def execute():
'''
执行
:return:
'''
# 初始化neat算法模块
neat.neat_init()
# 定义网络训练任务
task = NeuralNetworkTask()
# 定义网络
netdef = {
'netType' : NetworkType.Perceptron, # NetworkType，网络类型,必须
'neuronCounts' : [4,1], # list（初始）网络各层神经元数量,必须
'idGenerator' : 'neat', # str 生成网络，神经元，突触id的类，参见DefauleIDGenerator,list idgenerator命令可以列出所有的id生成器对象
'config' : {
'layered' : True, # bool 是否分层,可选
'substrate' : True, # bool 是否使用基座,可选
'acyclie' : False, # bool 是否允许自身连接,可选
'recurrent':False, # bool 是否允许同层连接,可选
'reversed':False, # bool 是否允许反向连接,可选
'dimension':2, # int 空间坐标维度,可选
'range':NeuralNetwork.MAX_RANGE, # list 坐标范围，可选'
},
'runner':{
'name' : 'simple', # str 网络运行器名称,必须
'task' : task, # NeuralNetworkTask,网络运行任务,必须
},
'models':{ # dict 神经元计算模型的配置信息,必须
'input':{ # str 模型配置名称（不是模型名称）
'name' : 'input', # str,名称，与上面总是一样,可选
'modelid':'input', # str，模型id，必须，用这个来找到对应的计算模型对象,因此应确保该计算模型已注册
},
'hidden':{
'name':'hidden', # str 隐藏神经元配置名称，可选
'modelid':'hidden', # str 隐藏神经元计算模型id,必须
'activationFunction':{ # dict 可选
'name' : 'sigmod', # str 激活函数名称，必须
'a' :1.0,'b':1.0,'T':1.0 # float 激活函数参数，可选
},
'bias':'uniform[-30.0:30.0]', # str 隐藏神经元的偏置变量，均匀分布，必须，可以是uniform[begin,end]或者normal(u,sigma)
},
'synapse':{
'name':'synapse', # str 突触计算模型配置名称,可选
'modelid':'synapse', # str 突触计算模型Id，必须
'weight':'uniform[-30.0:30.0]' # str 突触学习变量，均匀分布，必须
}
}
}
# 定义种群
popParam = {
'indTypeName' : 'network', #种群的个体基因类型名，必须，该类型的个体基因应已经注册过，参见evolution.agent,必须
'genomeFactory':None, #基因工厂，个体类型中已经提供了基因工厂对象，这里如果设置，可以替换前者，可选
'factoryParam' :{ # 工厂参数，必须
'connectionRate':1.0, # 连接比率
},
'genomeDefinition' : netdef, #基因定义参数,可选
'size':50, #种群大小，必须
'elitistSize':0.05, #精英个体占比，小于1表示比例，大于等于1表示数量
'species':{ #物种参数，可选
'method':'neat_species', # 物种分类方法,在物种参数中必须
'alg':'kmean', # 算法名称
'size': 5, # 物种个体数量限制，0表示无限制或动态
'iter':50, # 算法迭代次数
},
'features':{ # 特征评估函数配置，必须
'fitness' : Evaluator('fitness',[(fitness,1.0)]) # 适应度评估器,如果评估器只包含一个函数,也可以写成Evaluator('fitness',fitness)
}
}
# 定于运行参数
runParam = {
'terminated' : {
'maxIterCount' : 100000, # 最大迭代次数，必须
'maxFitness' : 1000000., # 最大适应度，必须
},
'log':{
'individual' : 'elite', # 日志中记录个体方式：记录所有个体，可以选择all,elite,maxfitness（缺省）,custom
'debug': False, # 是否输出调试信息
'file': 'neat_cartpole.log' # 日志文件名
},
'evalate':{
'parallel':0, # 并行执行评估的线程个数，缺省0，可选
},
'operations':{
#'method' : 'neat', # 已有的进化操作序列名称，与text两个只用一个
'text' : 'neat_selection,neat_crossmate,neat_mutate' # 进化操作序列
},
'mutate':{
'propotion' : 0.1, # 变异比例,有多少个个体参与变异，小于等于1表示比例，大于1表示固定数量
'parallel': 0, # 并行执行变异的线程个数，缺省0，可选
'model':{
'rate' : 0.0, # 模型变异比例
'range' : '' # 可选的计算模型名称，多个用逗号分开，缺省是netdef中所有模型
},
'activation':{
'rate' : 0.0, # 激活函数的变异比率
'range':'sigmod' # 激活函数的
},
'topo' : {
'addnode' : 0.4, # 添加节点的概率
'addconnection':0.4, # 添加连接的概率
'deletenode':0.1, # 删除节点的概率
'deleteconnection':0.1 # 删除连接的概率
},
'weight':{
'parallel': 0, # 并行执行权重变异的线程个数，缺省0，可选
'epoch':3, # 权重调整次数
}
}
}
gc.disable()
evolutionTask = EvolutionTask(1,popParam,callback)
evolutionTask.execute(runParam)
gc.enable()
parentdir = os.path.dirname(os.path.dirname(currentdir))
os.sys.path.insert(0, parentdir)
from pybullet_envs.bullet import bullet_client
from evolution.session import EvolutionTask
import ne.neat as neat
import ne.neat.config as config
import evolution
import domains.antbullet.env as env
import domains.antbullet.measure as measure
from brain.networks import NeuralNetworkTask
if __name__ == '__main__':
# NEAT 前馈网络
neat.neat_init()
task = NeuralNetworkTask()
netdef = config.createNetDef(task, neuronCounts=[30, 8])
popParam = evolution.createPopParam(indTypeName='network',
size=100,
elitistSize=0.01,
genomeDefinition=netdef,
evaluators=[
(env.fitness, 0.5, 'fitness'),
(measure.novelty, 0.5, 'novelty')
],
species=config.defaultSpeciesMethod())
runParam = evolution.createRunParam(
debug=True, operations="NSGA2,neat_crossmate,neat_mutate")
