def vecindario(tabla):
j = int(aleatorios.generaAleatorio(9)) #cuadrante
k = int(aleatorios.generaAleatorio(9)) #casilla 1
a = int(aleatorios.generaAleatorio(9)) #casilla 2
if tabla[j][k][1] == False:
if tabla[j][a][1] == False:
aux = tabla[j][k][0]
tabla[j][k][0] = tabla[j][a][0]
tabla[j][a][0] = aux
return tabla
def evolucionDiferencial(n,nTuplas,intervalo,criterioP,funcion,padresV): c = 0 hijosV = iniciaHijo(4,5) while criterioP > c: mutantesV = mutantes(n,nTuplas,padresV,intervalo) for j in range(n): for i in range(nTuplas): r = aleatorios.generaAleatorio(1) if r < cR: hijosV[j][i]=copy.deepcopy(mutantesV[j][i]) else: hijosV[j][i]=copy.deepcopy(padresV[j][i]) for i in range(n): fP = funcionDePrueba(funcion,padresV[i]) fH = funcionDePrueba(funcion,hijosV[i]) if fH < fP: padresV[i]=copy.deepcopy(hijosV[i]) else: padresV[i]=padresV[i] #print(i,"valor funcion = ", round(aleatorios.funSchwefel(padresV[i]),2)) c=c+1 return padresV
def mutantes(n, nTuplas, padresV, intervalo):
mutante = []
mutantesV = []
for j in range(n):
for i in range(nTuplas):
aleP = []
while len(aleP) < nTuplas:
rnd = int(aleatorios.generaAleatorio(nTuplas))
if rnd not in aleP:
aleP.append(rnd)
aleP.remove(i)
m = padresV[j][aleP[0]] + f * (padresV[j][aleP[1]] -
padresV[j][aleP[2]])
if m > intervalo:
m = intervalo
elif m < -intervalo:
m = -intervalo
mutante.append(m)
mutantesV.append(mutante)
mutante = []
for i in range(n):
mutantesV[i]
return mutantesV
def metropoli(tablaA, tabla, t):
fS = penalizacion(tabla)
fo = penalizacion(tablaA)
r = aleatorios.generaAleatorio(1)
e = math.exp((-1 * (fS - fo)) / t)
if (r < e):
return tabla
else:
return tablaA
def seleccionaCentroide(datos):
i = 0
centroides = []
while i < nGrupos:
r = int(aleatorios.generaAleatorio(lineas))
if r not in centroides:
centroides.append(r)
i = i + 1
for i in range(len(centroides)):
centroides[i] = datos[centroides[i]]
return centroides
def solucionInicial(tabla):
for j in range(len(tabla)):
b = []
while len(b) < 9:
r = int(aleatorios.generaAleatorio(9)) + 1
if r not in b:
b.append(r)
for i in range(len(tabla[j])):
if tabla[j][i][0] in b:
b.remove(tabla[j][i][0])
for i in range(len(tabla[j])):
if tabla[j][i][1] == False:
if len(b) > 0:
tabla[j][i][0] = b.pop()
return tabla
def ruleta(costos): costor = copy.deepcopy(costos) for i in range(5): fitness=0.0 mini=costos[0] for j in range(1,5): if mini > costos[j]: mini = costos[j] mini=mini+1 for j in range(5): costor[j]=mini-costos[j] fitness=fitness+costor[j] r=aleatorios.generaAleatorio(1) x=0 fitnessparcial=costor[0]/fitness while (r>fitnessparcial): x=x+1 fitnessparcial=fitnessparcial+(costor[x]/fitness) j=x return j
def inicio(): aleatorios.nuevaSemilla(45454) padres = [] padresB = [] costo = [] for i in range(5): padre = [] for k in range(3): x = '' for j in range(11): r = aleatorios.generaAleatorio(1) if r < 0.5: x = x +'0' else: x = x + '1' padre.append(x) padres.append(padre) padresB = copy.deepcopy(padres) for i in range(5): for j in range(3): padresB[i][j] = areal(padres[i][j]) for i in range(5): costo.append(aleatorios.funMulGriewank(padresB[i]))
def inicio():
centroidesM = []
soluciones = []
mejorSolucion = 0
peorSolucion = 0
semillero = aleatorios.semillero(6, 30) #inicia semillero
aleatorios.nuevaSemilla(semillero[0]) #inicia semilla
datos = []
print("Clostering con ABK")
datos = recolectaDatos() # recolectar los datos de txt
#en este punto ya tenemos nuestor 3 gurpos en poblacion inicial
