Python：用遺傳算法求解揹包優化？

Question

目前我正試圖圍繞最好的方式來完成我正在做的事情。我有以下熊貓df。

Player Pos Salary My Proj 
0 James Harden PG/SG 10600 51.94472302 
1 Jose Juan Barea PG/SG 4200 22.20823452 
2 Stephen Curry PG/SG 8700 42.95809374 
3 Eric Gordon  SG  5400 27.45218158 
4 Nikola Vucevic C  7400 37.00103015 
5 Wilson Chandler SF/PF 4900 24.83866589 

每天大概有200名玩家。我需要進行優化以填充20個符合以下約束條件的產品：

低於$ 50,000 使用1個PG，1個SG，1個SF，1個PF，1個C，1個G，1個F和1 UTIL

正如您所看到的，大多數玩家可以在位置欄中的「/」字符所表示的一個陣容中填充多個位置。 G位置可以用PG或SG填充，F位置可以填充SF或PF，UTIL位置可以接受所有位置。

起初我用揹包蠻力方法研究過，這種方法似乎是最簡單的，但有幾萬億個組合，所以如果沒有真正做到我真正想要的東西，這將花費大量的時間。

相反，我決定嘗試使用遺傳學方法，因爲我一直在觀看這個演講視頻，認爲這是一個很好的主意。然而，我不知道如何在一般的1/0揹包方法中設置這個問題，因爲我需要包括很多東西。在一個典型的揹包方法中，你只需要一個重量和一個價值。我的體重和價值是球員的薪水和他們的預測分數。但是我必須在這裏包含玩家的位置，對於一個玩家可能有1種或者有時2種不同的可能性。

希望這是有道理的，我基本上正在尋找一些關於如何開始在Python 3中解決這個任務的見解。非常感謝您提供的任何東西！

Answer 1

這是一個良好的開端：

充分了解遺傳算法的基本原理，很好的例子here。

遺傳算法的美妙之處在於，一旦您定義瞭如何評估健身狀況，其他一切都會自行落實。你可以從完全隨機的項目開始，在接下來的幾代中它將變得有序。如果您以正確的方式處理，陣容和揹包問題非常非常相似。你已經知道有多少物品可以裝上（起步）;現在你只需要選擇適合的，這是其中GA進來的這些步驟

想：。

1. 創建人口（隨機陣容）
2. 檢查人羣的健身，是工資低於最大值等
3. 在分級陣容的同時演變人口
4. 繼續新的一代，直到你滿意爲止。