运算/abs 绝对值

# param：数字 列表 向量 矩阵
np.abs(fitness_list[-1])

运算/linalg.norm 范数

# np.linalg.norm 求范数，默认一范数=欧式距离；linalg=line algebra线性代数
np.linalg.norm(city_coors[i] - city_coors[j])

运算/exp e的次方

# param：数字，列表，向量，矩阵；自然数e(2.718281828459045)的多少次方
np.exp(x)

运算/sqrt 开平方

# param：数字，列表，向量，矩阵；开平方
np.sqrt(x)

运算/power 次方

# 2的f_gen次方；param1的parm2次方；param1：矩阵
np.power(2, f_gen)

运算/sum 求和

# **代表元素平方
np.sum(x ** 2)

运算/dot 矩阵乘法

# w.shape(10,30) al.shape(30,1) b.shape(10,1)
np.dot(w, al) + b

运算/* 元素乘法

# 矩阵对应元素相乘；m.shape(3,2) n.shape(3,2)
m*n

初始化/创建

## shape=(3,)
e=np.array([1,2,3])
# shape=(3,1)
e=np.array([[1,2,3]])

创建/diag 对角阵

# 对角线上元素非0，非对角线上元素为0；
np.diag([float("inf")] * self.num_city)

创建/zeros 全0

# 向量 shape=(3,)
np.zeros(dim)
# 向量 shape=(1,3)
np.zeros((1, dim))
# 矩阵全0；param1：数组个数，向量个数；param2：数组元素个数，向量维数
np.zeros((num, dim))

创建/ones 全1

# param矩阵shape
np.ones((self.num_city, self.num_city))

创建/uniform 统一分布

# 默认[0.0,1.0)之间的均匀分布，param3：数量
np.random.uniform(0, 1, self.grey_wolf_num) * (self.ub[i] - self.lb[i]) + self.lb[i]
# param1：下界，param2：上界；param3：向量
np.random.uniform(self.x_min, self.x_max, (self.NP, self.D))
# param1：下界，param2：上界；param3：矩阵
np.random.uniform(self.x_min, self.x_max, (self.NP, self.D))

创建/permutaion 排列

# 随机选择数组中的1个排列；range(self.num_city)列表；[:NP]:list切片,因为NP<=num_city
np.random.permutation(range(self.num_city))[:self.NP]

操作/clip 限制范围

# param1：矩阵或向量，param2：下界，param3：上界
# 限制数组元素在[-100,100]，大于100使它等于100，小于-100使它等于-100
np.clip(self.positions[i, j], self.lb[j], self.ub[j])

操作/random 随机数

# [0.0,1.0)的浮点数
np.random.random()
# shape=(50,2)；元素值范围[0.0,1.0)的浮点数；元素*1500
np.random.random((num_city, 2)) * 1500

操作/rand 随机数

# [0.0,1.0)的浮点数
np.random.rand()

操作/randint

# [0, self.NP), 1取一个值
np.random.randint(0, self.NP, 1)

操作/min 取最小值

# param：list，向量，矩阵
min_v=np.min(self.fitnesss)

操作/argmin 最小值下标

# param：list，向量，矩阵
min_idx=np.argmin(self.fitnesss)

操作/切片 行列

a = np.array([[1,2,3],[3,4,5],[4,5,6]])  
print (a[...,1])   # 第2列元素
print (a[1,...])   # 第2行元素
print (a[...,1:])  # 第2列及剩下的所有元素