def __init__(self):
self.taxaCrossover = 0.8
self.taxaMutacao = 0
self.geracoes = 100
self.numPopulacao = 100
self.populacao = Populacao(self.numPopulacao)
def main():
# guarda historico de todas as geracoes
populacoes = []
# populacao inicial
populacaoInicial = AlgoritmoGenetico.geraPopulacaoInicial()
populacoes.append(Populacao(populacaoInicial))
# arrays para plotagem do grafico
historicoMelhorFitness = []
historicoFitnessMedio = []
# executa algoritmo genetico ate um numero maximo de geracoes definido nos parametros do programa
for k in range(Variaveis.numMaximoGeracoes):
# seleciona pais para cruzamento
pais = AlgoritmoGenetico.selecaoDePaisTorneio(populacaoInicial, 5,
len(populacaoInicial))
# crossover e mutacao
descendentes = AlgoritmoGenetico.crossover(pais)
# imprime no console informacoes da geracao atual
for descendente in descendentes:
print("geração: " + str(k) + " genes: " + descendente.getGenes() +
" - fitness: " + str(descendente.fitness()))
# define a populacao de descendentes como principal e reinicia o processo
populacaoInicial = descendentes
# guarda historico da geracao
populacoes.append(Populacao(descendentes))
# exibicao no console de informacoes sobre a execucao do programa #
print("############### POPULACAO FINAL ###############")
for fim in populacaoInicial:
print("fim: " + fim.getGenes() + " - fitness: " + str(fim.fitness()))
print("############### MELHOR FITNESS - MEDIA ###############")
for pop in populacoes:
historicoMelhorFitness.append(
pop.calculaFitnessMedioEMelhorFitness()[0])
historicoFitnessMedio.append(
pop.calculaFitnessMedioEMelhorFitness()[1])
print(pop.calculaFitnessMedioEMelhorFitness())
# FIM - exibicao no console de informacoes sobre a execucao do programa #
# plotagem do grafico #
fig, axs = plt.subplots(1, 1, constrained_layout=True)
axs.plot(historicoMelhorFitness)
axs.plot(historicoFitnessMedio)
axs.set_title('População total: ' + str(Variaveis.tamanhoPopulacao) +
' - Gerações: ' + str(Variaveis.numMaximoGeracoes))
axs.set_xlabel('geração')
axs.set_ylabel('Fitness')
axs.legend(['Melhor Fitness', 'Fitness Médio'], loc='lower right')
axs.xaxis.set_major_locator(MaxNLocator(integer=True))
plt.show()
def __init__(self):
self.taxaCrossover = 0.8
self.taxaMutacao = 0.1
self.geracoes = 100
self.numPopulacao = 100
self.qtdElite = 30
self.qtdCidades = 10
self.populacao = Populacao(self.numPopulacao)
def __init__(self, taxaCrossover, taxaMutacao, geracoes, numPopulacao,
limiteEspacos, gastoMaximo, qtdElite):
self.taxaCrossover = taxaCrossover
self.taxaMutacao = taxaMutacao
self.geracoes = geracoes
self.numPopulacao = numPopulacao
self.qtdElite = qtdElite
self.melhorSolucao = None
self.populacao = Populacao(numPopulacao, limiteEspacos, gastoMaximo)
self.melhorSolucao = self.populacao.listaDeIndividuos[0]
def __init__(self, taxaCrossover, taxaMutacao, geracoes, tamanhoPopulacao,
tamanhoCromossomo):
self.tamaanhoCromossomo = tamanhoCromossomo
self.taxaCrossover = taxaCrossover
self.taxaMutacao = taxaMutacao
self.geracoes = geracoes
self.tamanhoPopulacao = tamanhoPopulacao
self.tamanhoCromossomo = tamanhoCromossomo
self.populacao = Populacao(taxaCrossover, taxaMutacao,
tamanhoPopulacao, tamanhoCromossomo)
self.populacao.calculaFitness()
self.populacao.calculaRangeRoleta()
def generatePopulacaoReal(numIndividuos: int, taxaCrossover: float,
taxaMutacao: float) -> Populacao:
'''Cria a população baseado no número de indivíduos e número de bits.'''
populacao: Populacao = Populacao(None, taxaCrossover, taxaMutacao)
populacao.criaIndividuos(numIndividuos)
return populacao
def generateNewGeracoes(populacao: Populacao, numGeracoes: int) -> dict:
'''Gera as novas espécies baseado em diversos fatores tais como: crossover entre pais e
mutações pegando seu melhor valor de aptidão para cada geração'''
bestEspeciesByGeneration: dict = {}
for i in range(numGeracoes):
# Aplica o crossover entre os pais baseado no seleção de torneio e valor de aptidão de cada invíduo da espécie
teveCrossover: bool = populacao.aplicaCrossover()
# Aplica a mutação para cada invidíduo da população
teveMutacao: bool = populacao.aplicaMutacao(i + 1, numGeracoes)
# Pega o melhor valor de aptidão dentre todos da espécies e armazena
bestEspeciesByGeneration[i + 1] = copy.deepcopy(
populacao.bestAptidaoIndividuo())
return bestEspeciesByGeneration
def main():
ans = []
for tr in [1, 2, 3]:
temp = []
for i in range(50):
a = Populacao()
a.generateSolution(roleta=True, tiporecomb=tr)
temp.append(a.ger)
print(temp)
ans.append(temp)
# print(ans)
# print(mean(ans))
# print(std(ans))
# r1 = [762, 411, 690, 779, 293, 488, 456, 527, 566, 641]
# r2 = [602, 333, 288, 442, 514, 307, 423, 495, 313, 467]
# r3 = [596, 501, 531, 799, 686, 998, 542, 441, 819, 695]
for i in ans:
print(shapiro(i))
print()
cruzamentos = {0: "Aleatorio", 1: "CX", 2: "PMX"}
# # for i in [r1, r2, r3]:
# # print(ttest_ind(i))
# print(ttest_ind(r2, r3))
pairs = list(combinations(list(range(3)), 2))
for p in pairs:
print(f't_test entre {cruzamentos[p[0]]} e {cruzamentos[p[1]]}')
print(ttest_ind(ans[p[0]], ans[p[1]]))
print()
def evoluir(self):
''' Método responsável por controlar toda a execução do
algoritmo genético, incluindo os cruzamentos e a mutação
@return: a última população de cromossomos
'''
retorno = []
self.__Populacao = Populacao(self.__tipoGenes,
distribuido=self.__distribuido,
maiorValor=self.__considMaiorAvaliacao)
self.__Populacao.gerarPopulacao(self.__qntIndividuos)
self.__Populacao.avaliarPopulacao(self.__funcaoAvaliacao)
if self.__criterioSatisfacao != 0.0:
resp, cromos = self.verCriterioTerminacao()
Ger = 1
if self.__maxGeracoes == 0:
while not resp:
self.__Populacao.geraNovaPopulacao(self.__funcaoAvaliacao,
self.__considMaiorAvaliacao)
resp, cromos = self.verCriterioTerminacao()
if self.__verboso:
print "Indivíduos que alcançaram o critério de Satisfação:"
for i in cromos:
retorno.append(i)
if self.__verboso:
print i.getCromossomo(), i.getAvaliacao()
elif self.__criterioSatisfacao != 0.0:
while not resp and Ger <= self.__maxGeracoes:
if self.__verboso: print "Geração:", Ger
self.__Populacao.geraNovaPopulacao(self.__funcaoAvaliacao,
self.__considMaiorAvaliacao)
resp, cromos = self.verCriterioTerminacao()
Ger += 1
if resp:
if self.__verboso:
print "Indivíduos que alcançaram o critério de Satisfação:"
for i in cromos:
retorno.append(i)
if self.__verboso:
print i.getCromossomo(), i.getAvaliacao()
else:
if self.__verboso:
print "Indivíduos não alcançaram o critério de Satisfação!"
