def alg():
start = 0
koniec = start
rozmiar_macierzy_wag = 30
rozmiar_populacji = 30
liczba_iteracji = 1000
liczba_par = 9
liczba_najlepszych_rozwiazan = 2
prawdopodobienstwo_mutacji = 0.05
liczba_grup = 1
macierz = macierz_wag(rozmiar_macierzy_wag)
populacja = populacja_startowa(rozmiar_populacji, macierz, start, koniec)
ostatnia_odl = 10000000
najlepsze_wyniki = []
for i in range(liczba_iteracji):
nowa_populacja = []
# drogi bieżącej populacji
wyniki = wynik_populacji(populacja, macierz)
najlepszy = populacja[np.argmin(wyniki)] # najkrotsza droga
liczba_ruchow = len(najlepszy)
odleglosc = zmierz_dlugosc(najlepszy, macierz)
if odleglosc != ostatnia_odl:
print('Iteracja %i: droga wynosi %f' % (i, odleglosc))
# rozmnażanie się członków na podstawanie wyników podobieństwa/metoda ruletki
for j in range(liczba_par):
nowy_1 = krzyzowanie(list(populacja[znajdz_kolege(wyniki)]),
list(populacja[znajdz_kolege(wyniki)]))
nowa_populacja = nowa_populacja + [nowy_1]
# mutacja
for j in range(len(nowa_populacja)):
nowa_populacja[j] = np.copy(
mutacja(nowa_populacja[j], prawdopodobienstwo_mutacji,
macierz))
# zatrzymanie członków starej populacjiw w nowej
nowa_populacja += [populacja[np.argmin(wyniki)]]
for j in range(1, liczba_najlepszych_rozwiazan):
przechowawca = znajdz_kolege(wyniki)
nowa_populacja += [populacja[przechowawca]]
# uzupełnienianie populacji randmowymi członkami
while len(nowa_populacja) < rozmiar_populacji:
nowa_populacja += [nowy_osobnik(macierz, start, koniec)]
populacja = copy.deepcopy(nowa_populacja)
ostatnia_odl = odleglosc
najlepsze_wyniki.append([i, odleglosc])
def hooke_jeeves(f, x1, x2, step=0.1):
first_x1 = x1
first_x2 = x2
best_x1 = False
best_x2 = False
while best_x1 == False:
test_x1 = np.array([[x1, x2], [x1 + step, x2], [x1 - step, x2]])
if np.argmin([
f(test_x1[0][0], test_x1[0][1]),
f(test_x1[1][0], test_x1[0][1]),
f(test_x1[2][0], test_x1[0][1])
]) == 1:
x1 += step
elif np.argmin([
f(test_x1[0][0], test_x1[0][1]),
f(test_x1[1][0], test_x1[0][1]),
f(test_x1[2][0], test_x1[0][1])
]) == 2:
x1 -= step
else:
best_x1 = True
while best_x2 == False:
test_x2 = np.array([[x1, x2], [x1, x2 + step], [x1, x2 - step]])
if np.argmin([
f(test_x2[0][0], test_x2[0][1]),
f(test_x2[0][0], test_x2[1][1]),
f(test_x2[0][0], test_x2[2][1])
]) == 1:
x2 += step
elif np.argmin([
f(test_x2[0][0], test_x2[0][1]),
f(test_x2[0][0], test_x2[1][1]),
f(test_x2[0][0], test_x2[2][1])
]) == 2:
x2 -= step
else:
best_x2 = True
Difference = np.subtract([first_x1, first_x2], [x1, x2])
print("Original x1,x2:", first_x1, first_x2, "\n", "Improved x1,x2:", x1,
x2, "\n", "Difference:", Difference)
def return_low_value(f, x1, x2, step=0.1):
found_center = False
while found_center == False:
test_points = np.array([[x1, x2], [x1 + step, x2], [x1 - step, x2],
[x1, x2 + step], [x1, x2 - step]])
results = []
for i in test_points:
results.append(f(i[0], i[1]))
x1 = test_points[np.argmin(results)][0]
x2 = test_points[np.argmin(results)][1]
if np.argmin(results) == 0:
found_center = True
return test_points[np.argmin(results)]
def brute_global_min(f, a, b):
sections = np.linspace(a, b, 50)
results = []
for i in sections:
results.append(f(i))
start_value = sections[np.argmin(results)]
min_interval = find_minimum_interval(f, x=start_value)
return slope_min(f, min_interval[0], min_interval[1])
s.loc[] # indexing with string label
s[0:5] # select first 5 rows. This works even if you have a custom index
#------------------ ORGANIZE / SORT -----------------#
Series.reindex(index=None)
# index = New labels / index to conform to. Preferably an Index object to avoid duplicating data
Series.sort_index()
pd.concat() # for combining a series to a dataframe,
# or concatinating multiple dataframes on to each other
bank_stocks = pd.concat(objs=[bac, c, gs], axis=1, keys=['BAC', 'C', 'GS'])
#---- minimum / maximum
pd.argmin() # index of the minimum value
pd.argmax() # index of the maximum value
#---- count the unique values
pd.value_counts(normalize=False,sort=True,ascending=False,bins=None,dropna=True) # Returns object containing counts of unique values.
Series.nunique() # counts number of unique values in a series
#---- Unique values
Series.unique() # Return np.ndarray of unique values in the object.
#---- Rename a series
s.rename("different", inplace=True) # scalar, changes Series.name
s.rename(lambda x: x ** 2) # function, changes labels (indeces)
s.rename({1: 3, 2: 5}) # mapping, changes labels (indeces)