-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy path3PipeLineBin_1.py
1264 lines (901 loc) · 38.4 KB
/
3PipeLineBin_1.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
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
from mpi4py import MPI
import sys
import os
import random
import math
import queue
from abc import ABC, abstractmethod
from collections import deque
from typing import List, Tuple
import matplotlib.pyplot as plt
from matplotlib.gridspec import GridSpec
import re
# Solo funciona con 4
# mpiexec -np 4 python 3PipeLine.py
"""
Metodo 3. PipeLine
Master inicializa y evalua.
Worker1 = Seleccion
Worker2 = Cruce
Worker3 = Mutacion
Worker4 = Evaluacion
Cada worker se encarga de una subpoblacion.
El MASTER selecciona la poblacion a cruzar y mutar, y la divide entre a los workers
Los WORKERS ejecutar el algoritmo y cuando termina la ejecucion se la envian al MASTER
para volver a empezar
"""
def GUI(fits):
# Create figure and axes
#fig, axs = plt.subplots(2, 2, figsize=(18, 12), gridspec_kw={'width_ratios': [1, 2]})
n=len(fits)
# Define data for the first plot
x1 = [i for i in range(1, n + 1)]
# Define data for the second plot
# Crear la figura y GridSpec
fig = plt.figure(figsize=(10, 6))
gs = GridSpec(1, 1, figure=fig)
# Grafico 1 (arriba a la izquierda)
ax1 = fig.add_subplot(gs[0, 0])
ax1.plot(x1, fits, color='b', linestyle='-')
ax1.set_xlabel('Generaciones Master')
ax1.set_ylabel('Fitness')
ax1.set_title('2D-Plot"')
ax1.grid(True)
plt.tight_layout() # Ajustar la disposición de los subplots
plt.show() # Mostrar los gráficos
def tamGenes(precision, num_genes, funcion):
ret = []
for i in range(num_genes):
ret.append(tamGen(precision, funcion.xMin[i], funcion.xMax[i]))
return ret
def tamGen(self, precision, min, max):
return math.ceil((math.log10(((max-min)/precision)+1)/math.log10(2)))
# -----------------------------------------------------------------------------------------------
# --- INDIVIDUO ---------------------------------------------------------------------------------
# -----------------------------------------------------------------------------------------------
class Gen:
def __init__(self, l, v):
self.v = []
if v is not None: self.v=[(v[i]) for i in range(len(v))]
else: self.v=[(random.randint(0,1)) for i in range(l)]
class Individuo:
def __init__(self, num, tam_genes, xMax, xMin, ind):
self.genes=[]
self.xMax=[]
self.xMin=[]
if ind is not None:
self.genes=[(Gen(l=None,v=ind.genes[i].v)) for i in range(len(ind.genes))]
self.xMax=ind.xMax
self.xMin=ind.xMin
else:
self.genes = [(Gen(tam_genes[i],v=None)) for i in range(num)]
self.xMax=xMax
self.xMin=xMin
self.fitness=0
self.fenotipo=[]
self.calcular_fenotipo()
def bin2dec(self, gen):
ret=0
cont=1
for i in range(len(gen.v)-1,-1,-1):
if gen.v[i]==1:
ret+=cont
cont*=2
return ret
def calcular_fenotipo(self):
self.fenotipo=[]
for i in range(len(self.genes)):
self.fenotipo.append(self.calcular_fenotipo_cromosoma(i))
def calcular_fenotipo_cromosoma(self, i):
return self.xMin[i]+self.bin2dec(self.genes[i])*((self.xMax[i]-self.xMin[i])/((2**len(self.genes[i].v))-1))
def print_individuo(self):
for c in self.genes:
for a in c.v:
print(a, end=" ")
print()
# -----------------------------------------------------------------------------------------------
# --- FUNCION -----------------------------------------------------------------------------------
# -----------------------------------------------------------------------------------------------
class Funcion(ABC):
