def busquedaLocal(data, k, MAX_EVALUACIONES=MAX_EVALUACIONES_GL, w_param=-1):
"""
@brief Función de busqueda local para hallar un vector de pesos.
@param data Lista con el conjunto de datos.
@param k Valor de vecinos que se quieren calcular en KNN.
@param MAX_EVALUACIONES Número máximo de evaluaciones, por defecto es MAX_EVALUACIONES_GL=15000
@param w_param Vector de pesos del que se quiere arrancar la búsqueda local. Por defecto el valor es -1, con lo que se toma una solución inicial aleatoria.
@return Devuelve un vector de pesos.
"""
#Obtengo las clases de las tuplas
labels_np = np.array([d[-1] for d in data])
#Convierto todas las tuplas menos la clase a un numpy array
data_np = np.array([d[:-1] for d in data])
#El máximo número de vecinos a explorar es 20 por la dimension
MAX_VECINOS = 20 * (len(data[0]) - 1)
vecinos = 0
evaluaciones = 0
#Inicializo la solución
w = primerVector(len(data[0]) - 1) if w_param == -1 else w_param
posicion_mutacion = 0
#Inicializo la valoración de la solución
tc, tr = knn.Valoracion(data_np, data_np, k, np.array(w), labels_np,
labels_np, True)
valoracion_actual = tc + tr
#Bucle principal
while evaluaciones < MAX_EVALUACIONES and vecinos < MAX_VECINOS:
evaluaciones += 1
vecinos += 1
#Tomo un vecino con el operador de mutación
vecino, posicion_mutacion = auxiliar.mutacion(w, posicion_mutacion)
#Calculo su valoración
tc, tr = knn.Valoracion(data_np, data_np, k, np.array(vecino),
labels_np, labels_np, True)
valoracion_vecino = tc + tr
#Si ha mejorado a la solución w entonces la reemplazamos
if valoracion_vecino > valoracion_actual:
vecinos = 0
w = vecino
valoracion_actual = valoracion_vecino
posicion_mutacion = 0
elif posicion_mutacion == len(w):
posicion_mutacion = 0
#Devuelve la solución como un numpy array y el número de evaluaciones
return np.array(w), evaluaciones
def GeneticoEstacionario(data, k, operador_cruce):
'''
@brief Algoritmo genético estacionario.
@param data Conjunto de datos.
@param k Número de vecinos para el KNN.
@param operador_cruce Operador de cruce usado.
@return Devuelve el mejor individuo de la población final.
'''
#Se fija el número de padres en función del operador
num_padres = 0
if operador_cruce == cruceAritmetico:
num_padres = 4
elif operador_cruce == cruceBLX:
num_padres = 2
else:
print("Has pasado un operador de cruce no válido.")
return (-1)
#Se toman las tuplas y sus clases
data_np = np.array([d[:-1] for d in data])
labels_np = np.array([d[-1] for d in data])
#Se genera la población inicial de forma aleatoria con sus valoraciones
poblacion = generaPoblacionInicial(len(data[0][:-1]))
valoraciones = np.array([
knn.Valoracion(data_np, data_np, k, w, labels_np, labels_np, True)
for w in poblacion
])
valoraciones = np.sum(valoraciones, axis=1)
evaluaciones = TAM_POBLACION
#Bucle principal
while evaluaciones < MAX_EVALUACIONES:
#Hijos con el operador aritmetico
if num_padres == 4:
padres = [torneoBinario(poblacion, valoraciones) for i in range(4)]
hijo1 = operador_cruce(poblacion[padres[0]], poblacion[padres[1]])
hijo2 = operador_cruce(poblacion[padres[2]], poblacion[padres[3]])
#Hijos con el operador blx
else:
padres = [torneoBinario(poblacion, valoraciones) for i in range(2)]
hijo1 = operador_cruce(poblacion[padres[0]], poblacion[padres[1]])
hijo2 = operador_cruce(poblacion[padres[0]], poblacion[padres[1]])
#Se hace la mutación en los dos hijos generados
for i in range(len(hijo1)):
if random.randint(1, 1000) <= PROB_MUTACION * 1000:
