-
Notifications
You must be signed in to change notification settings - Fork 0
/
GA.py
239 lines (191 loc) · 8.85 KB
/
GA.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
from __future__ import division
import numpy as np
import math
import copy
class GA(object):
def __init__( self, tamanhoPopulacao ):
#caracteristicas de cada elemento
self.genes = []
self.genes.append( { "caracteristicaA": 05, "caracteristicaB": 10 })
self.genes.append( { "caracteristicaA": 15, "caracteristicaB": 30 })
#genes A. Exemplo: diesel
# self.genes.append({ "caracteristicaA": 10, "caracteristicaB": 20, "caracteristicaC": 30, "caracteristicaD": 40, "caracteristicaE": 50 })
#genes B. Ex: biodiesel de mamona
# self.genes.append( { "caracteristicaA": 05, "caracteristicaB": 30, "caracteristicaC": 35, "caracteristicaD": 45, "caracteristicaE": 10 })
#genes C
# self.genes.append( { "caracteristicaA": 15, "caracteristicaB": 10, "caracteristicaC": 20, "caracteristicaD": 10, "caracteristicaE": 20 })
#genes D
# self.genes.append( { "caracteristicaA": 20, "caracteristicaB": 25, "caracteristicaC": 10, "caracteristicaD": 30, "caracteristicaE": 60 })
#genes E
# self.genes.append( { "caracteristicaA": 25, "caracteristicaB": 15, "caracteristicaC": 40, "caracteristicaD": 20, "caracteristicaE": 15 })
self.individuos = []
self.notas = []
self.GeraPrimeiraPopulacao( tamanhoPopulacao )
#Gera populacao inicial randomicamente
#Recebe int tamanhoPopulacao
#Devolve array individuos
def GeraPrimeiraPopulacao( self, tamanhoPopulacao ):
#Para porcentagem
DNATotal = 100
#Alternativa para maior precisao
#DNATotal = 1000
for n in xrange( tamanhoPopulacao ):
self.individuos.append([])
DNAOcupado = 0
for m in xrange(len(self.genes)):
if m==(len(self.genes)-1):
self.individuos[n].append(DNATotal-DNAOcupado)
else:
self.individuos[n].append(np.random.random_integers(0,DNATotal-DNAOcupado))
DNAOcupado = DNAOcupado+self.individuos[n][m]
self.FitnessFunctionPopulation()
#Funcao para calculo de fitness com objetivo de minimizacao das caracteristicas
#Devolve array de notas de cada individuo
def FitnessFunctionPopulation( self ):
novasNotas = []
for individuo in self.individuos:
notaLocal = 0
for gene in xrange( len(self.genes) ):
#notaLocal = notaLocal + individuo[gene]*(self.genes[gene]["caracteristicaA"]+self.genes[gene]["caracteristicaB"]+self.genes[gene]["caracteristicaC"]+self.genes[gene]["caracteristicaD"]+self.genes[gene]["caracteristicaE"])
notaLocal = notaLocal + individuo[gene]*(self.genes[gene]["caracteristicaA"]+self.genes[gene]["caracteristicaB"])
#novasNotas.append( 15000 - notaLocal )
novasNotas.append( notaLocal )
self.notas = novasNotas
#Funcao para calculo de fitness com objetivo de minimizacao das caracteristicas
#Devolve nota do individuo
def FitnessFunctionIndividual( self, individuo ):
notaLocal = 0
for gene in xrange( len(self.genes) ):
notaLocal = notaLocal + individuo[gene]*(self.genes[gene]["caracteristicaA"]+self.genes[gene]["caracteristicaB"])
#notaLocal = notaLocal + individuo[gene]*(self.genes[gene]["caracteristicaA"]+self.genes[gene]["caracteristicaB"]+self.genes[gene]["caracteristicaC"]+self.genes[gene]["caracteristicaD"]+self.genes[gene]["caracteristicaE"])
return 15000 - notaLocal
#Verifica se a soma dos genes do individuo resultam em 100%
def VerificaSomaGenes( self, individuo ):
somaTotal = 0
for n in xrange( len(self.genes) ):
somaTotal = somaTotal + individuo[n]
return somaTotal
#Retorna individuo com maior nota
#Recebe array de individuos da populacao
#Retorna o indice do individuo com maior nota
def BestPerson( self ):
bestPersonIndex = self.notas.index( max(self.notas) )
return bestPersonIndex
def PrintBestPerson( self ):
bestPersonIndex = self.BestPerson()
print "Nota do melhor individuo: " + str(self.notas[bestPersonIndex])
#Seleciona os melhores individuos baseado em probabilidade utilizando a formula de fitness e a reproducao se da por 50% pai e 50% mae
#Recebe arrays de individuos e de notas
#Devolve nova populacao (novos individuos)
def EvolProbabilisticaMeioAMeio( self ):
notaTotal = 0
for nota in self.notas:
notaTotal = notaTotal + nota
novosIndividuos = copy.deepcopy( self.individuos )
for number in xrange( len(self.individuos) ):
#Sorteio do individuo 1
probabilidade = np.random.uniform( 0 , notaTotal )
notaLocal = 0
individuoEscolhido1 = 0
for i in xrange( len(self.notas) ):