for c in range(30):
global llamadasALaFoncion
llamadasALaFoncion = 0
aleatorios.nuevaSemilla(semillero[c])
generaciones = 0
for i in range(cantidadDeFuenteAlimento):
fuentesDeAlimento.append(seleccionaCentroide(datos))
costoDeFuenteAlimento.append(aptitud(datos, fuentesDeAlimento[i]))
costoR.append(aptitud(datos, fuentesDeAlimento[i]))
cambio.append(0)
mejorConocida = fuentesDeAlimento[0]
mejorCosto = aptitud(datos, mejorConocida)
FuenteVecina = seleccionaCentroide(datos)
while llamadasALaFoncion <= 10000:
#abejas empleadas
for i in range(cantidadDeFuenteAlimento):
j = i
while j == i:
j = int(
aleatorios.generaAleatorio(cantidadDeFuenteAlimento))
for k in range(nGrupos):
resultado = []
signo = aleatorios.generaAleatorio(1)
r = aleatorios.generaAleatorio(1)
if signo > 0.5:
r = r * -1
resX = fuentesDeAlimento[i][k][0] + r * (
fuentesDeAlimento[i][k][0] -
fuentesDeAlimento[j][k][0])
resY = fuentesDeAlimento[i][k][1] + r * (
fuentesDeAlimento[i][k][1] -
fuentesDeAlimento[j][k][1])
resultado.append(resX)
resultado.append(resY)
FuenteVecina[k] = resultado
cost = aptitud(datos, FuenteVecina)
if (costoDeFuenteAlimento[i] >= cost):
fuentesDeAlimento[i] = FuenteVecina
costoDeFuenteAlimento[i] = cost
cambio[i] = 0
if (mejorCosto >= cost):
mejorCosto = cost
mejorConocida = FuenteVecina
FuenteVecina = seleccionaCentroide(datos)
else:
cambio[i] = cambio[i] + 1
#terminas las abejas empleadas
#abejas observadoras
for i in range(cantidadDeFuenteAlimento):
fitness = 0.0
maximo = max(costoDeFuenteAlimento)
for i in range(cantidadDeFuenteAlimento):
costoR[i] = maximo - costoDeFuenteAlimento[i]
pi = costoR[i] / sum(costoR)
r = aleatorios.generaAleatorio(1)
if r < pi:
j = i
while j == i:
j = int(
aleatorios.generaAleatorio(
cantidadDeFuenteAlimento))
for k in range(nGrupos):
resultado = []
signo = aleatorios.generaAleatorio(1)
r = aleatorios.generaAleatorio(1)
if signo > 0.5:
r = r * -1
resX = fuentesDeAlimento[i][k][0] + r * (
fuentesDeAlimento[i][k][0] -
fuentesDeAlimento[j][k][0])
resY = fuentesDeAlimento[i][k][1] + r * (
fuentesDeAlimento[i][k][1] -
fuentesDeAlimento[j][k][1])
resultado.append(resX)
resultado.append(resY)
FuenteVecina[k] = resultado
cost = aptitud(datos, FuenteVecina)
if (costoDeFuenteAlimento[i] >= cost):
fuentesDeAlimento[i] = FuenteVecina
costoDeFuenteAlimento[i] = cost
cambio[i] = 0
if (mejorCosto >= cost):
mejorCosto = cost
mejorConocida = FuenteVecina
FuenteVecina = seleccionaCentroide(datos)
else:
cambio[i] = cambio[i] + 1
#terminanObservadoras
#inician exploradoras
for i in range(cantidadDeFuenteAlimento):
if cambio[i] >= limitecambios:
fuentesDeAlimento[i] = seleccionaCentroide(datos)
costoDeFuenteAlimento[i] = aptitud(datos,
fuentesDeAlimento[i])
cambio[i] = 0
generaciones = generaciones + 1
#terminan generaciones
centroidesM.append(mejorConocida)
soluciones.append(aptitud(datos, mejorConocida))
print("Semilla = ", semillero[c], "Mejor Solucion = ",
aptitud(datos, mejorConocida))
#print("llamadas a la funcion = : ",llamadasALaFoncion)
indice = soluciones.index(min(soluciones))
print("Mejor solucion ", min(soluciones))
print("Peor solucion", max(soluciones))
print("promedio = ", sum(soluciones) / 30)
print("indice de la mejorSolucion", indice)
clusteringFinal = K_Means(datos, centroidesM[indice])
for i in range(nGrupos):
for j in range(len(clusteringFinal[i])):
for k in range(dimencion):
print(clusteringFinal[i][j][k], end=' ')
print()