hijo1, pos = auxiliar.mutacion(hijo1, i)
for i in range(len(hijo2)):
if random.randint(1, 1000) <= PROB_MUTACION * 1000:
hijo2, pos = auxiliar.mutacion(hijo2, i)
#Se añaden los dos hijos con sus valoraciones
poblacion = np.append(poblacion, [hijo1], axis=0)
tc, tr = knn.Valoracion(data_np, data_np, k, poblacion[-1], labels_np,
labels_np, True)
valoraciones = np.append(valoraciones, tc + tr)
poblacion = np.append(poblacion, [hijo2], axis=0)
tc, tr = knn.Valoracion(data_np, data_np, k, poblacion[-1], labels_np,
labels_np, True)
valoraciones = np.append(valoraciones, tc + tr)
#Se toman los TAM_POBLACION mejores de la población después de añadir a los hijos
indices_nueva_poblacion = np.argpartition(valoraciones,
2)[::-1][:TAM_POBLACION]
poblacion = poblacion[indices_nueva_poblacion]
valoraciones = valoraciones[indices_nueva_poblacion]
evaluaciones += 2
#Se devuelve al mejor de la población
valoraciones_final = np.array([
knn.Valoracion(data_np, data_np, k, w, labels_np, labels_np, True)
for w in poblacion
])
valoraciones_final = np.sum(valoraciones_final, axis=1)
return np.array(poblacion[np.argmax(valoraciones_final)])
def GeneticoGeneracional(data, k, operador_cruce):
'''
@brief Algoritmo genético Generacional.
@param data Conjunto de datos.
@param k Número de vecinos en el KNN.
@param operador_cruce Operador usado para cruzar individuos.
'''
#Toma las tuplas y sus clases
data_np = np.array([d[:-1] for d in data])
labels_np = np.array([d[-1] for d in data])
#Número de características
ncar = len(data[0][:-1])
#Inicializa la población
poblacion = generaPoblacionInicial(ncar)
#Número de mutaciones prefijado
mutaciones = int(PROB_MUTACION * TAM_POBLACION * ncar)
#Número de parejas a tomar
num_parejas = int(TAM_POBLACION * PROB_CRUCE_AGG)
evaluaciones = TAM_POBLACION
#Calcula las valoraciones y al mejor de la población
valoraciones = np.array([
knn.Valoracion(data_np, data_np, k, w, labels_np, labels_np, True)
for w in poblacion
])
valoraciones = np.sum(valoraciones, axis=1)
mejor_solucion_ind = np.argmax(valoraciones)
mejor_solucion_valor = valoraciones[mejor_solucion_ind]
mejor_solucion = poblacion[mejor_solucion_ind]
#Bucle principal
while evaluaciones < MAX_EVALUACIONES:
hijos = []
#Para cada pareja se hace el cruce
for i in range(num_parejas):
if operador_cruce == cruceAritmetico:
padres = [
torneoBinario(poblacion, valoraciones) for i in range(4)
]
hijos.append(
operador_cruce(poblacion[padres[0]], poblacion[padres[1]]))
hijos.append(
operador_cruce(poblacion[padres[2]], poblacion[padres[3]]))
hijos.append(
operador_cruce(poblacion[padres[0]], poblacion[padres[2]]))
hijos.append(
operador_cruce(poblacion[padres[1]], poblacion[padres[2]]))
else:
padres = [
torneoBinario(poblacion, valoraciones) for i in range(2)
]
hijos.append(
operador_cruce(poblacion[padres[0]], poblacion[padres[1]]))
hijos.append(
operador_cruce(poblacion[padres[0]], poblacion[padres[1]]))
#Se mutan los hijos
for i in range(mutaciones):
cr = random.randint(0, len(hijos) - 1)
gen = random.randint(0, ncar - 1)
hijos[cr], pos = auxiliar.mutacion(hijos[cr], gen)
#Se rellena la población de hijos con un torneo binario
for i in range(len(hijos), TAM_POBLACION):
hijos.append(poblacion[torneoBinario(poblacion, valoraciones)])
poblacion = np.array(hijos)
#Se recalculan las valoraciones
valoraciones = np.array([
knn.Valoracion(data_np, data_np, k, w, labels_np, labels_np, True)
for w in poblacion
])
valoraciones = np.sum(valoraciones, axis=1)
evaluaciones += TAM_POBLACION