xMax=[] # double[]. Valores maximos de los elementos de los individuos
xMin=[] # double[]. Valores minimos
opt=False # booleano. maximizar: True, minimizar: False
@abstractmethod
def fitness(self,nums):
pass
@abstractmethod
def cmp(self,a,b):
pass
@abstractmethod
def cmpBool(self,a,b):
pass
@abstractmethod
def cmpPeor(self,a,b):
pass
@abstractmethod
def cmpPeorBool(self,a,b):
pass
class Funcion1(Funcion):
def __init__(self):
self.opt=True
self.xMax=[10,10]
self.xMin=[-10,-10]
def fitness(self, nums):
return ((nums[0]**2)+2*(nums[1]**2))
def cmp(self, a, b):
if a>b: return a
else: return b
def cmpBool(self, a, b):
if a>b: return True
else: return False
def cmpPeor(self, a, b):
if a<b: return a
else: return b
def cmpPeorBool(self, a, b):
if a<b: return True
else: return False
class Funcion2(Funcion):
def __init__(self):
self.opt=False
self.xMax=[0,0]
self.xMin=[-10,-6.5]
def fitness(self, nums):
#f(x,y)=sen(y)*exp()
return math.sin(nums[1])*math.pow(math.exp(1-math.cos(nums[0])),2) + \
math.cos(nums[0])*math.pow(math.exp(1-math.sin(nums[1])),2) + \
((nums[0]-nums[1])**2)
def cmp(self, a, b):
if a<b: return a
else: return b
def cmpBool(self, a, b):
if a<b: return True
else: return False
def cmpPeor(self, a, b):
if a>b: return a
else: return b
def cmpPeorBool(self, a, b):
if a>b: return True
else: return False
class Funcion3(Funcion):
def __init__(self):
self.opt=False
self.xMax=[10,10]
self.xMin=[-10,-10]
def fitness(self, nums):
exp=abs(1-(math.sqrt(nums[0]**2+nums[1]**2))/math.pi)
ret=math.sin(nums[0])*math.cos(nums[1])*math.exp(exp)
return -abs(ret)
def cmp(self, a, b):
if a<b: return a
else: return b
def cmpBool(self, a, b):
if a<b: return True
else: return False
def cmpPeor(self, a, b):
if a>b: return a
else: return b
def cmpPeorBool(self, a, b):
if a>b: return True
else: return False
class Funcion4(Funcion):
def __init__(self, num_genes):
self.opt=False
self.d=num_genes
self.xMax=[]
self.xMin=[]
for i in range(num_genes):
self.xMax.append(math.pi)
self.xMin.append(0)
def fitness(self, nums):
ret=0.0
for i in range(1,self.d+1):
sin1=math.sin(nums[i-1])
radians=(i*(nums[i-1]**2))/math.pi
comp=math.sin(radians)
ret+=sin1*(comp**20)
return ret*-1
def cmp(self, a, b):
if a<b: return a
else: return b
def cmpBool(self, a, b):
if a<b: return True
else: return False
def cmpPeor(self, a, b):
if a>b: return a
else: return b
def cmpPeorBool(self, a, b):
if a>b: return True
else: return False
# -----------------------------------------------------------------------------------------------
# --- SELECCION ---------------------------------------------------------------------------------
# -----------------------------------------------------------------------------------------------
class Pair():
def __init__(self, key, value):
self.key=key
self.value=value
def get_key(self):
return self.key
def set_key(self, key):
self.key=key
def get_value(self):
return self.value
def set_value(self, value):
self.value=value
def __str__(self):
return "(" + str(self.key) + ", " + str(self.value) + ")"
class Seleccion:
def __init__(self, tam_poblacion, opt):
self.tam_poblacion=tam_poblacion # int
self.opt=opt # Boolean
def busquedaBinaria(self, x, prob_acumulada):
