def genetic(problem: Clustering,
k,
t_pop,
taxa_cross,
taxa_mutacao,
t=2.,
max_sem_melhora=10,
max_iter=5000):
""" Parametros :
problem : uma instancia do problema de clustering
k : quantidade de centroides
t_pop : tamanho da população
taxa_cross : chance de ocorrer crossover
taxa_mutacao : chance de ocorrer mutação
max_sem_melhora : quantidade maxima de iteracoes sem melhora (critério de parada)
max_iter : número máximo de iterações (critério de parada)
t : tempo
"""
start = time.process_time()
end = 0
if k == 1:
return [problem.get_centroid()], time.process_time() - start, 1
melhor = problem.generate_initial_centroids(k)
populacao = [melhor]
melhor_sse = np.inf
qtd_geracoes_sem_melhora = 0
i = 0
while i < max_iter and qtd_geracoes_sem_melhora < max_sem_melhora and end - start < t:
# Seleciona um estado com potencial e gera a população
problem.selecao(populacao)
problem.gerar_populacao(populacao, t_pop, k)
# Realiza um numero aleatorio de crossovers e mutacoes,
# entre metade do tamanho e o tamanho da populacao
for _ in range(1, rand.randrange(t_pop // 2, t_pop)):
# if end-start < t:
# break
# Crossover
if taxa_cross >= rand.random():
x = rand.randrange(len(populacao))
y = rand.randrange(len(populacao))
if x == y:
y = y - 1
crossover(populacao[x], populacao[y])
# Mutacao
if taxa_mutacao >= rand.random():
x = rand.randrange(len(populacao))
populacao[x] = problem.mutacao(populacao[x])
end = time.process_time()
melhor_da_geracao, melhor_sse_geracao = problem.melhor_da_geracao(
populacao)
if melhor_sse_geracao < melhor_sse:
melhor = melhor_da_geracao
melhor_sse = melhor_sse_geracao
qtd_geracoes_sem_melhora = 0
else:
qtd_geracoes_sem_melhora += 1
i += 1
end = time.process_time()
return melhor, end - start, i