if self.__verboso: print "A última população foi:"
for i in self.__Populacao.getIndividuos():
retorno.append(i)
if self.__verboso:
print i.getCromossomo(), i.getAvaliacao()
else:
for Ger in range(self.__maxGeracoes):
if self.__verboso: print "Geração:", Ger
self.__Populacao.geraNovaPopulacao(self.__funcaoAvaliacao,
self.__considMaiorAvaliacao,
self.__retCromo)
if self.__verboso: print "A última população foi:"
for i in self.__Populacao.getIndividuos():
retorno.append(i)
if self.__verboso:
print i.getCromossomo(), i.getAvaliacao()
return retorno
class AlgoritmoGenetico():
def __init__(self):
self.taxaCrossover = 0.8
self.taxaMutacao = 0
self.geracoes = 100
self.numPopulacao = 100
self.populacao = Populacao(self.numPopulacao)
def executarAG(self):
print('GERAÇÃO 1')
self.populacao.calcularRangeRoleta()
self.populacao.printPopulacao()
print('\n')
for i in range(self.geracoes - 1):
print('GERAÇÃO {}'.format(i + 2))
self.populacao.setListaDeIndividuos(self.crossover())
self.mutacao()
self.populacao.fitnessTotal = 0
self.populacao.calcularFitness()
self.populacao.mediaPopulacao = 0
self.populacao.calcularRangeRoleta()
self.populacao.printPopulacao()
print('\n\n')
print('OS 10 MELHORES RESULTADOS: \n')
for i in range(10):
self.populacao.getListaDeIndividuos()[i].printCromossomo()
print('Média de Aptidão da População: \n')
print(self.populacao.getMediaPopulacao())
self.plotGraficos()
''' Sorteia número que irá escolher os pais na roleta para o crossover. '''
def roleta(self):
selecaoRoleta = random() * 100
for individuo in self.populacao.getListaDeIndividuos():
faixaRoleta = individuo.getFaixaRoleta()
if (selecaoRoleta >= faixaRoleta[0]
and selecaoRoleta <= faixaRoleta[1]):
return individuo
return self.populacao.getListaDeIndividuos()[0]
''' Cruzamento entre dois pais para criação de dois filhos. '''
def crossover(self):
novaGeracao = []
for i in range(int(self.numPopulacao / 2)):
individuo_1 = self.roleta()
individuo_2 = self.roleta()
if (random() < self.taxaCrossover):
pontoCorte = round(random() + len(individuo_1.getCromossomo()))
filho_1 = individuo_2.getCromossomo(
)[0:pontoCorte] + individuo_1.getCromossomo()[pontoCorte::]
filho_2 = individuo_1.getCromossomo(
)[0:pontoCorte] + individuo_2.getCromossomo()[pontoCorte::]
filhos = [Individuo(), Individuo()]
filhos[0].setCromossomo(filho_1)
filhos[0].setGeracao(individuo_1.getGeracao())
filhos[1].setCromossomo(filho_2)
filhos[1].setGeracao(individuo_1.getGeracao())
novaGeracao.append(filhos[0])
novaGeracao.append(filhos[1])
else:
novaGeracao.append(individuo_1)
novaGeracao.append(individuo_2)
return novaGeracao
def mutacao(self):
for individuo in self.populacao.getListaDeIndividuos():
individuo.mutarBit(self.taxaMutacao)
''' FUNÇÕES DO GRÁFICO. '''
def funcao1(self, x):
return 100 + math.fabs(x * math.sin(math.sqrt(math.fabs(x))))
def plotFuncao1(self):
y = []
x = []
for individuo in self.populacao.getListaDeIndividuos():
i = individuo.getFenotipo()
x.append(i)
y.append(self.funcao1(i))
plt.plot(x, y, color='r', linewidth=2.0)
def plotPop(self):
x_populacao = []
y_populacao = []
for individuo in self.populacao.getListaDeIndividuos():
x_populacao.append(individuo.getFenotipo())
y_populacao.append(self.funcao1(individuo.getFenotipo()))
plt.stem(x_populacao, y_populacao, use_line_collection=True)
def plotGraficos(self):
plt.title('Gerações', fontdict=None, loc='center', pad=None)
self.plotFuncao1()
self.plotPop()
plt.show()
# parâmetros iniciais
populacao = 200
geracoes = 1000000
prob_mutacao = 0.01
prob_crossover = 0.7
#loop de arquivos:
for i in range(1, 6):
# para o gráfico no relatório
melhores = []
media = []
#inicia população
p = Populacao(populacao, prob_mutacao, prob_crossover)
p.iniciaPopulacao()
# i = 0
#nome de arquivo
nomeArq = 'arquivo' + str(i) + '.txt'
print(datetime.datetime.now())
# gera arquivo de texto com dados de melhores / media
j = 0
with open(nomeArq, 'w+') as f:
# grava parametros no arquivo de texto
f.write("Roleta+Roleta(original) Populacao: " + str(populacao) + " Geracoes: " + str(geracoes) + " Prob.Mutacao: " +
str(prob_mutacao) + " Prob.Cross.: " + str(prob_crossover) + "\n")
while (j < geracoes):
# guarda o melhor indivíduo da geração atual no vetor estático 'melhores'
"C": 300,
"Df": 25,
"Ca": 1000,
"Mg": 260,
"Mn": 2.3,
"P": 700,
"Fe": 14,
"Na": 2400,
"Zn": 7
}
produtos_ids = __io.load_products("Dataset/produtos.json")
nutrientes_prod = __io.load_data("Dataset/dataset_formatado.csv")
nutrientes_prod_dict = pd_to_dict(nutrientes_prod)
populacao = Populacao(refeicoes, produtos_ids, dieta_kcal, npop,
taxa_cruzamento, taxa_mutacao)
log_pop = []
for ger_i in range(0, nger):
populacao.avalia_pop(nutrientes_prod_dict, restricoes, penalidade=100)
log_pop.append(gen_log(populacao))
melhor_indiv = populacao.get_melhor_indiv()
pais = populacao.torneio()
indiv_interm = populacao.cruzamento(pais, refeicoes, produtos_ids)
populacao.substituir_pop(indiv_interm)
populacao.exec_elitismo(melhor_indiv)
print("=> Geração: " + str(ger_i + 1) + "/" + str(nger) +
" -> Melhor solução encontrada até o momento: %.2f" %
melhor_indiv.fitness,
melhor_indiv.valida(nutrientes_prod_dict, restricoes),
end=" \r")
class AlgoritmoGenetico:
def __init__(self, taxaCrossover, taxaMutacao, geracoes, tamanhoPopulacao,
tamanhoCromossomo):
self.tamaanhoCromossomo = tamanhoCromossomo
self.taxaCrossover = taxaCrossover
self.taxaMutacao = taxaMutacao
self.geracoes = geracoes
self.tamanhoPopulacao = tamanhoPopulacao
self.tamanhoCromossomo = tamanhoCromossomo
self.populacao = Populacao(taxaCrossover, taxaMutacao,
tamanhoPopulacao, tamanhoCromossomo)
self.populacao.calculaFitness()
self.populacao.calculaRangeRoleta()
def executaAG(self):
#populacao.