i=0
j=self.tam_poblacion-1
while i<j:
m=(j+i)//2
if x>prob_acumulada[m]: i=m+1
elif x<prob_acumulada[m]: j=m
else: return m
return i
def ruletaBin(self, poblacion, prob_acumulada, tam_seleccionados):
seleccionados=[]
for _ in range(tam_seleccionados):
rand=random.random()
seleccionados.append(Individuo(num=None,tam_genes=None,xMax=None,xMin=None,
ind=poblacion[self.busquedaBinaria(rand, prob_acumulada)]))
return seleccionados
def torneoDeterministicoBin(self, poblacion, k, tam_seleccionados):
seleccionados=[]
indexMax=0
for i in range(tam_seleccionados):
max=float('-inf')
min=float('+inf')
indexMax=-1
indexMin=-1
for j in range(k):
randomIndex=random.randint(0,self.tam_poblacion-1)
randomFitness=poblacion[randomIndex].fitness
if randomFitness>max:
max=randomFitness
indexMax=randomIndex
if randomFitness<min:
min=randomFitness
indexMin=randomIndex
if self.opt==True: ind=indexMax
else: ind=indexMin
seleccionados.append(Individuo(num=None,tam_genes=None,xMax=None,xMin=None,
ind=poblacion[ind]))
return seleccionados
def torneoProbabilisticoBin(self, poblacion, k, p, tam_seleccionados):
seleccionados=[]
indexMax=0
for i in range(tam_seleccionados):
max=float('-inf')
min=float('+inf')
indexMax=-1
indexMin=-1
for j in range(k):
randomIndex=random.randint(0,self.tam_poblacion-1)
randomFitness=poblacion[randomIndex].fitness
if randomFitness>max:
max=randomFitness
indexMax=randomIndex
if randomFitness<min:
min=randomFitness
indexMin=randomIndex
if self.opt==True:
if random.random()<=p: ind=indexMax
else: ind=indexMin
else:
if random.random()<=p: ind=indexMin
else: ind=indexMax
seleccionados.append(Individuo(num=None,tam_genes=None,xMax=None,xMin=None,
ind=poblacion[ind]))
return seleccionados
def estocasticoUniversalBin(self, poblacion, prob_acumulada, tam_seleccionados):
seleccionados=[]
incr=1.0/tam_seleccionados
rand=random.random()*incr
for i in range(tam_seleccionados):
seleccionados.append(Individuo(num=None,tam_genes=None,xMax=None,xMin=None,
ind=poblacion[self.busquedaBinaria(rand, prob_acumulada)]))
rand+=incr
return seleccionados
def truncamientoBin(self, poblacion, prob_seleccion, trunc, tam_seleccionados):
seleccionados=[]
pairs=[]
for i in range(tam_seleccionados):
pairs.append(Pair(poblacion[i], prob_seleccion[i]))
pairs=sorted(pairs, key=lambda x: x.value, reverse=False)
x=0
num=int(1.0/trunc)
n=len(pairs)-1
for i in range(int((tam_seleccionados)*trunc)+1):
j=0
while j<num and x<tam_seleccionados:
seleccionados.append(Individuo(num=None,tam_genes=None,xMax=None,xMin=None,
ind=pairs[n-i].get_key()))
j+=1
x+=1
return seleccionados
def restosBin(self, poblacion, prob_seleccion, prob_acumulada, tam_seleccionados):
seleccionados=[]
x=0
num=0
aux=0.0
for i in range(tam_seleccionados):
aux=prob_seleccion[i]*(tam_seleccionados)
num=int(aux)
for j in range(num):
seleccionados.append(Individuo(num=None,tam_genes=None,xMax=None,xMin=None,
ind=poblacion[i]))
x+=1
resto=[]
func=random.randint(0,4) # Cambiar
# SE SUMA LA PARTE DE elitismo PORQUE SINO SE RESTA 2 VECES,
# EN LA PARTE DE restos() Y LA FUNCION RANDOM
if func==0: resto=self.ruletaBin(poblacion, prob_acumulada, tam_seleccionados-x)
elif func==1: resto=self.torneoDeterministicoBin(poblacion, 3, tam_seleccionados-x)
elif func==2: resto=self.torneoProbabilisticoBin(poblacion, 3, 0.9, tam_seleccionados-x)