if notaLocal <= probabilidade and probabilidade <= (notaLocal + self.notas[i]):
individuoEscolhido1 = i
break
notaLocal = notaLocal + self.notas[i]
#Deixado explicito por simplicidade de leitura
#Sorteio do individuo 2
probabilidade = np.random.uniform( 0 , notaTotal )
notaLocal = 0
individuoEscolhido2 = 0
for i in xrange( len(self.notas) ):
if notaLocal <= probabilidade and probabilidade <= (notaLocal + self.notas[i]):
individuoEscolhido2 = i
break
notaLocal = notaLocal + self.notas[i]
novoIndividuo = copy.deepcopy( self.individuos )
for gene in xrange( len(self.genes) ):
novosIndividuos[number][gene] = ( self.individuos[individuoEscolhido1][gene] + self.individuos[individuoEscolhido2][gene] )/2
self.individuos = novosIndividuos
self.FitnessFunction()
#Seleciona os melhores individuos baseado em probabilidade utilizando a formula de fitness e a reproducao se da por 100-x(gerado randomicamente)% pai e x% mae
#Recebe arrays de individuos e de notas
#Devolve nova populacao (novos individuos)
def EvolProbabilisticaRandomica( self ):
notaTotal = 0
for nota in self.notas:
notaTotal = notaTotal + nota
novosIndividuos = copy.deepcopy( self.individuos )
for number in xrange( len(self.individuos) ):
#Sorteio do individuo 1
probabilidade = np.random.uniform( 0 , notaTotal )
notaLocal = 0
individuoEscolhido1 = 0
for i in xrange( len(self.notas) ):
if notaLocal <= probabilidade and probabilidade <= (notaLocal + self.notas[i]):
individuoEscolhido1 = i
break
notaLocal = notaLocal + self.notas[i]
#Deixado explicito por simplicidade de leitura
#Sorteio do individuo 2
probabilidade = np.random.uniform( 0 , notaTotal )
notaLocal = 0
individuoEscolhido2 = 0
for i in xrange( len(self.notas) ):
if notaLocal <= probabilidade and probabilidade <= (notaLocal + self.notas[i]):
individuoEscolhido2 = i
break
notaLocal = notaLocal + self.notas[i]
novoIndividuo = copy.deepcopy( self.individuos )
influenciaParental = np.random.uniform()
for gene in xrange( len(self.genes) ):
novosIndividuos[number][gene] = self.individuos[individuoEscolhido1][gene]*(influenciaParental) + self.individuos[individuoEscolhido2][gene]*(1-influenciaParental)
self.individuos = novosIndividuos
self.FitnessFunction()
#Seleciona os 2 melhores individuos e a reproducao se da por 100-x(gerado randomicamente)% pai e x% mae
#Recebe arrays de individuos e de notas
#Devolve nova populacao (novos individuos)
def EvolHierarquicaRandomica( self ):
notaTotal = 0
for nota in self.notas:
notaTotal = notaTotal + nota
novosIndividuos = copy.deepcopy( self.individuos )
individuoMaiorNota = self.BestPerson()
segundaMaiorNota = 0
individuoSegundaMaiorNota = 0
for nota in self.notas:
if nota is not self.notas[individuoMaiorNota] and nota > segundaMaiorNota :
segundaMaiorNota = nota
individuoSegundaMaiorNota = self.notas.index( segundaMaiorNota )
for number in xrange( len(self.individuos) ):
influenciaParental = np.random.uniform()
for gene in xrange( len(self.genes) ):
novosIndividuos[number][gene] = self.individuos[individuoMaiorNota][gene]*influenciaParental + self.individuos[individuoSegundaMaiorNota][gene]*(1-influenciaParental)
self.individuos = novosIndividuos
self.FitnessFunctionPopulation()
#Seleciona os 2 melhores individuos e a reproducao se da por 100-x(gerado randomicamente)% pai e x% mae
#Recebe arrays de individuos e de notas
#Devolve nova populacao (novos individuos)
def EvolHierarquicaRandomica2( self ):
notaTotal = 0
for nota in self.notas:
notaTotal = notaTotal + nota
novosIndividuos = copy.copy( self.individuos )
individuoMaiorNota = self.BestPerson()
segundaMaiorNota = 0
individuoSegundaMaiorNota = 0
print self.notas[individuoMaiorNota]
for nota in self.notas:
if nota is not self.notas[individuoMaiorNota] and nota > segundaMaiorNota :
segundaMaiorNota = nota
individuoSegundaMaiorNota = self.notas.index( segundaMaiorNota )
#PRECISA MEXER AQUI
for number in xrange( len(self.individuos) ):
while True is True :
influenciaParental = np.random.random_sample()
for gene in xrange( len(self.genes) ):
novosIndividuos[number][gene] = self.individuos[individuoMaiorNota][gene]*(influenciaParental) + self.individuos[individuoSegundaMaiorNota][gene]*(1-influenciaParental)
if (self.FitnessFunctionIndividual(novosIndividuos[number])>self.notas[individuoMaiorNota]):
print "achou"
break
self.individuos = novosIndividuos
self.FitnessFunctionPopulation()