print('executando AG')
#for novas geracoes
for i in range(self.geracoes):
novosIndividuos = self.crossover()
self.populacao.individuos = novosIndividuos
self.mutacao()
self.populacao.evoluir()
self.populacao.printPopulacao()
def roleta(self):
numRoleta = random() * 100
for i in range(self.tamanhoPopulacao):
if self.populacao.individuos[i].isInRange(numRoleta):
return i
return 0
def crossover(self):
novosIndividuos = []
for i in range(int(self.tamanhoPopulacao / 2)):
pai = self.populacao.individuos[self.roleta()]
mae = self.populacao.individuos[self.roleta()]
r = random()
if (r < self.taxaCrossover):
corte = round(random() * self.tamanhoCromossomo)
cromF0 = pai.cromossomo[0:corte] + mae.cromossomo[corte::]
cromF1 = mae.cromossomo[0:corte] + pai.cromossomo[corte::]
filho0 = Individuo(self.tamanhoCromossomo)
filho1 = Individuo(self.tamanhoCromossomo)
filho0.cromossomo = cromF0
filho1.cromossomo = cromF1
novosIndividuos.append(filho0)
novosIndividuos.append(filho1)
else:
novosIndividuos.append(pai)
novosIndividuos.append(mae)
return novosIndividuos
def mutacao(self):
for i in range(len(self.populacao.individuos)):
self.populacao.individuos[i].mutatBit(self.taxaMutacao)
TAMANHO_POPULACAO = 100
# Função resposável por definir a função matemática que sera usada no algoritmo
def f(x):
return 5 * x**2 + 50 * x - 20 # 5x² + 50x - 20
# return x**3 - 4*x**3 + 4*x**2 + 10 # x³ - 4x³ + 4x² + 10
# return math.cos(3*x) + 3 # cos(3*x) + 3
plt.title('Gráfico do Fitness das gerações')
plt.xlabel('Geração')
plt.ylabel('Fitness')
# inicializacao da populacao parametros: (TAMANHO_POPULACAO, TAMANHO_INDIVIDUO, POSSUI_MINIMO, FUNCAO_MATEMATICA)
populacao = Populacao(TAMANHO_POPULACAO, TAMANHO_INDIVIDUO, False, f)
populacao.inicializar()
populacao.arrMelhoresIndividuoes.append(populacao.melhorIndividuo.fitness)
while (populacao.contadorGeracao < 300):
populacao.calcularFitness()
populacao.selecao(
0.7
) # o percentual se refere a quantidade de individuos que sobreviverao à selecao
populacao.reproducao(
0.46
) # o percentual se refere a quantidade de novos individuos gerados
class AlgoritmoGenetico():
def __init__(self):
self.taxaCrossover = 0.8
self.taxaMutacao = 0.1
self.geracoes = 100
self.numPopulacao = 100
self.qtdElite = 30
self.qtdCidades = 10
self.populacao = Populacao(self.numPopulacao)
def executarAG(self):
print('GERAÇÃO 1')
self.populacao.calcularRangeRoleta()
self.populacao.printPopulacao()
print('\n')
for i in range(self.geracoes - 1):
print('GERAÇÃO {}'.format(i + 2))
self.populacao.setListaDeIndividuos(self.elitista())
self.mutacao_PermutacaoDeElementos()
self.populacao.fitnessTotal = 0
self.populacao.calcularFitness()
self.populacao.mediaPopulacao = 0
self.populacao.calcularRangeRoleta()
self.populacao.printPopulacao()
print('\n\n')
#self.printGrafico(self.populacao.x, self.populacao.y, [2,3,1,4,8,7,6,5,10,9], self.geracoes, self.populacao.getMediaPopulacao)
''' Sorteia número que irá escolher os pais na roleta para o crossover. '''
def roleta(self):
selecaoRoleta = random() * 100
for individuo in self.populacao.getListaDeIndividuos():
faixaRoleta = individuo.getFaixaRoleta()
if (selecaoRoleta >= faixaRoleta[0]
and selecaoRoleta <= faixaRoleta[1]):
return individuo
return self.populacao.getListaDeIndividuos()[0]
def elitista(self):
self.populacao.setListaDeIndividuos(
sorted(self.populacao.getListaDeIndividuos(),
key=Individuo.getFitnessPercent))
novaGeracao = []
for i in range(self.qtdElite):
novaGeracao.append(self.populacao.getListaDeIndividuos().pop())
return self.crossover_BaseadoEmOrdem(novaGeracao)
''' '''
def crossover_BaseadoEmOrdem(self, novaGeracao):
for i in range(int(self.numPopulacao / 2)):
individuo_1 = self.roleta()
individuo_2 = self.roleta()
if (random() < self.taxaCrossover):
filho_1 = self.crossover(individuo_1.getCromossomo(),
individuo_2.getCromossomo())
filho_2 = self.crossover(individuo_2.getCromossomo(),
individuo_1.getCromossomo())
filhos = [Individuo(), Individuo()]
filhos[0].setCromossomo(filho_1)
filhos[0].setGeracao(individuo_1.getGeracao())
filhos[1].setCromossomo(filho_2)
filhos[1].setGeracao(individuo_1.getGeracao())
novaGeracao.append(filhos[0])
novaGeracao.append(filhos[1])
else:
novaGeracao.append(individuo_1)
novaGeracao.append(individuo_2)
return novaGeracao
def crossover(self, individuo1, individuo2):
mascara = []
for i in range(10):
if (random() < 0.5):
mascara.append('0')
else:
mascara.append('1')
filho = []
listaAux = []
listaAuxOrdenada = []
for i in range(10):
if (mascara[i] == '1'):
filho.append(individuo1[i])
else:
filho.append(0)
listaAux.append(individuo1[i])
for i in range(len(individuo2)):
if individuo2[i] in listaAux:
listaAuxOrdenada.append(individuo2[i])
aux = 0
for i in range(10):
if (filho[i] == 0):
filho[i] = listaAux[aux]
aux = aux + 1
return filho
def mutacao_PermutacaoDeElementos(self):
for individuo in self.populacao.getListaDeIndividuos():
individuo.mutacao(self.taxaMutacao)
''' FUNÇÕES DO GRÁFICO. '''
def printGrafico(self, x, y, ordem, geracao, media):
plt.title(geracao, fontdict=None, loc='center', pad=None)
self.printPontos(x, y)
self.printPontoStart(x[0], y[0])
self.printCaminhos(x, y, ordem)
plt.plot(media, color='b', linewidth=1.0)
plt.show()
def printPontos(self, x, y):
plt.scatter(x, y, marker='o')
def printPontoStart(self, x, y):
plt.scatter(x, y, color='r', marker='o')
def printCaminhos(self, x, y, ordem):
x_c = []
y_c = []
for i in range(self.qtdCidades):
x_c.append(x[ordem[i]])
y_c.append(y[ordem[i]])
plt.plot(x_c, y_c, color='r')
def plotMedia(self, media):
plt.title("Média Fitness", fontdict=None, loc='center', pad=None)
plt.plot(media, color='b', linewidth=1.0)
plt.show()
def run(parametros):
prmt = {
"npop": parametros[0],
"nger": parametros[1],
"tc": parametros[2],
"tm": parametros[3],
}
melhores_solucoes = []
for _ in range(0, 5):
populacao = Populacao(refeicoes, produtos_ids, dieta_kcal,
prmt["npop"], prmt["tc"], prmt["tm"])
