Python：用遗传算法解决背包优化问题？

Question

目前，我正在努力思考完成我正在做的事情的最佳方式。我有以下熊猫 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

每天大约有 200 名玩家会这样做。我需要运行一个优化来填充最多 20 个遵循以下约束的选秀阵容：

低于 50,000 美元 使用 1 个 PG、1 个 SG、1 个 SF、1 个 PF、1 个 C、1 个 G、1 个 F 和 1 个 UTIL

如您所见，大多数球员可以在一个阵容中填补多个位置，由位置列中的“/”字符表示。 G位可以填PG或SG，F位可以填SF或PF，UTIL位接受所有位置。

起初我考虑使用背包蛮力方法，这似乎是最简单的，但实际上有数万亿种组合，所以这将花费大量时间而没有真正做我真正想做的事情。

相反，我决定尝试使用遗传学方法，因为我已经观看了许多关于此的讲座视频，并认为这是解决这个问题的好主意。但是，我不知道如何在一般的 1/0 背包方法中解决这个问题，因为我需要包括很多东西。在典型的背包方法中，您只有一个重量和一个值。我的体重和价值观是球员的薪水和他们的预计得分。但是，我还必须在此处包含玩家的位置，对于一名玩家来说，这可能是 1 种或有时 2 种不同的可能性。

希望这是有道理的，我基本上是在寻找有关如何开始在 Python 3 中解决此任务的某种见解。提前感谢您提供的任何东西！

Answer 1

这是一个好的开始：

完全了解遗传算法的基础知识，很好的例子here。

遗传算法的美妙之处在于，一旦您定义了如何评估适应度，其他一切都会自行解决。您可以从完全随机的项目开始，并且在连续几代中它会变得有序。如果你以正确的方式处理，阵容和背包问题非常非常相似。您已经知道可以容纳多少物品（领先）；您现在只需选择哪些，这就是 GA 的用武之地。

想想这些步骤：

1. 创建你的人口（随机阵容）
2. 检查人群的健康状况、职位是否填补、工资是否低于最高限额等
3. 在对阵容进行分级的同时发展人口
4. 继续使用新一代产品，直到您满意为止。