elif func==3: resto=self.estocasticoUniversalBin(poblacion, prob_acumulada, tam_seleccionados-x)
elif func==4: resto=self.truncamientoBin(poblacion, prob_acumulada, 0.5, tam_seleccionados-x)
else: resto=self.rankingBin(poblacion, prob_seleccion, 2, tam_seleccionados-x)
for ind in resto:
seleccionados.append(Individuo(num=None,tam_genes=None,xMax=None,xMin=None,
ind=ind))
return seleccionados
def rankingBin(self, poblacion, prob_seleccion, beta, tam_seleccionados):
seleccionados=[]
pairs=[]
for i in range(tam_seleccionados):
pairs.append(Pair(poblacion[i], prob_seleccion[i]))
pairs.sort(key=lambda p: p.value, reverse=True)
val=0.0
acum=0.0
prob_acumulada=[] # tam_selec
for i in range(1,tam_seleccionados+1):
val=(beta-(2*(beta-1)*((i-1)/(tam_seleccionados-1.0))))/tam_seleccionados
acum+=val
prob_acumulada.append(acum)
rand=0.0
for i in range(tam_seleccionados):
rand = random.random()
seleccionados.append(Individuo(num=None,tam_genes=None,xMax=None,xMin=None,
ind=pairs[self.busquedaBinaria(rand, prob_acumulada)].get_key()))
return seleccionados
# -----------------------------------------------------------------------------------------------
# --- CRUCE -------------------------------------------------------------------------------------
# -----------------------------------------------------------------------------------------------
class Cruce:
def __init__(self, p, tam_elite):
self.p=p # int
self.tam_elite=tam_elite
def cruce_monopuntoBin(self, selec):
n=len(selec)
ret=[(None) for _ in range(n)]
if n%2==1:
ret[n-1]=Individuo(num=None,tam_genes=None,xMax=None,xMin=None,ind=selec[n-1])
n-=1
long_genes=[len(selec[0].genes[i].v) for i in range(len(selec[0].genes))]
corte_maximo=-1
for l in long_genes:
corte_maximo+=l
i=0
ind1=[]
ind2=[]
while i<n:
ind1=Individuo(num=None,tam_genes=None,xMax=None,xMin=None,ind=selec[i])
ind2=Individuo(num=None,tam_genes=None,xMax=None,xMin=None,ind=selec[i+1])
rand=random.random()
if rand<self.p:
corte=random.randint(1,corte_maximo)
cont=0
j=0
for k in range(corte):
tmp=ind1.genes[cont].v[j]
ind1.genes[cont].v[j]=ind2.genes[cont].v[j]
ind2.genes[cont].v[j]=tmp
j+=1
if j==long_genes[cont]:
cont+=1
j=0
ret[i]=Individuo(num=None,tam_genes=None,xMax=None,xMin=None,ind=ind1)
ret[i+1]=Individuo(num=None,tam_genes=None,xMax=None,xMin=None,ind=ind2)
i += 2
return ret
def cruce_uniformeBin(self, selec):
n=len(selec)
ret=[(None) for _ in range(n)]
if n%2==1:
ret[n-1]=Individuo(num=None,tam_genes=None,xMax=None,xMin=None,ind=selec[n-1])
n-=1
long_genes=[len(selec[0].genes[i].v) for i in range(len(selec[0].genes))]
corte_maximo=-1
for l in long_genes:
corte_maximo+=l
i=0
long_genes=[len(selec[0].genes[i].v) for i in range(len(selec[0].genes))]
cont=0
l=0
for c in long_genes:
l+=c
long_genes[cont]=c
cont+=1
i=0
j=0
k=0
ind1=None
ind2=None
tmp=0
while i<n:
ind1=Individuo(num=None,tam_genes=None,xMax=None,xMin=None,ind=selec[i])
ind2=Individuo(num=None,tam_genes=None,xMax=None,xMin=None,ind=selec[i+1])
if random.random()>self.p:
cont=0
j=0
for k in range(l):
if random.random()<0.5:
tmp=ind1.genes[cont].v[j]
ind1.genes[cont].v[j]=ind2.genes[cont].v[j]
ind2.genes[cont].v[j]=tmp
j+=1
if j==long_genes[cont]:
cont+=1
j=0
ret[i]=Individuo(num=None,tam_genes=None,xMax=None,xMin=None,ind=ind1)
ret[i+1]=Individuo(num=None,tam_genes=None,xMax=None,xMin=None,ind=ind2)
i+=2
return ret