for _ in range(0, prmt["nger"]):
populacao.avalia_pop(nutrientes_prod_dict,
restricoes,
penalidade=100)
melhor_indiv = populacao.get_melhor_indiv()
pais = populacao.torneio()
indiv_interm = populacao.cruzamento(pais, refeicoes, produtos_ids)
populacao.substituir_pop(indiv_interm)
populacao.exec_elitismo(melhor_indiv)
if melhor_indiv.kcal >= 1200: melhores_solucoes.append(melhor_indiv)
return melhores_solucoes, prmt
# Selecao de pais
# 1 == Aleatoria
# 2 == Elitista
# Selecao Sobreviventes
# 1 == (mi, lambda)
# 2 == (mi + lambda)
# with open('a', 'wb') as arquivo:
# pickle.dump({'populacao': [1, 2, 3]}, arquivo)
# with open('a', 'rb') as arquivo:
# a = pickle.load(arquivo)
# print(a)
combinacoes = [[1, 1, 1, 1], [2, 2, 2, 1], [3, 1, 1, 2], [2, 3, 2, 1],
[2, 4, 2, 1], [2, 4, 2, 2], [1, 5, 1, 2], [3, 5, 2, 1]]
for combinacao in combinacoes:
ti = timer()
p = Populacao()
p.gerar_solucao(combinacao[0], combinacao[1], combinacao[2], combinacao[3])
tempo = timer() - ti
with open(''.join(str(c) for c in combinacao), 'wb') as arquivo:
pickle.dump(
{
'populacao': p.populacao,
'execucoes': p.geracoes,
'tempo': tempo
}, arquivo)
def executar(self):
ambiente = Ambiente(self.__tamanho)
amb = ambiente.gerarAmbiente()
pop = Populacao(100, 0)
vet_ag = pop.gerar_populacao()
# for agente in vet_ag:
# indice = vet_ag.index(agente)
# id = '0_00_' + str(indice)
# agente.set_id(id)
memoria = mem()
memoria.ordenar_memoria(vet_ag)
vet_mem = memoria.get_memoria()
for geracao in range(self.__ger):
vet_ag = self.reproduzir(vet_ag.copy(), geracao)
for ag in vet_ag:
if ag.get_movimento() == []:
ag.set_pontucao(-10)
fitness = fit(ag.get_pontuacao(), 0)
ag.set_fitness(fitness.calcular_fitness())
ag.set_tamanho(random.randint(10, 64))
ag.set_movimento(ag.gerar_movimento())
for agente in vet_ag:
pos = [0, 0]
pos_ant = [0, 0]
rodada = 0
agente.viver()
agente.reset_nice_moves()
agente.reset_pontuacao()
fitness, pontuacao = agente.pecado_inicial(agente)
agente.set_fitness(fitness)
agente.set_pontucao(pontuacao)
acao_ant = ''
for acao in agente.get_movimento():
movimento_bom = True
if agente.get_vida():
amb[pos_ant[0]][pos_ant[1]].isAgente(False)
agente.add_caminho_percorrido(list(pos))
if acao == 'n':
pos[0] -= 1
elif acao == 's':
pos[0] += 1
elif acao == 'l':
pos[1] += 1
elif acao == 'o':
pos[1] -= 1
if 0 > pos[0] or 3 < pos[0] or 0 > pos[1] or 3 < pos[1]:
agente.set_pontucao(-300)
agente.morrer()
movimento_bom = False
else:
amb[pos[0]][pos[1]].isAgente(True)
if acao_ant == 'fn' and acao == 'n':
agente.set_pontucao(5)
elif acao_ant == 'fn' and acao != 'n':
agente.set_pontucao(-20)
movimento_bom = False
elif acao_ant == 'fs' and acao == 's':
agente.set_pontucao(5)
elif acao_ant == 'fs' and acao != 's':
agente.set_pontucao(-20)
movimento_bom = False
elif acao_ant == 'fl' and acao == 'l':
agente.set_pontucao(5)
elif acao_ant == 'fl' and acao != 'l':
agente.set_pontucao(-20)
movimento_bom = False
elif acao_ant == 'fo' and acao == 'o':
agente.set_pontucao(5)
elif acao_ant == 'fo' and acao != 'o':
agente.set_pontucao(-20)
movimento_bom = False
if movimento_bom:
agente.set_nice_moves(rodada)
agente.set_pontucao(5)
else:
agente.set_pontucao(-10)
acao_ant = acao
pos_ant = pos.copy()
rodada += 1
fitness = fit(agente.get_pontuacao(),
len(agente.get_nice_moves())) # FITNESS AQUI!!!
agente.set_fitness(fitness.calcular_fitness())
memoria_temp = mem()
memoria_temp.ordenar_memoria(vet_ag.copy())
vet_memoria_temp = memoria_temp.get_memoria()
for contador in range(len(vet_memoria_temp)):
ja_existe = False
for contador_b in range(len(vet_mem)):
if vet_memoria_temp[contador].get_id(
) == vet_mem[contador_b].get_id():
ja_existe = True
if not ja_existe:
if vet_memoria_temp[contador].get_fitness(
) > vet_mem[-1].get_fitness():
vet_mem[-1] = vet_memoria_temp[contador]
memoria.ordenar_memoria(vet_mem.copy())
vet_mem = memoria.get_memoria()
vet_ag = list(vet_mem)
num_eliminados = int(len(vet_ag) * 0.6)
for contador in range(num_eliminados):
vet_ag.pop(-1)
nova_pop = Populacao(num_eliminados, geracao)
vet_nova_pop = nova_pop.gerar_populacao()
vet_ag += list(vet_nova_pop)
escolhida = vet_mem[0]
print(
f"Id: {escolhida.get_id()} - Fitness: {escolhida.get_fitness()} - Pontuação: {escolhida.get_pontuacao()} - Movimento: {escolhida.get_movimento()}"
)
class AlgGenetico:
''' Algoritmo Genético
Esta classe visa facilitar a utilização do Algoritmo Genético
formado pelas classes Cromossomo e População
'''
__tipoGenes = None
__qntIndividuos = None
__funcaoAvaliacao = None
__criterioSatisfacao = None
__considMaiorAvaliacao = None
__maxGeracoes = None
__Populacao = None
__retCromo = None
__verboso = None
def __init__(self, tipoGenes, qntIndividuos, funcaoAvaliacao, \
criterioSatisfacao=0.0, considMaiorAvaliacao=True, \
maxGeracoes=10, verboso=False, retCromo=True, distribuido=False):
''' Construtor da classe
@param tipoGenes: Matriz com os tipos de Genes que podem
ser utilizados nos indivíduos
@param qntIndividuos: Quantidade de indivíduos que uma
população pode ter
@param funcaoAvaliacao: Função externa que deverá receber o
Cromossomo como parâmetro e
retornar seu valor de satisfação
@param criterioSatisfacao: valor de satisfação esperado
pelo cromossomo (critério de
satisfação)
@param considMaiorAvaliacao: Informa que os indivíduos com
os valores menor devem ser
descartados.
Para descartar os indivíduos
com o maior valor, utilize
considMaiorAvaliacao=False
@param maxGeracoes: Informa qual o máximo de gerações, ou
seja, o máximo de cruzamentos
realizados.
O padrão é maxGeracoes=0, onde o
critério de término será o
"criterioSatisfacao"
@param verboso: Imprime mensagens na tela no decorrer do
processo
@param retCromo: Indica se a função de avaliação vai trabalhar com o
Cromossomo(True) ou com seu vetor(False)
'''
try:
if type(tipoGenes[0]) != type(list()):
raise Exception("ERRO: tipoGenes deve ser uma matriz!")
except:
raise Exception("ERRO: tipoGenes deve ser uma matriz!")
