-
Notifications
You must be signed in to change notification settings - Fork 0
/
genetic_algorithm.py
433 lines (322 loc) · 13.8 KB
/
genetic_algorithm.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
from __future__ import division
import numpy as np
from scipy.interpolate import interp1d
import time
# import random
# import runpy
import os
np.random.seed(2)
# from joblib import Parallel, delayed
# import multiprocessing
# num_cores = 4 #multiprocessing.cpu_count()
# print('processadores', num_cores)
import matplotlib.pyplot as plt
plt.rc('text', usetex=True)
from matplotlib.backends.backend_pdf import PdfPages
pp = PdfPages('Resultados.pdf')
# Parametros
VERBOSITY = True
# arq_ref = 'TB_ntcs/Dispersao_ntcH_4cells_DFT_ref'
arq_ref = '10_0/Dispersao_ntc_10_0_QP.out'
#arq_ref = '/home/rafael/Dropbox/Research/Excitons_CNTs/cnt_8_0/pure/GWbse_ptsK_24co_192fi/8-absorption_z/Dispersao_ntc_8_0_DFT.out'
# arq_ref = 'Dispersao.out_teste'
arq_tb = 'Dispersao_cell_ntc_10_0.out'
Max_iteracoes = 5
Min_Passos = 10
Tot_individuos = 20
Nparents = int(np.sqrt(Tot_individuos))
Tot_individuos_novas_ger = Nparents**2
Nparents_surv = int(0.1*Tot_individuos)
Populacao = []
taxa_mut = 0.01 # Taxa de mutacao
var_mut = 0.2
Erros_min = []
Erro_max_parents = []
Erros_mean = []
Erros_mean_parents = []
Best_params = []
# faixa_params = [[0.0, 0.3], [-3.0, -2.2], [-1.0, 0.0], [-1.0, 0.0]] # Parametros grafeno - overlap, hopping 1s viz, hopping 2s viz e hopping 3s viz
# faixa_params = [[0.0, 0.3], [-4.0, -3.0], [-0.6, 0.0], [-0.5, 0.0]] # Paramtros ntc
faixa_params = [[0.14, 0.15], [-4.4, -4.35], [-0.65, -0.63], [-0.1, -0.05]]
faixa_params = [[0.0, 0.4], [-6.5, 0], [-0.9, 0.0], [-0.9, 0.0]]
faixa_params = [[0.0, 0.4], [-6.5, 0]]
#faixa_params = [[0.10, 0.13], [-3.2, -3.17], [-0.6, -0.0], [-0.6, -0.00]] # Parametros ntc
# faixa_params = [[11, 17], [-14, -8]] # CNT-H -> Energia on site da impureza e hopping impureza ao carbono q esta ligado
Npontos_interpolacao = 200
for i in range(len(faixa_params)):
Best_params.append([])
conv_std_over_mean = 1e-3
conv_erro_medio = 10.0
tolerancia = 1e-5
tol_diff_erro_min = 1e-2
arq_log = open('log', 'w')
arq_log.write('Erro p0 p1 p2 ...\n')
def escreve_params(individuo, arq_params):
arq_out = open(arq_params, 'w')
arq_out.write("\n# Especies atomicas\n") # grafeno e nanotubos
arq_out.write("A 6 \n \n")
arq_out.write("# Energias on site\n")
arq_out.write("E0 6 0.0 \n\n")
arq_out.write("# Overlap \n")
arq_out.write("S 6 6 "+str(individuo[0])+" \n\n")
arq_out.write("# Hopping intra \n")
# arq_out.write("t0 6 6 "+str(individuo[1])+" "+str(individuo[2])+" "+str(individuo[3])+"\n\n") # 3 Vizinhos
# arq_out.write("t0 6 6 "+str(individuo[1])+" "+str(individuo[2])+" 0.0 \n\n") # 2 vizinhos
arq_out.write("t0 6 6 "+str(individuo[1])+" 0.0 0.0 \n\n") # 1 vizinho
arq_out.write("# Hopping inter\n")
arq_out.write("t1 6 6 -0.3 0.0 0.0\n")
