-
Notifications
You must be signed in to change notification settings - Fork 0
/
AGFinalFixForAll.py
254 lines (221 loc) · 8.85 KB
/
AGFinalFixForAll.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
# -*- coding: UTF-8 -*
"""
Universidade Federal de Mato-Grosso - Centro Universitário do Araguaia
Trabalho de Inteligência Artificial - Algoritmo Genético
Objetivo: Encontrar o Min e Max Global de Funções
Aluno: Vitor Rezende Campos
"""
import random
import math
print "Algoritmo Genético para encontrar Min Max Global de uma Função "
print "###############################################################"
print "Exercício 1:"
print "Determinar o MÁXIMO global da função: f(x) = x.sen.(10.pi.x)+1"
print "-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-"
print "@@@@ PARÂMETROS PADRÕES"
print "População Inicial --> 10"
print "Máximo de Gerações --> 30"
print "Taxa de Crossover --> 60%"
print "Taxa de Mutação --> 5%"
print "###############################################################"
print "Exercício 2:"
print "Determinar o MÍNIMO global da função: f(x) = x2 - 3x + 4"
print "-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-=-"
print "@@@@ PARÂMETROS PADRÕES"
print "População Inicial --> 4"
print "Máximo de Gerações --> 5"
print "Taxa de Crossover --> 60%"
print "Taxa de Mutação --> 1%"
print "###############################################################"
FLAG = int(raw_input ('Escolha o exercício a ser resolvido: '))
MAXIMIZE, MINIMIZE = (0,1)
GENETIC = ''
class Individuo (object):
global FLAG
tamanho = 22 # Tamanho da cadeia que representa o cromossomo
alelos = (0,1) # Valores que cada gene pode assumir
if FLAG == 1:
range = (-1.0, 2.0) # Intervalo dos valores
optimizacao = MAXIMIZE # Tipo de optimização
elif FLAG == 2:
range = (-10.0, 10.0)
optimizacao = MINIMIZE # Tipo de optimização
# Criação de um indivíduo
def __init__ (self, cromossomo = None):
# Aptidão do individuo
self.score = None
# Cromossomo formado pela combinação de genes
self.cromossomo = cromossomo or self._criarCromossomo()
# Cria um novo cromossomo
def _criarCromossomo (self):
return [random.choice (self.alelos) for gene in xrange (self.tamanho)]
# Calcula a aptidao do Individuo
def aptidao (self, otimo = None):
#Decodificação do cromossomo
dec = float ( int (GENETIC.join( map(str, self.cromossomo) ),2)) / float (pow(2,self.tamanho) - 1)
x = self.range[0] + (self.range[1] - self.range[0]) * dec
# Depois de decodificar o valor de x passa para a função
if FLAG == 1:
fx = x * math.sin (10.0 * math.pi * x) + 1.0
elif FLAG == 2:
fx = pow(x,2) - 3*x + 4
self.score = fx
# Cria novos filhos. Crossover de 2 Pontos
def crossover (self, progenitores):
return self._doispontos(progenitores)
# Mutação do cromossomo
def mutacao (self, gene):
self._mutar(gene)
#Inverte o alelo do gene para criar um novo individuo
def _mutar (self, gene):
self.cromossomo[gene] = int (not self.cromossomo[gene])
#Cruzamento atraves de dois pontos de crossover
def _doispontos (self, outro):
esquerda, direita = self._pegarPivo()
def progenitores (p0, p1):
#Cria nova copia de p0
cromossomo = p0.cromossomo[:]
#Crossover
cromossomo [esquerda:direita] = p1.cromossomo[esquerda:direita]
filho = p0.__class__(cromossomo)
filho.reparar (p0,p1)
return filho
return progenitores (self, outro), progenitores (outro, self)
# Define onde vai ser o corte do crossover
def _pegarPivo (self):
esquerda = random.randrange (1, self.tamanho-2)
direita = random.randrange (esquerda, self.tamanho-1)
return esquerda, direita
# Se necessario fixar duplicação
def reparar (self, p0, p1):
pass
# Retorna a representação em forma de texto do objeto
def __repr__ (self):
dec = float ( int (GENETIC.join( map(str, self.cromossomo) ),2)) / float (pow(2,self.tamanho) - 1)
x = self.range[0] + (self.range[1] - self.range[0]) * dec
return '<Cromossomo do Indivíduo = "%s">\n <Função Aptidão = %s> # <Valor de X = %s>' % \
(GENETIC.join(map(str,self.cromossomo)),self.score, x)
# Compara aptidão de cada individuo
def __cmp__ (self, outro):
if self.optimizacao == MINIMIZE:
return cmp (self.score, outro.score)
else:
return cmp (outro.score, self.score)
# Criando replica
def copiar (self):