# -----------------------------------------------------------------------------------------------
# --- MUTACION ----------------------------------------------------------------------------------
# -----------------------------------------------------------------------------------------------
class Mutacion:
def __init__(self, p, tam_elite, funcion):
self.p=p
self.tam_elite=tam_elite
self.funcion=funcion
def mut_basicaBin(self, selec):
ret=[]
for ind in selec:
act=Individuo(num=None,tam_genes=None,xMax=None,xMin=None,ind=ind)
for c in range(len(ind.genes)):
for j in range(len(ind.genes[c].v)):
if random.random()<self.p:
act.genes[c].v[j]=(act.genes[c].v[j]+1)%2
ret.append(Individuo(num=None,tam_genes=None,xMax=None,xMin=None,ind=act))
return ret
# -----------------------------------------------------------------------------------------------
# --- ALGORITMO GENETICO ------------------------------------------------------------------------
# -----------------------------------------------------------------------------------------------
# value=1 Max, cualquier otro valor => Min
class PQ(queue.PriorityQueue):
def __init__(self, value):
super().__init__()
self.value=1
if value==1: self.value=-1
def push(self, id, fit):
super().put((self.value*fit, id))
def top_fit(self):
fit, _ = self.queue[0]
return self.value*fit
def top_id(self):
_, id = self.queue[0]
return id
def pop(self):
_, id = super().get()
return id
def size(self):
return self.qsize()
class AlgoritmoGenetico():
def __init__(self,MW):
self.MW=MW # Class: MainWindow
self.funcion=None # Funcion
self.seleccion=None # Seleccion
self.cruce=None # Cruce
self.mutacion=None # Mutacion
self.poblacion=[] # Individuo[]
self.tam_genes=[] # int[]
self.tam_poblacion=0 # int
self.generaciones=0 # int
self.num_genes=0 # int
self.prob_cruce=0.0 # double (0.1)
self.prob_mut=0.0 # double (0-1)
self.precision=0.0 # double (1, 0.01, 0.001, ...)
self.elitismo=0 # int (0-100%)
self.mejor_total=0.0 # double
self.mejor_ind=None # Individuo
self.fitness_total=0 # double
self.prob_seleccion=[] # double
self.prob_seleccionAcum=[] # double[]
self.elitQ=None
self.progreso_generaciones=[[] for _ in range(4)]
# Funcion que inicializa las variables a los valores seleccionados en la interfaz
def set_valores(self,tam_poblacion, generaciones, seleccion_idx, cruce_idx, prob_cruce, mutacion_idx,
prob_mut, precision, funcion_idx, num_genes, elitismo,
modo, profundidad, long_cromosoma, filas, columnas, bloating_idx,ticks):
self.poblacion=[]
self.tam_poblacion=tam_poblacion
self.generaciones=generaciones
self.prob_cruce=prob_cruce
self.prob_mut=prob_mut
self.num_genes=num_genes # 2
self.elitismo=elitismo
self.tam_elite=int((tam_poblacion*(elitismo/100.0)))
self.funcion_idx=funcion_idx
self.ini_idx=modo
self.profundidad=profundidad
self.long_cromosoma=long_cromosoma
self.filas=filas
self.columnas=columnas
self.bloating_idx=bloating_idx
self.ticks=ticks
if funcion_idx==0: self.funcion=Funcion1()
elif funcion_idx==1: self.funcion=Funcion2()
elif funcion_idx==2: self.funcion=Funcion3()
elif funcion_idx==3: self.funcion=Funcion4(self.num_genes)
self.seleccion_idx=seleccion_idx
self.seleccion=Seleccion(tam_poblacion, self.funcion.opt)
self.cruce_idx=cruce_idx
self.cruce=Cruce(prob_cruce,self.tam_elite)
self.mutacion_idx=mutacion_idx
self.mutacion=Mutacion(prob_mut, self.tam_elite, self.funcion)