self.__tipoGenes = tipoGenes
self.__qntIndividuos = qntIndividuos
self.__funcaoAvaliacao = funcaoAvaliacao
self.__criterioSatisfacao = criterioSatisfacao
self.__considMaiorAvaliacao = considMaiorAvaliacao
self.__maxGeracoes = maxGeracoes
self.__retCromo = retCromo
self.__verboso = verboso
self.__Populacao = None
self.__distribuido = distribuido
def ordenaPorAvaliacao(self, cromo):
''' Método que devolve a avaliação do cromossomo
@param: Cromossomo
@return: Avaliação do cromossomo
'''
return cromo.getAvaliacao()
def verCriterioTerminacao(self):
''' Verifica se algum dos cromossomos atingiu o critério de
término
@return:
True -> a população alcançou a critério de término
False -> a população não alcançou a critério de término
'''
retorno = []
for cromo in self.__Populacao.getIndividuos():
if self.__considMaiorAvaliacao:
if cromo.getAvaliacao() >= self.__criterioSatisfacao:
retorno.append(cromo)
else:
if cromo.getAvaliacao() <= self.__criterioSatisfacao:
retorno.append(cromo)
retorno.sort(key=self.ordenaPorAvaliacao,
reverse=self.__considMaiorAvaliacao)
if len(retorno) == 0:
return False, retorno
else:
return True, retorno
def evoluir(self):
''' Método responsável por controlar toda a execução do
algoritmo genético, incluindo os cruzamentos e a mutação
@return: a última população de cromossomos
'''
retorno = []
self.__Populacao = Populacao(self.__tipoGenes,
distribuido=self.__distribuido,
maiorValor=self.__considMaiorAvaliacao)
self.__Populacao.gerarPopulacao(self.__qntIndividuos)
self.__Populacao.avaliarPopulacao(self.__funcaoAvaliacao)
if self.__criterioSatisfacao != 0.0:
resp, cromos = self.verCriterioTerminacao()
Ger = 1
if self.__maxGeracoes == 0:
while not resp:
self.__Populacao.geraNovaPopulacao(self.__funcaoAvaliacao,
self.__considMaiorAvaliacao)
resp, cromos = self.verCriterioTerminacao()
if self.__verboso:
print "Indivíduos que alcançaram o critério de Satisfação:"
for i in cromos:
retorno.append(i)
if self.__verboso:
print i.getCromossomo(), i.getAvaliacao()
elif self.__criterioSatisfacao != 0.0:
while not resp and Ger <= self.__maxGeracoes:
if self.__verboso: print "Geração:", Ger
self.__Populacao.geraNovaPopulacao(self.__funcaoAvaliacao,
self.__considMaiorAvaliacao)
resp, cromos = self.verCriterioTerminacao()
Ger += 1
if resp:
if self.__verboso:
print "Indivíduos que alcançaram o critério de Satisfação:"
for i in cromos:
retorno.append(i)
if self.__verboso:
print i.getCromossomo(), i.getAvaliacao()
else:
if self.__verboso:
print "Indivíduos não alcançaram o critério de Satisfação!"
if self.__verboso: print "A última população foi:"
for i in self.__Populacao.getIndividuos():
retorno.append(i)
if self.__verboso:
print i.getCromossomo(), i.getAvaliacao()
else:
for Ger in range(self.__maxGeracoes):
if self.__verboso: print "Geração:", Ger
self.__Populacao.geraNovaPopulacao(self.__funcaoAvaliacao,
self.__considMaiorAvaliacao,
self.__retCromo)
if self.__verboso: print "A última população foi:"
for i in self.__Populacao.getIndividuos():
retorno.append(i)
if self.__verboso:
print i.getCromossomo(), i.getAvaliacao()
return retorno
class AlgGenetico:
''' Algoritmo Genético
Esta classe visa facilitar a utilização do Algoritmo Genético
formado pelas classes Cromossomo e População
'''
__tipoGenes = None
__qntIndividuos = None
__funcaoAvaliacao = None
__criterioSatisfacao = None
__considMaiorAvaliacao = None
__maxGeracoes = None
__Populacao = None
__retCromo = None
__verboso = None
def __init__(self, tipoGenes, qntIndividuos, funcaoAvaliacao, \
criterioSatisfacao=0.0, considMaiorAvaliacao=True, \
maxGeracoes=10, verboso=False, retCromo=True, distribuido=False):
''' Construtor da classe
@param tipoGenes: Matriz com os tipos de Genes que podem
ser utilizados nos indivíduos
@param qntIndividuos: Quantidade de indivíduos que uma
população pode ter
@param funcaoAvaliacao: Função externa que deverá receber o
Cromossomo como parâmetro e
retornar seu valor de satisfação
@param criterioSatisfacao: valor de satisfação esperado
pelo cromossomo (critério de
satisfação)
@param considMaiorAvaliacao: Informa que os indivíduos com
os valores menor devem ser
descartados.
Para descartar os indivíduos
com o maior valor, utilize
considMaiorAvaliacao=False
@param maxGeracoes: Informa qual o máximo de gerações, ou
seja, o máximo de cruzamentos
realizados.
O padrão é maxGeracoes=0, onde o
critério de término será o
"criterioSatisfacao"
@param verboso: Imprime mensagens na tela no decorrer do
processo
@param retCromo: Indica se a função de avaliação vai trabalhar com o
Cromossomo(True) ou com seu vetor(False)
'''
try:
if type(tipoGenes[0]) != type( list() ):
raise Exception("ERRO: tipoGenes deve ser uma matriz!")
except:
raise Exception("ERRO: tipoGenes deve ser uma matriz!")
self.__tipoGenes = tipoGenes
self.__qntIndividuos = qntIndividuos
self.__funcaoAvaliacao = funcaoAvaliacao
self.__criterioSatisfacao = criterioSatisfacao
self.__considMaiorAvaliacao = considMaiorAvaliacao
self.__maxGeracoes = maxGeracoes
self.__retCromo = retCromo
self.__verboso = verboso
self.__Populacao = None
self.__distribuido = distribuido
def ordenaPorAvaliacao(self, cromo):
''' Método que devolve a avaliação do cromossomo
@param: Cromossomo
@return: Avaliação do cromossomo
'''
return cromo.getAvaliacao()
def verCriterioTerminacao(self):
''' Verifica se algum dos cromossomos atingiu o critério de
término
@return:
True -> a população alcançou a critério de término
False -> a população não alcançou a critério de término
'''
retorno = []
for cromo in self.__Populacao.getIndividuos():
if self.__considMaiorAvaliacao:
if cromo.getAvaliacao() >= self.__criterioSatisfacao:
retorno.append( cromo )
else:
if cromo.getAvaliacao() <= self.__criterioSatisfacao:
retorno.append( cromo )
retorno.sort(key=self.ordenaPorAvaliacao,
reverse=self.__considMaiorAvaliacao)
if len( retorno ) == 0:
return False, retorno
else:
return True, retorno
def evoluir(self):
''' Método responsável por controlar toda a execução do
algoritmo genético, incluindo os cruzamentos e a mutação
@return: a última população de cromossomos
'''
retorno = []
self.__Populacao = Populacao( self.__tipoGenes, distribuido=self.__distribuido, maiorValor=self.__considMaiorAvaliacao )
self.__Populacao.gerarPopulacao( self.__qntIndividuos )
self.__Populacao.avaliarPopulacao( self.__funcaoAvaliacao )
if self.__criterioSatisfacao != 0.0:
resp, cromos = self.verCriterioTerminacao()
Ger = 1
if self.__maxGeracoes == 0:
while not resp:
self.__Populacao.geraNovaPopulacao(
self.__funcaoAvaliacao,
self.__considMaiorAvaliacao)
resp, cromos = self.verCriterioTerminacao()
if self.__verboso:
print "Indivíduos que alcançaram o critério de Satisfação:"
for i in cromos:
retorno.append(i)
if self.__verboso:
print i.getCromossomo(), i.getAvaliacao()
elif self.__criterioSatisfacao != 0.0:
while not resp and Ger <= self.__maxGeracoes:
if self.__verboso: print "Geração:", Ger
self.__Populacao.geraNovaPopulacao(
self.__funcaoAvaliacao,
self.__considMaiorAvaliacao)
resp, cromos = self.verCriterioTerminacao()
Ger+=1
if resp:
if self.__verboso:
print "Indivíduos que alcançaram o critério de Satisfação:"
for i in cromos:
retorno.append(i)
if self.__verboso:
print i.getCromossomo(), i.getAvaliacao()
else:
if self.__verboso:
print "Indivíduos não alcançaram o critério de Satisfação!"