clone = self.__class__(self.cromossomo[:])
clone.score = self.score
return clone
# Classe do ambiente populacional
class Ambiente (object):
#Inicializa o ambiente com os parametros necessários
#@param populacao: A população inicial de individuos
#@param tamanho: Tamanho da população
#@param maxgeracoes: O Máximo de gerações
#@param taxa_crossover: A Taxa de crossover
#@param taxa_mutacao: A Taxa de mutação
#@param optimizacao: Tipo de optimização
def __init__ (self, populacao = None, tamanho = 10, maxgeracoes = 100, taxa_crossover = 0.60, taxa_mutacao = 0.05, optimizacao = None):
self.tamanho = tamanho
self.optimizacao = optimizacao
self.populacao = populacao or self._criaPopulacao()
for individual in self.populacao:
individual.aptidao (self.optimizacao)
self.taxa_crossover = taxa_crossover
self.taxa_mutacao = taxa_mutacao
self.maxgeracoes = maxgeracoes
self.geracao = 0
self.imprime()
# Cria população inicial
def _criaPopulacao(self):
return [Individuo() for individuo in xrange (self.tamanho)]
def iniciar (self):
while not self._solucao():
self.gera()
# Condições de parada do AG
def _solucao (self):
return (self.geracao > self.maxgeracoes) or (self.melhor.score == self.optimizacao)
def gera (self):
# Ordena os individuos baseado na sua aptidao
self.populacao.sort()
self._crossover()
self.geracao += 1
self.imprime()
def _selecionar (self):
return self._torneio()
# Seleção por torneio
def _torneio (self):
competidores = []
total_score = sum ([math.ceil(self.populacao[i].score) for i in xrange (self.tamanho)])
for indice in xrange(self.tamanho):
temp = [indice] * int((math.ceil(self.populacao[indice].score / total_score) * 100))
competidores.extend (temp)
return self.populacao[random.choice(competidores)]
def _crossover (self):
# Processo de Elitismo
proxima_populacao = [self.melhor.copiar()]
while len (proxima_populacao) < self.tamanho:
progenitor1 = self._selecionar()
if random.random() < self.taxa_crossover:
progenitor2 = self._selecionar()
descendente = progenitor1.crossover(progenitor2)
else:
#Faz uma copia do individuo
descendente = [progenitor1.copiar()]
for individuo in descendente:
self._mutacao (individuo)
individuo.aptidao (self.optimizacao)
proxima_populacao.append (individuo)
self.populacao = proxima_populacao[:self.tamanho]
def _mutacao (self, individuo):
for gene in xrange (individuo.tamanho):
if random.random() < self.taxa_mutacao:
individuo.mutacao(gene)
def melhor():
def fget(self):
return self.populacao[0]
return locals()
melhor = property (**melhor())
def imprime (self):
print "-=-"*20
print "Geração: " , self.geracao
print "Melhor: " , self.melhor
def menu ():
global FLAG
if FLAG == 1:
sel = int (raw_input ('Deseja alterar parâmetros padrões? \nResponda: \n1) Sim \n0) Não\n'))
if sel == 1:
#Pegar aqui os parametros
tam = int(raw_input ('População Inicial: '))
maxgen = int(raw_input ('Número max de gerações: '))
taxcross = float(raw_input ('Taxa de Crossover: (Ex: [0.50 = 50%] e [0.05 = 5%] ): '))
taxmut = float(raw_input ('Taxa de Mutação: (Ex: [0.10 = 10%] e [0.01 = 1%] ): '))
AG = Ambiente (tamanho=tam, maxgeracoes=maxgen-1, taxa_crossover=taxcross, taxa_mutacao=taxmut, optimizacao = 2.85026911722)
AG.iniciar()
elif sel == 0:
AG = Ambiente (tamanho=10, maxgeracoes=29, taxa_crossover=0.60, taxa_mutacao=0.05, optimizacao = 2.85026911722)
AG.iniciar()
else:
print "Opção Inválida!"
elif FLAG == 2:
sel = int (raw_input ('Deseja alterar parâmetros padrões? \nResponda: \n1) Sim \n0) Não\n'))
if sel == 1:
#Pegar aqui os parametros
tam = int(raw_input ('População Inicial: '))
maxgen = int(raw_input ('Número max de gerações: '))
taxcross = float(raw_input ('Taxa de Crossover: (Ex: [0.50 = 50%] e [0.05 = 5%] ): '))
taxmut = float(raw_input ('Taxa de Mutação: (Ex: [0.10 = 10%] e [0.01 = 1%] ): '))
AG = Ambiente (tamanho=tam, maxgeracoes=maxgen-1, taxa_crossover=taxcross, taxa_mutacao=taxmut, optimizacao = 1.75000000000)
AG.iniciar()
elif sel == 0:
AG = Ambiente (tamanho=4, maxgeracoes=4, taxa_crossover=0.60, taxa_mutacao=0.01, optimizacao = 1.75000000000)
AG.iniciar()
else:
print "Opção Inválida!"
else:
print "Opção Inválida!"
"""
FUNÇÃO PRINCIPAL
"""
if __name__ == "__main__":
menu ()