#Se comprueba si la peor solución de esta población es mejor que el mejor de la anterior, si no es asi se reemplaza
peor_solucion_ind = np.argmin(valoraciones)
peor_solucion_valor = valoraciones[peor_solucion_ind]
peor_solucion = poblacion[peor_solucion_ind]
if peor_solucion_valor < mejor_solucion_valor:
poblacion[peor_solucion_ind] = mejor_solucion
mejor_solucion_ind = np.argmax(valoraciones)
mejor_solucion_valor = valoraciones[mejor_solucion_ind]
mejor_solucion = poblacion[mejor_solucion_ind]
#Se devuelve al mejor de la población
return np.array(mejor_solucion)
def EnfriamientoSimulado(data, k, MAX_EVALS=15000):
'''
@brief Función que implementa el algoritmo de enfriamiento simulado
@param data Conjunto de datos
@param k Constante que se emplea en la valoración para el KNN
@param MAX_EVALS Número máximo de evaluaciones, por defecto es 15000
@return Devuelve una solución de APC
'''
#Se toman las tuplas y sus clases
data_np = np.array([d[:-1] for d in data])
labels_np = np.array([d[-1] for d in data])
#Número de características
ncar = len(data_np[0])
#Solución inicial
sol = np.random.uniform(0, 1, ncar)
mejor_sol = np.copy(sol)
valoracion = knn.Valoracion(data_np, data_np, k, sol, labels_np, labels_np,
True, True)
valoracion_mejor_sol = valoracion
#Temperatura inicial. Probablemente mal (reemplazar por 100-valoracion)
T0 = (MU * (valoracion)) / (-np.log(PHI))
#Temperatura final
#Si la temperatura inicial es menor que la inicial entonces bajamos la temperatura final
TF = 1e-03 if 1e-03 > T0 else T0 - 1e-03
#Número de enfriamientos, máximos vecinos y máximos éxitos
max_vecinos = 10.0 * ncar
K = 1
M = MAX_EVALS / max_vecinos
max_exitos = 0.1 * max_vecinos
#Beta
beta = (T0 - TF) / (M * T0 * TF)
#Inicializa la temperatura y evaluaciones
t = T0
evaluaciones = 1
#Bucle principal
while t > TF and evaluaciones < MAX_EVALS:
#Inicializo el número de vecinos considerados
vecinos = 0
#Booleano que indica si el vecino ha sido aceptado como solución
aceptados = 0
#Mientras que no se acepte la solución y no se halla considerado el máximo número de vecinos
while aceptados < max_exitos and vecinos < max_vecinos:
vecinos += 1
evaluaciones += 1
#Se obtiene el vecino y se ignora pos_nueva
vecino, pos_nueva = auxiliar.mutacion(
sol, np.random.randint(0, ncar - 1))
valoracion_vecino = knn.Valoracion(data_np, data_np, k, vecino,
labels_np, labels_np, True,
True)
#Diferencia entre las valoraciones
delta = valoracion - valoracion_vecino
#Si la solución es mejor o un valor aleatorio cumple la condicion
if delta < 0 or np.random.uniform(0, 1) < np.exp(-delta / (t * K)):
#Aceptamos la solución
sol = vecino
valoracion = valoracion_vecino
aceptados += 1
#Actualizamos la mejor solución si es necesario
if valoracion_mejor_sol < valoracion:
mejor_sol = np.copy(sol)
valoracion_mejor_sol = valoracion
#Disminuyo la temperatura
t = enfriamiento(t, beta)
K += 1
return np.array(sol)
def Memetico(data, k, operador_cruce, nGeneraciones, prob_bl, mejores=False):
'''
@brief Algoritmo memético.
@param data Conjunto de datos.
@param k Número de vecinos para el KNN.
@param operador_cruce Operador de cruce usado.
@param nGeneraciones Número de generaciones en las que se ejecutará la búsqueda local.
@param prob_bl Porcentaje de individuos a los que se aplica la búsqueda local.
@param mejores Booleano que indica si aplicamos la búsqueda local sobre los mejores individuos de la población.
@return Devuelve al mejor individuo de la población final.