# arq_out.write("\n# Especies atomicas\n") # Nanotubo com impureza
# arq_out.write("A 1 6 6.1 \n \n")
# arq_out.write("# Energias on site\n")
# arq_out.write("E0 1 "+str(individuo[0])+"\n")
# arq_out.write("E0 6 0.0 \n")
# arq_out.write("E0 6.1 0.0 \n\n")
# # arq_out.write("E0 6.1 "+str(-individuo[0])+"\n")
# arq_out.write("# Overlap \n")
# arq_out.write("S 6 6 0.19093920302507722 \n")
# arq_out.write("S 6 6.1 0.19093920302507722 \n")
# arq_out.write("S 6.1 6 0.19093920302507722 \n")
# arq_out.write("S 6.1 6.1 0.19093920302507722 \n\n")
# arq_out.write("# Hopping intra \n")
# arq_out.write("t0 6 6 -2.5960098670505882 -0.41258481810654984 -0.1630278281457373 \n")
# arq_out.write("t0 6 6.1 -2.5960098670505882 -0.41258481810654984 -0.1630278281457373 \n")
# arq_out.write("t0 6.1 6 -2.5960098670505882 -0.41258481810654984 -0.1630278281457373 \n")
# arq_out.write("t0 6.1 6.1 -2.5960098670505882 -0.41258481810654984 -0.1630278281457373 \n")
#
# arq_out.write("# Hopping inter\n")
# arq_out.write("t1 1 6.1 "+str(individuo[1])+"\n")
# arq_out.write("t1 6.1 1 "+str(individuo[1])+"\n")
arq_out.close()
def ler_dispersoes(arq_disp):
Q, E = [], []
Q_out, E_out = [], []
arq = open(arq_disp)
for line in arq:
linha = line.split()
if len(linha) == 0:
Q.append(np.array([]))
E.append(np.array([]))
elif len(linha) == 2:
Q[-1] = np.append(Q[-1], float(linha[0]))
E[-1] = np.append(E[-1], float(linha[1]))
for banda in range(len(Q)):
Qmax = max(Q[banda])
Q[banda] = Q[banda]/Qmax
interpolacao = interp1d(Q[banda], E[banda], kind='cubic')
Q_out.append(np.linspace(0, 1.0, num=Npontos_interpolacao, endpoint=True))
E_out.append(interpolacao(Q_out[-1]))
return Q_out, E_out
def compara_dispersoes(arq_ind, E_ref):
Q_ind, E_ind = ler_dispersoes(arq_ind)
erro = 0
tot_kpoints = len(E_ind[0])
# for banda in range(len(Q_ind)):
# for k in range(len(Q_ind[banda])):
# erro += (1/tot_kpoints)*(E_ind[banda][k] - E_ref[banda][k])**2
# So olhando pontos Gamma e X
fator = 0.001
for banda in range(len(Q_ind)):
if banda > 0:
if E_ref[banda - 1][0] == 0.0: # Banda de valência que tem energia 0 em gamma
erro += (E_ind[banda][0] - E_ref[banda][0] )**2
erro += fator*(E_ind[banda][-1] - E_ref[banda][-1] )**2
else:
erro += fator*(E_ind[banda][0] - E_ref[banda][0] )**2
erro += fator*(E_ind[banda][-1] - E_ref[banda][-1] )**2
else:
erro += fator*(E_ind[banda][0] - E_ref[banda][0] )**2
erro += fator*(E_ind[banda][-1] - E_ref[banda][-1] )**2
erro = np.sqrt(erro)
return erro
def Crossover(Parents):
Pop_temp = []
# for r in range(Nparents_surv):
#
# Pop_temp.append([])
#
# for param in range(len(faixa_params)):
#
# valor_param = Parents[r][param]
# # Mutacao
# # chance = np.random.uniform(low=0, high=1)
# # if chance <= taxa_mut:
# # # valor_param = np.random.uniform(faixa_params[param][0], faixa_params[param][1])
# # # valor_param += np.random.uniform(low=-1, high=1)*variacao
# # variacao = (faixa_params[param][1]-faixa_params[param][0])*var_mut
# # valor_param = np.random.normal(loc=valor_param, scale=variacao)
# Pop_temp[-1].append(valor_param)
# for r in range(Tot_individuos-Nparents_surv):
#
# Pop_temp.append([])
#
# ind1, ind2 = np.random.randint(low=0, high=Nparents-1), np.random.randint(low=0, high=Nparents-1)
#
# # peso = np.random.uniform(low=0, high=1.0)
# peso = Erros_em_ordem[ind2]/(Erros_em_ordem[ind1]+Erros_em_ordem[ind2])
#
# for param in range(len(faixa_params)):
#
# valor_param = Parents[ind1][param]*peso + Parents[ind2][param]*(1-peso)
#
# # Mutacao
# chance = np.random.uniform(low=0, high=1)
# if chance <= taxa_mut:
# # valor_param = np.random.uniform(faixa_params[param][0], faixa_params[param][1])
# # valor_param += np.random.uniform(low=-1, high=1)*variacao
# variacao = (faixa_params[param][1]-faixa_params[param][0])*var_mut
# valor_param = np.random.normal(loc=valor_param, scale=variacao)
#
# Pop_temp[-1].append(valor_param)
for ind1 in range(Nparents):
for ind2 in range(ind1, Nparents):
Pop_temp.append([])
# ind1, ind2 = np.random.randint(low=0, high=Nparents-1), np.random.randint(low=0, high=Nparents-1)
# peso = np.random.uniform(low=0, high=1.0)
peso = Erros_em_ordem[ind2]/(Erros_em_ordem[ind1]+Erros_em_ordem[ind2])
for param in range(len(faixa_params)):
valor_param = Parents[ind1][param]*peso + Parents[ind2][param]*(1-peso)
# Mutacao
chance = np.random.uniform(low=0, high=1)
if chance <= taxa_mut:
# valor_param = np.random.uniform(faixa_params[param][0], faixa_params[param][1])
# valor_param += np.random.uniform(low=-1, high=1)*variacao
variacao = (faixa_params[param][1]-faixa_params[param][0])*var_mut
valor_param = np.random.normal(loc=valor_param, scale=variacao)
Pop_temp[-1].append(valor_param)
return Pop_temp
def run_tight_binding(Individuo, arq_params):
escreve_params(Individuo, arq_params)
try:
#runpy.run_path('tight_binding_GA.py')
# os.system('python ../tight_binding.py '+arq_params)
os.system('python ../tight_binding.py')
except:
print('Deu ruim')
pass
try:
erro = compara_dispersoes(arq_tb, E_ref)
except:
erro = 200
if erro == 0.0:
erro = 500
return erro
# Construindo populacao inicial
for i in range(Tot_individuos):
Populacao.append([])
for j in range(len(faixa_params)):
vmin, vmax = faixa_params[j][0], faixa_params[j][1]
Populacao[-1].append(np.random.uniform(low=vmin, high=vmax))
# Carregando dispersao de referencia
Q_ref, E_ref = ler_dispersoes(arq_ref)
# Comecando o algoritmo genetico
passo = 0
while passo <= Max_iteracoes:
print('Passo '+str(passo)+' de '+str(Max_iteracoes))
print('Total individuos: '+str(len(Populacao)))
# Calculando dispersao para cada individuo
# Erros = Parallel(n_jobs=num_cores)(delayed(run_tight_binding)(individuo, 'tight_binding_params_'+str(Populacao.index(individuo))) for individuo in Populacao)
Erros = [run_tight_binding(individuo, 'tight_binding_params') for individuo in Populacao]
# Erros = []
# Tot_individuos = len(Populacao)
# for i in range(Tot_individuos):
# Erros.append(run_tight_binding(Populacao[i], 'tight_binding_params_'+str(i)))
# Pegando melhor individuo dessa geracao
ind_min = Erros.index(min(Erros))
best_indiv = Populacao[ind_min]
for param in range(len(Populacao[ind_min])):
Best_params[param].append(Populacao[ind_min][param])
run_tight_binding(best_indiv, 'tight_binding_params') # Gerando melhor dispersao dessa geracao para ser plotada dps
Q_ind, E_ind = ler_dispersoes(arq_tb)
# Comparando com melhor individuo de toda simulacao
if passo == 0:
best_indiv_global = best_indiv
passo_best_ind_global = passo
Erro_best_ind_global = min(Erros)
else:
if Erro_best_ind_global > min(Erros):
