Witam. Mam do opracowania algorytm optymalnego rozkroju (ang. cutting stock problem) z użyciem jakiejś biblioteki wspomagającej algorytmy genetyczne.
Myślę, że najłatwiej będzie to zrobić w Python'ie z użyciem biblioteki pyevolve, jednak nie orientuję się w algorytmach genetycznych na takim poziomie aby to sklecić. Google też nie sypie łatwymi w zrozumieniu przykładami... Szukałem nawet dla biblioteki GALib (z Javy), albo scipy.

W pyevolve tak wygląda kod najprostszego przykładu użycia biblioteki:

from pyevolve import G1DList
from pyevolve import GSimpleGA
from pyevolve import Selectors
from pyevolve import Statistics
from pyevolve import DBAdapters
import pyevolve

# This function is the evaluation function, we want
# to give high score to more zero'ed chromosomes
def eval_func(chromosome):
   score = 0.0

   # iterate over the chromosome
   # score = len(filter(lambda x: x==0, chromosome.genomeList))
   for value in chromosome:
      if value==0:
         score += 1

   return score

# Enable the pyevolve logging system
pyevolve.logEnable()

# Genome instance, 1D List of 50 elements
genome = G1DList.G1DList(50)

# Sets the range max and min of the 1D List
genome.setParams(rangemin=0, rangemax=10)

# The evaluator function (evaluation function)
genome.evaluator.set(eval_func)

# Genetic Algorithm Instance
ga = GSimpleGA.GSimpleGA(genome)

# Set the Roulette Wheel selector method, the number of generations and
# the termination criteria
ga.selector.set(Selectors.GRouletteWheel)
ga.setGenerations(500)
ga.terminationCriteria.set(GSimpleGA.ConvergenceCriteria)

# Sets the DB Adapter, the resetDB flag will make the Adapter recreate
# the database and erase all data every run, you should use this flag
# just in the first time, after the pyevolve.db was created, you can
# omit it.
sqlite_adapter = DBAdapters.DBSQLite(identify="ex1", resetDB=True)
ga.setDBAdapter(sqlite_adapter)

# Do the evolution, with stats dump
# frequency of 20 generations
ga.evolve(freq_stats=20)

# Best individual
print ga.bestIndividual()

Mam napisać rozwiązanie 1D Cutting Stock Problem za pomocą algorytmów genetycznych. Nie wiem jak powinna być zdefiniowana eval_func dla algorytmu optymalnego rozkroju, a także gdzie podać wszystkie dane ze specyfikacji algorytmu, czyli:

  • długośc elementu bazowego (który jest cięty na kawałki)
  • długości elementów, które chcemy otrzymać (myślę, że je trzeba wprowadzić dodać do listy genome, dobrze myślę?)

Byłbym wdzięczny za wskazówki takie jak np. nazwy metod/funkcji, które byście użyli w innych bibliotekach do algorytmów genetycznych, albo jak może wyglądać eval_func dla algorytmu optymalnego rozkroju.