - 1]))  # 注意，即使num_obj是目标数量，但是索引是从num_obj-1开始的

# 将数据写入CSV文件中
# 将数据写入csv日志文件中
with open(pf_file, 'w') as f:
    for i in range(len(singular_data[0])):  # 3504
        for j in range(len(singular_data)):  # 10
            # f.write([singular_data[0][i], singular_data[1][i], singular_data[2][i], singular_data[3][i],
            #                   singular_data[4][i], singular_data[5][i], singular_data[6][i], singular_data[7][i],
            #                   singular_data[8][i], singular_data[9][i]])
            f.write(str(singular_data[j][i]))
            # 用制表符做分割
            if j!=(len(singular_data)-1):
                f.write("\t")
        # 换行符
        f.write("\n")
    for i in range(len(double_data[0])):  # 3504
        for j in range(len(double_data)):  # 10
            f.write(str(double_data[j][i]))
            # 用制表符做分割
            if j!=(len(double_data)-1):
                f.write("\t")
        # 换行符
        f.write("\n")
    f.close()

# with open(pf_file, "w", newline='') as f:
#     writer = csv.writer(f)
#
#     # print(len(singular_data))  # 10
#     # print(len(singular_data[0]))  # 3504
#     # 遍历行
#     for i in range(len(singular_data[0])):  # i 取(0,1,2...)
#         writer.writerow([singular_data[0][i], singular_data[1][i], singular_data[2][i], singular_data[3][i],
#                          singular_data[4][i], singular_data[5][i], singular_data[6][i], singular_data[7][i],
#                          singular_data[8][i], singular_data[9][i]])
#
#         # 再写双数行
#     for i in range(len(double_data[0])):  # i 取(0,1,2...)
#         writer.writerow([double_data[0][i], double_data[1][i], double_data[2][i], double_data[3][i],
#                          double_data[4][i], double_data[5][i], double_data[6][i], double_data[7][i],
#                          double_data[8][i], double_data[9][i]])
#
#     f.close()