best_indiv_global = best_indiv
passo_best_ind_global = passo
Erro_best_ind_global = min(Erros)
# Plotando graficos
plt.figure(1)
plt.plot([passo for i in range(len(Erros))], Erros, 'ro')
# plt.plot([passo], np.mean(Erros), 'kx')
# plt.plot([passo], min(Erros), 'bs')
for j in range(len(faixa_params)):
plt.figure(j+2)
plt.plot([passo for i in range(len(Populacao))], [Populacao[i][j] for i in range(len(Populacao))], 'ro')
plt.plot([passo], [Populacao[ind_min][j]], 'bo')
plt.figure(len(faixa_params) + 2 + passo)
plt.title('Passo '+str(passo), fontsize=18)
for j in range(len(Q_ref)):
plt.plot(Q_ref[j], E_ref[j], 'k-')
plt.plot(Q_ind[j], E_ind[j], 'r--')
plt.plot([0], [0], 'k-', label='Ref')
plt.plot([0], [0], 'r--', label='TB')
plt.legend()
plt.tight_layout()
plt.savefig(pp, format='pdf')
plt.close()
# Escrevendo log
arq_log.write(str(min(Erros))+' ')
for param in Populacao[Erros.index(min(Erros))]:
arq_log.write(str(param)+' ')
arq_log.write('\n')
# Determinando pais da proxima geracao
Parents = []
# print(Erros)
Erros_em_ordem = Erros.copy()
Erros_em_ordem.sort()
# print(Erros)
# print(Erros_em_ordem)
# Parents = [Populacao[Erros.index(Erros_em_ordem[indice])] for indice in range(Nparents)]
for indice in range(Nparents):
# print(Erros[Erros.index(Erros_em_ordem[indice])], Erros_em_ordem[indice], Populacao[Erros.index(Erros_em_ordem[indice])])
Parents.append(Populacao[Erros.index(Erros_em_ordem[indice])])
# Criando proxima geracao
Populacao = Crossover(Parents)
# Pegando dados relacionados aos erros
Erros_min.append(min(Erros))
Erro_max_parents.append(Erros_em_ordem[Nparents-1])
Erros_mean.append(np.mean(Erros))
Erros_mean_parents.append(np.mean(Erros_em_ordem[:Nparents]))
# Criterios convergencia
# if (Erro_max_parents[-1] - Erros_min[-1]) <= tolerancia:
# print('Convergencia alcancada')
# break
if passo > Min_Passos:
if abs(Erros_min[-1]-Erros_min[-2]) <= tol_diff_erro_min:
print('Convergencia do erro min')
break
# Alterando contador
passo += 1
# os.system('rm tight_binding_params_*')
print('Melhores parametros:', best_indiv_global)
print('No passo ', passo_best_ind_global)
plt.figure(1)
plt.plot(np.arange(len(Erros_min)), Erros_min, 'b--', label='Menor erro')
plt.plot(np.arange(len(Erro_max_parents)), Erro_max_parents, 'g--', label ='Maior erro parents')
plt.plot(np.arange(len(Erros_mean)), Erros_mean, 'k--', label='Erro medio')
plt.plot(np.arange(len(Erros_mean_parents)), Erros_mean_parents, 'm--', label='Erro medio - parents')
plt.legend()
plt.xlabel('Step', fontsize=16)
plt.ylabel('Erro', fontsize=16)
# plt.ylim(min(Erros_min), Erros_mean[0]*1.05)
plt.tight_layout()
plt.savefig(pp, format='pdf')
for i in range(len(faixa_params)):
plt.figure(i+2)
plt.ylabel(r'$p_'+str(i+1)+'$', fontsize=16)
plt.xlabel('Step', fontsize=16)
plt.plot(np.arange(len(Best_params[i])), Best_params[i], 'b--')
plt.tight_layout()
plt.savefig(pp, format='pdf')
arq_log.write('Melhor passo '+str(passo_best_ind_global)+'\n')
arq_log.write('Erro ='+str(Erro_best_ind_global)+'\n')
arq_log.write('Parametros: ')
for param in best_indiv_global:
arq_log.write(str(param)+' ')
arq_log.write('\n')
pp.close()
arq_log.close()
plt.show()