if funcion_idx!=-1: self.elitQ=PQ(0) #
else: self.elitQ=PQ(1) # Cola prioritaria de maximos para almacenar los menores y asi comparar rapidamente
self.selec_elite=[]
if funcion_idx<4: self.tam_genes=self.tamGenes(precision)
self.mejor_total=float('+inf')
if self.funcion_idx<4:
if self.funcion.opt==True: self.mejor_total=float('-inf')
else: self.mejor_total=float('+inf')
elif self.funcion_idx>6:
self.mejor_total=float('-inf')
def tamGenes(self, precision):
ret = []
for i in range(self.num_genes):
ret.append(self.tamGen(precision, self.funcion.xMin[i], self.funcion.xMax[i]))
return ret
def tamGen(self, precision, min, max):
return math.ceil((math.log10(((max-min)/precision)+1)/math.log10(2)))
def ejecuta(self):
if self.funcion_idx<4: return self.ejecutaBin()
elif self.funcion_idx<7: return self.ejecutaReal()
elif self.funcion_idx==7: return self.ejecutaArbol()
else: return self.ejecutaGramatica()
def ejecutaBin(self):
selec=[]
self.init_poblacion()
self.evaluacion_poblacionBin()
while self.generaciones > 0:
selec=self.seleccion_poblacionBin(5)
self.poblacion=self.cruce_poblacionBin(selec)
self.poblacion=self.mutacion_poblacionBin(self.poblacion)
for i in range(self.tam_elite):
self.poblacion.append(self.selec_elite[i])
self.evaluacion_poblacionBin()
self.generaciones-=1
return self.mejor_total
def init_poblacion(self):
if self.funcion_idx<4:
self.poblacion=[Individuo(self.num_genes, self.tam_genes, self.funcion.xMax, self.funcion.xMin,
ind=None) for _ in range(self.tam_poblacion)]
return self.poblacion
def evaluacion_poblacionBin(self):
self.fitness_total=0
self.prob_seleccion=[0 for _ in range(self.tam_poblacion)]
self.prob_seleccionAcum=[0 for _ in range(self.tam_poblacion)]
if self.funcion.opt==True:
mejor_generacion = float('-inf')
peor_generacion = float('+inf')
else:
mejor_generacion = float('+inf')
peor_generacion = float('-inf')
for i in range(self.tam_poblacion):
self.poblacion[i].calcular_fenotipo()
fit=0.0
indexMG=0
for i in range(self.tam_poblacion):
fit=self.funcion.fitness(self.poblacion[i].fenotipo)
self.poblacion[i].fitness=fit
self.fitness_total+=fit
if self.elitQ.size()<self.tam_elite: self.elitQ.push(i, fit)
elif(self.tam_elite!=0 and self.funcion.cmpBool(fit, self.elitQ.top_fit())):
self.elitQ.pop()
self.elitQ.push(i, fit)
#if fit>mejor_generacion: mejor_generacion=fit
if(self.funcion.cmpBool(fit, mejor_generacion)) :
mejor_generacion=fit;
indexMG=i
peor_generacion=self.funcion.cmpPeor(peor_generacion, fit)
self.selec_elite=[]
for _ in range(self.tam_elite):
self.selec_elite.append(Individuo(num=None,tam_genes=None,xMax=None,xMin=None,
ind=self.poblacion[self.elitQ.pop()]))
#if mejor_generacion>self.mejor_total: self.mejor_total=mejor_generacion
if(self.funcion.cmpBool(mejor_generacion, self.mejor_total)):
self.mejor_total=mejor_generacion;
self.mejor_ind=self.poblacion[indexMG]
self.progreso_generaciones[0].append(self.mejor_total)
self.progreso_generaciones[1].append(mejor_generacion)
self.progreso_generaciones[2].append((self.fitness_total/self.tam_poblacion))
acum=0.0
if peor_generacion<0: peor_generacion*=-1
if self.funcion.opt==False:
self.fitness_total=self.tam_poblacion*1.05*peor_generacion-self.fitness_total
for i in range(self.tam_poblacion):
self.prob_seleccion[i]=1.05*peor_generacion-self.poblacion[i].fitness
self.prob_seleccion[i]/=self.fitness_total
