如何在python中使用遗传算法实现聚类过程？

Question

我是python编码的新手。 我有一个关于在python中使用遗传算法进行聚类的问题。

我想不仅基于距离而且基于群集的其他索引来对站进行聚类。我想最大化所有集群的总指数 我有900个自行车站的GPS坐标数据。

我已经创建了[所有电台] x [所有电台]的距离矩阵。单位是[km]。

基本思路 - 绘制随机的群集圈。

如果我想在50个集群中进行集群，那么代码应该生成50个不同的集群圈。圈子 _n 内的工作站，将在群集 _{n 中标记 。示例如下图所示}

生成圈子有一些限制，

1. 簇圆不应重叠。
   - 为了满足这个条件，两个圆心之间的距离应大于半径之和。 （但我不知道如何使用python进行编码）
2. 圆的半径限制大小。 （应该在超参数中找到，但最小值为1 km，最大值为4 km是第一个候选者）
3. 在群集时，将发生无法进入圆群集的工作站。对于这种情况，我们应该根据距离将这些站分配到最近的圆。

在我们成功生成随机不重叠的50个群集圈之后，我想找到可以最大化我自己的索引的圈子的最佳组合。

遗传算法

gene ：{ x1, y1, r1, x2, y2, r2, x3, y3, r3, ... x50, y50, r50 }
[ xn, yn ] 是圆圈的中心， rn 是圆的半径。

群集的中心应该是一个站而不是地图中的一个点。这意味着每个50个聚类中心点应该是一个站点。

rn 在边界内随机生成。

例如，如果我想制作群集1km < rn < 4km，则可以在100 [m]的间隔内随机生成 r 。

因此， r 可以获得{ 1.1km, 1.2km, ... 3.9km, 4km }

中的值

分工点将是：

{ x1, y1, r1,/ x2, y2, r2,/ x3, y3, r3,/ ... / x50, y50, r50 } 

Fitness函数是我自己提到的集群索引。

我已经有了一个计算索引的代码。如果站点由簇号标记，那么我可以使用预先构建的代码进行计算。

标签表格应该像下面的csv文件：



很抱歉很长的解释，谢谢!!!!