if self.__verboso: print "A última população foi:"
for i in self.__Populacao.getIndividuos():
retorno.append(i)
if self.__verboso:
print i.getCromossomo(), i.getAvaliacao()
else:
for Ger in range(self.__maxGeracoes):
if self.__verboso: print "Geração:", Ger
self.__Populacao.geraNovaPopulacao(
self.__funcaoAvaliacao,
self.__considMaiorAvaliacao,
self.__retCromo)
if self.__verboso: print "A última população foi:"
for i in self.__Populacao.getIndividuos():
retorno.append(i)
if self.__verboso:
print i.getCromossomo(), i.getAvaliacao()
return retorno
def evoluir(self):
''' Método responsável por controlar toda a execução do
algoritmo genético, incluindo os cruzamentos e a mutação
@return: a última população de cromossomos
'''
retorno = []
self.__Populacao = Populacao( self.__tipoGenes, distribuido=self.__distribuido, maiorValor=self.__considMaiorAvaliacao )
self.__Populacao.gerarPopulacao( self.__qntIndividuos )
self.__Populacao.avaliarPopulacao( self.__funcaoAvaliacao )
if self.__criterioSatisfacao != 0.0:
resp, cromos = self.verCriterioTerminacao()
Ger = 1
if self.__maxGeracoes == 0:
while not resp:
self.__Populacao.geraNovaPopulacao(
self.__funcaoAvaliacao,
self.__considMaiorAvaliacao)
resp, cromos = self.verCriterioTerminacao()
if self.__verboso:
print "Indivíduos que alcançaram o critério de Satisfação:"
for i in cromos:
retorno.append(i)
if self.__verboso:
print i.getCromossomo(), i.getAvaliacao()
elif self.__criterioSatisfacao != 0.0:
while not resp and Ger <= self.__maxGeracoes:
if self.__verboso: print "Geração:", Ger
self.__Populacao.geraNovaPopulacao(
self.__funcaoAvaliacao,
self.__considMaiorAvaliacao)
resp, cromos = self.verCriterioTerminacao()
Ger+=1
if resp:
if self.__verboso:
print "Indivíduos que alcançaram o critério de Satisfação:"
for i in cromos:
retorno.append(i)
if self.__verboso:
print i.getCromossomo(), i.getAvaliacao()
else:
if self.__verboso:
print "Indivíduos não alcançaram o critério de Satisfação!"
if self.__verboso: print "A última população foi:"
for i in self.__Populacao.getIndividuos():
retorno.append(i)
if self.__verboso:
print i.getCromossomo(), i.getAvaliacao()
else:
for Ger in range(self.__maxGeracoes):
if self.__verboso: print "Geração:", Ger
self.__Populacao.geraNovaPopulacao(
self.__funcaoAvaliacao,
self.__considMaiorAvaliacao,
self.__retCromo)
if self.__verboso: print "A última população foi:"
for i in self.__Populacao.getIndividuos():
retorno.append(i)
if self.__verboso:
print i.getCromossomo(), i.getAvaliacao()
return retorno
import random import math from Populacao import Populacao TAMANHO_INDIVIDUO = 4 TAMANHO_POPULACAO = 2 populacao = Populacao(TAMANHO_POPULACAO, TAMANHO_INDIVIDUO) populacao.gerarPopulacao() populacao.calcularFitness() populacao.fazerMutacao()
def main():
# if('--help' in sys.argv):
# print('\033[93m'+'Parâmetros: \n\
# --geracional True ou False. Padrão: False. \n\
# Indica se a seleção de sobreviventes utilizada será a geracional \n\
# --mutacao 1 ou 2. Padrão: 1. \n\
# Escolhe entre as duas opções de mutação \n\
# 1: Mutação de troca de posição entre 2 valores \n\
# 2: Mutação de troca de valores de uma região \n\
# --pop 0 à n (inteiro). Padrão: 100. \n\
# Define o tamanho "n" da população \n\
# --tabuleiro 0 à n (inteiro). Padrão: 8. \n\
# Define o tamanho do tabuleiro (e rainhas nele) \n\
# --roleta True ou False. Padrão: False. \n\
# Indica se o método de seleção dos pais vai ser roleta \n\
# --cruzamento 1 ou 2 ou 3. Padrão: 1. \n\
# Escolhe entre as três opções de recombinação \n\
# 1: Cut and crossfill crossover \n\
# 2: Cycle Crossover \n\
# 3: Partially Mapped Crossover \n\
# '+'\033[92m')
# print(sys.argv)
# exit()
# else:
# print('\033[93m'+'Se tiver dúvidas, execute: py main.py --help'+'\033[0m')
geracional = False
roleta = False
mutacao = 1
cruz = 1
pop = 100
tab = 8
# Parser
# for sargs in range(0, len(sys.argv)):
# try:
# if sys.argv[sargs] == '--mutacao':
# mutacao = int(sys.argv[sargs+1])
# if sys.argv[sargs] == '--geracional':
# geracional = eval(sys.argv[sargs+1])
# if sys.argv[sargs] == '--roleta':
# roleta = eval(sys.argv[sargs+1])
# if sys.argv[sargs] == '--pop':
# pop = int(sys.argv[sargs+1])
# if sys.argv[sargs] == '--tabuleiro':
# tab = int(sys.argv[sargs+1])
# if sys.argv[sargs] == '--cruzamento':
# cruz = int(sys.argv[sargs+1])
# except:
# print('Erro de formatação do input!')
# exit()
# print(mutacao, geracional, roleta, pop, tab, cruz)
with open(file=arqnome, mode='w', newline='') as csvfile:
escritor = csv.writer(csvfile, delimiter=',', quotechar='|', quoting=csv.QUOTE_MINIMAL)
escritor.writerow(['Execução', 'Execuções Necessárias', 'Fitness Médio',
'Desvio Padrão do Fitness', 'Número de Indivíduos Convergentes'])
for i in range(1, execs+1):
p = Populacao(n=tab, popsize=pop)
p.generateSolution(geracional=geracional, roleta=roleta, tiporecomb=cruz, tipomut=mutacao)
ind_conv = [j.fitness for j in p.pop].count(1)
ind_fit_med, ind_fit_dp = mean([j.fitness for j in p.pop]), std([j.fitness for j in p.pop])
print('Execuções Necessárias: {} \n\
Fitness Médio: {} \n\
Desvio Padrão: {} \n\
Número de Indivíduos Convergentes: {} \n'
.format(p.ger-1, ind_fit_med, ind_fit_dp, ind_conv))
escrever(i, p.ger-1, ind_fit_med, ind_fit_dp, ind_conv)
avaliacao()
return
import random
import math
from Populacao import Populacao
import graficoFitnessMedio as grafico
TAMANHO_INDIVIDUO = 5
TAMANHO_POPULACAO = 100
#inicializacao da populacao
populacao = Populacao(TAMANHO_POPULACAO, TAMANHO_INDIVIDUO)
populacao.inicializar()
#funcao principal
for i in range(8):
populacao.calcularFitnessMedio()
populacao.selecao()
populacao.reproducao(70)
populacao.mutacao()
grafico.plotar(populacao)
def executar(self):
maximos = []
minimos = []
medias = []
mortes_poco = []
mortes_wumpus = []
sucessos = []
ambiente = Ambiente(self.__tamanho)
amb = ambiente.gerarAmbiente()
pop = Populacao(100, 0, self.__tamanho)
vet_ag = pop.gerar_populacao()
memoria = mem()
memoria.ordenar_memoria(vet_ag)
vet_mem = memoria.get_memoria()
for geracao in range(self.__ger):
vet_ag = self.reproduzir(vet_ag.copy(), geracao)
num_mortes_poco = 0
num_mortes_wumpus = 0
num_sucesso = 0
for ag in vet_ag:
if ag.get_movimento() == []:
ag.set_pontucao(2)
fitness = fit(ag.get_pontuacao(), 0, 0, 0, self.__tamanho) #<<<
ag.set_fitness(fitness.calcular_fitness())
ag.set_tamanho(random.randint(10, 64))
ag.set_movimento(ag.gerar_movimento())
for agente in vet_ag:
pos = [0, 0] # Define a posição inicial como [0, 0]
pos_ant = [0, 0] # Define a posição anterior como [0, 0]