acum += self.prob_seleccion[i]
self.prob_seleccionAcum[i]=acum
else:
self.fitness_total = self.tam_poblacion*1.05*peor_generacion+self.fitness_total
for i in range(self.tam_poblacion):
self.prob_seleccion[i]=1.05*peor_generacion+self.poblacion[i].fitness
self.prob_seleccion[i]/=self.fitness_total
acum+=self.prob_seleccion[i]
self.prob_seleccionAcum[i]=acum
# Whitley recomienda valores próximos a 1.5
# Valores mayores ocasionarían superindividuos
# Valores menores frenarían la búsqueda sin ningún beneficio
self.progreso_generaciones[3].append(self.tam_poblacion*self.prob_seleccion[indexMG])
def seleccion_poblacionBin(self, k):
ret=[]
if self.seleccion_idx==0:
ret=self.seleccion.ruletaBin(self.poblacion, self.prob_seleccionAcum, self.tam_poblacion-self.tam_elite)
elif self.seleccion_idx==1:
ret=self.seleccion.torneoDeterministicoBin(self.poblacion, k, self.tam_poblacion-self.tam_elite)
elif self.seleccion_idx==2:
ret=self.seleccion.torneoProbabilisticoBin(self.poblacion, k, 0.9, self.tam_poblacion-self.tam_elite)
elif self.seleccion_idx==3:
ret=self.seleccion.estocasticoUniversalBin(self.poblacion, self.prob_seleccionAcum, self.tam_poblacion-self.tam_elite)
elif self.seleccion_idx==4:
ret=self.seleccion.truncamientoBin(self.poblacion, self.prob_seleccion, 0.5, self.tam_poblacion-self.tam_elite)
elif self.seleccion_idx==5:
ret=self.seleccion.restosBin(self.poblacion, self.prob_seleccion, self.prob_seleccionAcum, self.tam_poblacion-self.tam_elite)
else:
ret=self.seleccion.rankingBin(self.poblacion, self.prob_seleccion, 2, self.tam_poblacion-self.tam_elite)
return ret
def cruce_poblacionBin(self, selec):
ret=[]
if self.cruce_idx==0: return self.cruce.cruce_monopuntoBin(selec)
elif self.cruce_idx==1: return self.cruce.cruce_uniformeBin(selec)
else:
print("Cruce Binario, Solo hay cruce Mono-Punto y Uniforme")
exit(1)
def mutacion_poblacionBin(self, selec):
ret=[]
if self.mutacion_idx==0: return self.mutacion.mut_basicaBin(selec)
else:
print("Mutacion Binaria, Solo hay mutacion basica")
exit(1)
# -----------------------------------------------------------------------------------------------
# --- MAIN --------------------------------------------------------------------------------------
# -----------------------------------------------------------------------------------------------
def main():
MASTER = 0 # int. Valor del proceso master
END_OF_PROCESSING=-2 # int. Valor para que un worker termine su ejecucion
seleccion_opt = ["Ruleta",
"Torneo Determinista",
"Torneo Probabilístico",
"Estocástico Universal",
"Truncamiento",
"Restos",
"Ranking"]
cruce_opt = ["Básica",
"Uniforme",
"PMX",
"OX",
"OX-PP",
"CX",
"CO",
"Intercambio"]
mutacion_opt = ["Básica",
"Insercion",
"Intercambio",
"Inversion",
"Heuristica",
"Terminal",
"Funcional",
"Arbol",
"Permutacion",
"Hoist",
"Contraccion",
"Expansion"]
funcion_opt = ["F1: Calibracion y Prueba",
"F2: Mishra Bird",
"F3: Holder table",
"F4: Michalewicz (Binaria)",
"Aeropuerto 1",
"Aeropuerto 2",
"Aeropuerto 3",
"Arbol",
"Gramatica"]
# DATOS A COMPARTIR
tam_poblacion=0
generaciones=0
num_genes=0
tam_genes=[]
seleccion_idx=0
cruce_idx=0
prob_cruce=0.0
mut_idx=0
prob_mut=0.0
precision=0.00
funcion_idx=0
elitismo=0
modo=0
profundidad=0
long_cromosoma=0
filas=0
columnas=0
bloating_idx=0
ticks=0
poblacion=[] # Individuo[]
mejor_total=0.0