'''
#Toma las tuplas y sus clases
data_np = np.array([d[:-1] for d in data])
labels_np = np.array([d[-1] for d in data])
ncar = len(data[0][:-1])
#Genera la población inicial
poblacion = geneticos.generaPoblacionInicial(ncar, TAM_POBLACION)
#Número de mutaciones prefijado
mutaciones = int(PROB_MUTACION * TAM_POBLACION * ncar)
#Número de parejas
num_parejas = int(TAM_POBLACION * PROB_CRUCE_AGG)
evaluaciones = TAM_POBLACION
#Actualiza las valoraciones y la mejor solución
valoraciones = np.array([
knn.Valoracion(data_np, data_np, k, w, labels_np, labels_np, True)
for w in poblacion
])
valoraciones = np.sum(valoraciones, axis=1)
mejor_solucion_ind = np.argmax(valoraciones)
mejor_solucion_valor = valoraciones[mejor_solucion_ind]
mejor_solucion = poblacion[mejor_solucion_ind]
contador_generaciones = 1
#Bucle principal
while evaluaciones < MAX_EVALUACIONES:
#Cada nGeneraciones
if contador_generaciones % nGeneraciones == 0:
n_elem_bl = int(prob_bl * TAM_POBLACION)
individuos = []
#Aplicamos BL a una muestra aleatoria de n_elem_bl elementos
if not mejores:
individuos = random.sample(range(TAM_POBLACION), n_elem_bl)
#Le aplicamos la BL a los n_elem_bl mejores de la población
else:
individuos = valoraciones.argsort()[-n_elem_bl:][::-1]
for ind in individuos:
poblacion[ind], ev = busqueda_local.busquedaLocal(
data, k, 2 * len(data_np[0]))
evaluaciones += ev
#Actualiza las valoraciones
valoraciones = np.array([
knn.Valoracion(data_np, data_np, k, w, labels_np, labels_np,
True) for w in poblacion
])
valoraciones = np.sum(valoraciones, axis=1)
evaluaciones += TAM_POBLACION
contador_generaciones += 1
hijos = []
#Genera los hijos
for i in range(num_parejas):
if operador_cruce == geneticos.cruceAritmetico:
padres = [
geneticos.torneoBinario(poblacion, valoraciones,
TAM_POBLACION) for i in range(4)
]
hijos.append(
operador_cruce(poblacion[padres[0]], poblacion[padres[1]]))
hijos.append(
operador_cruce(poblacion[padres[2]], poblacion[padres[3]]))
hijos.append(
operador_cruce(poblacion[padres[0]], poblacion[padres[2]]))
hijos.append(
operador_cruce(poblacion[padres[1]], poblacion[padres[2]]))
else:
padres = [
geneticos.torneoBinario(poblacion, valoraciones,
TAM_POBLACION) for i in range(2)
]
hijos.append(
operador_cruce(poblacion[padres[0]], poblacion[padres[1]]))
hijos.append(
operador_cruce(poblacion[padres[0]], poblacion[padres[1]]))
#Muta los hijos
for i in range(mutaciones):
cr = random.randint(0, len(hijos) - 1)
gen = random.randint(0, ncar - 1)
hijos[cr], pos = auxiliar.mutacion(hijos[cr], gen)
#Rellena la población de hijos con un torneo binario
for i in range(len(hijos), TAM_POBLACION):
hijos.append(poblacion[geneticos.torneoBinario(
poblacion, valoraciones, TAM_POBLACION)])
poblacion = np.array(hijos)
#Actualiza las valoraciones y comprueba si la peor solución de esta población es peor que la mejor de la anterior
valoraciones = np.array([
knn.Valoracion(data_np, data_np, k, w, labels_np, labels_np, True)
for w in poblacion
])
valoraciones = np.sum(valoraciones, axis=1)
evaluaciones += TAM_POBLACION
peor_solucion_ind = np.argmin(valoraciones)
peor_solucion_valor = valoraciones[peor_solucion_ind]
peor_solucion = poblacion[peor_solucion_ind]
if peor_solucion_valor < mejor_solucion_valor:
poblacion[peor_solucion_ind] = mejor_solucion
mejor_solucion_ind = np.argmax(valoraciones)
mejor_solucion_valor = valoraciones[mejor_solucion_ind]
mejor_solucion = poblacion[mejor_solucion_ind]
#Devuelve la mejor solución
return np.array(mejor_solucion)