rodada = 0 # Começa pela rodada 0
acao_ant = '' # Define a ação anterior como nula
caminho_ate_ouro = 0 # Define o caminho até o ouro como nulo
wumpus_vivo = True
agente.viver() # Revive o agente
agente.recarregar() # Recarrega a 'aljava'
agente.reset_nice_moves() # Define os movimentos bons como 0
agente.reset_caminho_percorrido() # Define o caminho percorrido como nulo
agente.reset_pontuacao() # Define a pontuação como 0
agente.reset_ouro() # Tira o ouro do agente
fitness, pontuacao = agente.pecado_inicial(agente) # Aplica as pontuações iniciais
agente.set_fitness(fitness) # Define o fitness inicial
agente.set_pontucao(pontuacao) # Define a pontuação inicial
agente.add_caminho_percorrido(list(pos)) # Adiciona [0, 0] ao caminho percorrido
mov_sem_ouro = 0
for acao in agente.get_movimento():
# Se o agente estiver com o ouro e tiver andado mais casas do que precisou para chegar até o ouro
if agente.get_ouro() and len(agente.get_caminho_percorrido()) > caminho_ate_ouro*2:
movimento_bom = False # Qualquer movimento será considerado ruim
else: # Caso contrário
movimento_bom = True # O movimento a seguir tem a possibilidade de ser bom
if agente.get_vida(): # Executa enquanto o agente estiver vivo
amb[pos_ant[0]][pos_ant[1]].isAgente(False) # Remove o agente da sua posição anterior
if acao == 'n': # Anda pro norte
pos[0] -= 1
elif acao == 's': # Anda pro sul
pos[0] += 1
elif acao == 'l': # Anda pro leste
pos[1] += 1
elif acao == 'o': # Anda pro oeste
pos[1] -= 1
# Se o agente andar para fora da matriz
if 0 > pos[0] or 3 < pos[0] or 0 > pos[1] or 3 < pos[1]:
agente.set_pontucao(0) # Recebe pontução nula
agente.morrer() # Morre
movimento_bom = False # O movimento é ruim
else: # Caso contrário
agente.add_caminho_percorrido(list(pos)) # A posição atual é adicionada à lista de casas
amb[pos[0]][pos[1]].isAgente(True) # A casa recebe o agente
# Se o agente quiser disparar e possuir flecha
if (acao == 'fn' or acao == 'fs' or acao == 'fl' or acao == 'fo') and agente.get_flecha():
agente.disparar() # Pode disparar
if acao == 'fn':
if ambiente.getWumpus() == [pos[0] - 1, pos[1]]:
wumpus_vivo = False
agente.set_pontucao(256)
else:
movimento_bom = False
agente.set_pontucao(2)
elif acao == 'fs':
if ambiente.getWumpus() == [pos[0] + 1, pos[1]]:
wumpus_vivo = False
agente.set_pontucao(256)
else:
movimento_bom = False
agente.set_pontucao(2)
elif acao == 'fl':
if ambiente.getWumpus() == [pos[0], pos[1] + 1]:
wumpus_vivo = False
agente.set_pontucao(256)
else:
movimento_bom = False
agente.set_pontucao(2)
elif acao == 'fo':
if ambiente.getWumpus() == [pos[0], pos[1] - 1]:
wumpus_vivo = False
agente.set_pontucao(256)
else:
movimento_bom = False
agente.set_pontucao(2)
elif(acao == 'fn' or acao == 'fs' or acao == 'fl' or acao == 'fo') and not agente.get_flecha():
movimento_bom = False # Pode disparar, porém o movimento é ruim
if pos == ambiente.getWumpus() and wumpus_vivo:
num_mortes_wumpus += 1
agente.morrer()
agente.set_pontucao(1)
movimento_bom = False
for casa in ambiente.getPoco():
if pos == casa: # Se a posição atual for igual à de um poço
num_mortes_poco += 1
agente.morrer() # O agente morre
agente.set_pontucao(2) # Recebe 2pts
movimento_bom = False # O movimento é considerado ruim
if acao == 'p': # Se a ação atual for "pegar"
# Se houver ouro na casa e a quantidade de pegar for == 1
if pos == ambiente.getOuro() and agente.get_movimento().count('p') == 1:
agente.pegar_ouro() # O agente pega o ouro
# É definido o tamanho do caminho até o ouro
caminho_ate_ouro = len(agente.get_caminho_percorrido())
else: # Caso contrário
agente.set_pontucao(1) # O agente recebe 1pt
movimento_bom = False # O movimento é considerado ruim
if not agente.get_ouro():
mov_sem_ouro += 1
if movimento_bom:
agente.set_nice_moves(rodada)
agente.set_pontucao(4)
else:
agente.set_bad_moves(rodada)
agente.set_pontucao(2)
acao_ant = acao
pos_ant = pos.copy()
rodada += 1
if agente.get_ouro() and agente.get_caminho_percorrido()[-1] == [0, 0]:
num_sucesso += 1
if len(agente.get_caminho_percorrido()) < self.__tamanho*5:
agente.set_pontucao(2048)
else:
agente.set_pontucao(1024)
elif agente.get_ouro() and agente.get_caminho_percorrido()[-1] != [0, 0]:
agente.set_pontucao(1)
if agente.get_flecha():
agente.set_pontucao(129)
fitness = fit(agente.get_pontuacao(), len(agente.get_nice_moves()), len(agente.get_bad_moves()), mov_sem_ouro, self.__tamanho) #<<<
agente.set_fitness(fitness.calcular_fitness())
memoria_temp = mem()
memoria_temp.ordenar_memoria(vet_ag.copy())
vet_memoria_temp = memoria_temp.get_memoria()
fitness_maximo = vet_memoria_temp[0].get_fitness()
maximos.append(fitness_maximo)
fitness_minimo = vet_memoria_temp[-1].get_fitness()
minimos.append(fitness_minimo)
total_fitness = 0
for celula in vet_memoria_temp:
total_fitness += celula.get_fitness()
media_fitness = total_fitness/len(vet_memoria_temp)
medias.append(media_fitness)
sucessos.append(num_sucesso)
mortes_poco.append(num_mortes_poco)
mortes_wumpus.append(num_mortes_wumpus)
for contador in range(len(vet_memoria_temp)):
ja_existe = False
for contador_b in range(len(vet_mem)):
if vet_memoria_temp[contador].get_id() == vet_mem[contador_b].get_id():
ja_existe = True
if not ja_existe:
if vet_memoria_temp[contador].get_fitness() > vet_mem[0].get_fitness():
vet_mem[-1] = vet_mem[0]
vet_mem[0] = vet_memoria_temp[contador]
memoria.ordenar_memoria(vet_mem.copy())
vet_mem = memoria.get_memoria()
elif vet_memoria_temp[contador].get_fitness() > vet_mem[-1].get_fitness():
vet_mem[-1] = vet_memoria_temp[contador]
memoria.ordenar_memoria(vet_mem.copy())
vet_mem = memoria.get_memoria()
vet_ag = list(vet_mem)
num_eliminados = int(len(vet_ag)*0.6)
for contador in range(num_eliminados):
vet_ag.pop(-1)
nova_pop = Populacao(num_eliminados, geracao, self.__tamanho)
vet_nova_pop = nova_pop.gerar_populacao()
vet_ag += list(vet_nova_pop)
vet_mem[0].imprimir_agente()
# print(f"Poços: {ambiente.getPoco()}\nOuro: {ambiente.getOuro()}\nWumpus: {ambiente.getWumpus()}")
# vet_mem[0].imprimir_agente()
dados = [maximos, minimos, medias, sucessos, mortes_wumpus, mortes_poco]
return dados, vet_mem[0]
class AlgoritmoGenetico():
def __init__(self, taxaCrossover, taxaMutacao, geracoes, numPopulacao,
limiteEspacos, gastoMaximo, qtdElite):
self.taxaCrossover = taxaCrossover
self.taxaMutacao = taxaMutacao
self.geracoes = geracoes
self.numPopulacao = numPopulacao
self.qtdElite = qtdElite
self.melhorSolucao = None
self.populacao = Populacao(numPopulacao, limiteEspacos, gastoMaximo)
self.melhorSolucao = self.populacao.listaDeIndividuos[0]
def executarAG(self):
print('GERAÇÃO 1')
self.populacao.printPopulacao()
print('\n')
for i in range(self.geracoes - 1):
print('GERAÇÃO {}'.format(i + 2))
self.populacao.setListaDeIndividuos(self.elitista())
self.mutacao()
self.populacao.avaliar()
self.populacao.ordernarPopulacao()
self.populacao.printPopulacao()
self.melhorSolucao = self.populacao.melhorIndividuo(
self.melhorSolucao)
print('\n\n')
print('MELHOR SOLUÇÃO ENCONTRADA:')
self.printMelhorSolucao(self.melhorSolucao)
print('\n\n')
print('MELHOR SOLUÇÃO ENCONTRADA NA GERAÇÃO ATUAL:')
self.printMelhorSolucao(self.populacao.listaDeIndividuos[0])
''' Realiza a seleção do individuo mais apto por torneio, considerando N = 2 '''
def selecionarTorneio(self):
individuo_1 = self.populacao.listaDeIndividuos[randint(
0, self.numPopulacao - 1)]
individuo_2 = self.populacao.listaDeIndividuos[randint(
0, self.numPopulacao - 1)]
# retorna individuo com a maior avaliação, ou seja, o vencedor do torneio
if individuo_1.fitness > individuo_2.fitness:
return individuo_1
else:
return individuo_2
''' Clona uma quantidade pré-definida dos melhores indivíduos para a próxima geração. '''
def elitista(self):
self.populacao.setListaDeIndividuos(
sorted(self.populacao.listaDeIndividuos,
key=Individuo.getFitness,
reverse=True))
novaGeracao = []
for i in range(self.qtdElite):
novaGeracao.append(self.populacao.listaDeIndividuos.pop())
self.numPopulacao = len(self.populacao.listaDeIndividuos)
return self.crossover(novaGeracao)
''' Cruzamento entre dois pais para criação de dois filhos. É definido um ponto de corte aleatório em
cada cromossomo e os segmentos de cromossomo criados a partir dos pontos de corte são trocados, criando
dois novos indivíduos. '''
def crossover(self, novaGeracao):
for i in range(int(self.numPopulacao / 2)):
individuo_1 = self.selecionarTorneio()
individuo_2 = self.selecionarTorneio()
if (random() < self.taxaCrossover):
pontoCorte = round(random() + len(individuo_1.cromossomo))
filho_1 = individuo_2.cromossomo[
0:pontoCorte] + individuo_1.cromossomo[pontoCorte::]
filho_2 = individuo_1.cromossomo[
0:pontoCorte] + individuo_2.cromossomo[pontoCorte::]
descricaoJogo = []
descricaoJogo = self.populacao.copiarAtributosJogos()
filhos = [
Individuo(descricaoJogo[0],
descricaoJogo[1], descricaoJogo[2],
len(self.populacao.listaJogos)),
Individuo(descricaoJogo[0], descricaoJogo[1],
descricaoJogo[2], len(self.populacao.listaJogos))
]
filhos[0].setCromossomo(filho_1)
filhos[0].setGeracao(individuo_1.geracao)
filhos[1].setCromossomo(filho_2)
filhos[1].setGeracao(individuo_1.geracao)
novaGeracao.append(filhos[0])
novaGeracao.append(filhos[1])
else:
novaGeracao.append(individuo_1)
novaGeracao.append(individuo_2)
return novaGeracao
def mutacao(self):
for individuo in self.populacao.listaDeIndividuos:
individuo.mutarBit(self.taxaMutacao,
len(self.populacao.listaJogos))
''' Print da melhor solução (indivíduo) recebido. '''
def printMelhorSolucao(self, melhorSolucao):
print("GERAÇÃO: " + str(melhorSolucao.geracao))
melhorSolucao.printCromossomo()
print()
qtdGenes = len(melhorSolucao.cromossomo)
cromossomo = melhorSolucao.cromossomo
for i in range(qtdGenes):
if cromossomo[i] == 1:
print('Jogo: {} Espaço: {} Preço: {} Valor: {}'.format(
self.populacao.listaJogos[i].nome,
self.populacao.listaJogos[i].espaco,
self.populacao.listaJogos[i].preco,
self.populacao.listaJogos[i].valor))
from Populacao import Populacao
from Rainhas import Rainhas
if __name__ == "__main__":
populacao = Populacao(Rainhas, 20)
populacao.evoluir(30)
def executar(self):
resultados = pd.DataFrame({
'melhores': [],
'piores': []
}) # Cria o DF para armazenar os resultados
mapa = Mapa(
self.__mapa) # Instancia e lê as coordenadas do mapa escolhido
cidades = mapa.ler_coordenadas()
pop = Populacao(self.__num_cel, self.__validade, cidades,
0) # Instancia uma nova população
populacao = pop.gerar_populacao() # Gera o DF da população
populacao.sort_values(
by='fitness',
inplace=True) # Ordena a população de acordo com o fitness
populacao.index = range(
populacao.shape[0]) # Ajusta o índice da população
mem = Memoria(populacao[:self.__tamanho_mem].copy()
) # Armazena na memória uma parcela da população
mem.ordenar_memoria() # Ordena a memória
for geracao in range(self.__num_ger): # Para cada geração:
# Clona a população de acordo com a quantidade estipulada de clones
populacao = clonar(populacao, self.__num_clones, geracao,
self.__validade, cidades)
populacao = pd.DataFrame(populacao)
# Ordena os valores da população de acordo com o 'fitness'
populacao.sort_values(by='fitness', inplace=True)
populacao.index = range(populacao.shape[0])
# Cria um data set temporário para a memória
memoria = pd.DataFrame(mem.get_memoria())
# Verifica uma a uma as células presentes na memória
for index, celula in populacao.iterrows():
# Armazena o pior valor de fitness
pior_fit = memoria.fitness.max()
# Verifica quais células já estão presentes na memória de acordo com o fitness
talvez_exista = memoria.fitness == celula.fitness
existe = False
for possibilidade in talvez_exista:
if possibilidade:
existe = True
# Armazena somente as células que não estão presentes na memória e possuem um 'fitness' melhor do que o
# pior já armazenado
if (celula.fitness < pior_fit) and (not existe):
memoria.drop([memoria.shape[0] - 1],
inplace=True) # Remove a última célula
memoria = memoria.append(
celula, ignore_index=True) # Adiciona a célula nova
memoria.sort_values(
by='fitness', inplace=True
) # Ordena a população de acordo com o fitness
memoria.index = range(
memoria.shape[0]) # Ajusta o índice da população
# Armazena o melhor fitness da memória e o pior fitness da população
resultados = resultados.append(
{
'melhores': memoria.fitness.min().copy(),
'piores': populacao.fitness.max().copy()
},
ignore_index=True)
# Diminui a validade das células
memoria.validade -= 1
# Verifica uma a uma as células presentes na memória
for index, row in memoria.iterrows():
if row.validade < 0: # Modifica o fitness se a validade for menor que zero
memoria.loc[index, 'fitness'] += row.fitness * 0.5
populacao = memoria.copy()
populacao = clonar(populacao,
int(self.__num_cel / self.__tamanho_mem - 1),
geracao, self.__validade, cidades)
populacao.sort_values(by='fitness', inplace=True)
populacao.index = range(populacao.shape[0])
mem.set_memoria(memoria.copy())
mem.ordenar_memoria()
print(
f'\n### {geracao} - {self.__execucao} ###\n{populacao.loc[0, "fitness"]}'
)
return resultados
