def weight_test(inp):
wqs = WaterQualitySim(inp)
node_dirt = wqs.parallel_compute_time_dirt(wqs.nodeList,
is_json=False) # 水质模拟
new_dirt = WaterQualitySimData(node_dirt=node_dirt).change_number(
is_out=False) # 数据处理
# 权重数据
fn = FilterNode(inp)
data1 = fn.compute_water_data()
data2 = fn.data_normalization(data1)
print("管网节点数：", len(wqs.nodeList))
print("污染数据的键数：", len(new_dirt.keys()))
print(len(data2["diff_demand"]))
pipe_list = list(data2["degree_list"])
#print(len(pipe_list))
for i, j in enumerate(new_dirt.values()):
j.append(pipe_list[i])
print(new_dirt)
sp = WeightSensorPlacement(node_dirt=new_dirt,
individuals_num=8,
iterations_num=500) # 算法迭代
node_result = sp.iteration() # 结果输出
sp.draw_node(node_result) # 帕累托解集显示
result_list = index_to_node(node_result, wqs.nodeList) # 将已转化为索引的节点再还原回来
for i in result_list:
print(i)
def no_file2(inp_path):
"""
不生成结果文件，数据全部由上个函数返回值组成
"""
# 管网加载模块，改善自WNTR库，添加水质模拟模块
wqs = WaterQualitySim(inp_path)
# 水质模拟 is_json=False表示不产生json文件
"""
产生dirt结果:
{注入污染节点1：{影响节点1：初次污染时间，影响节点2：初次污染时间,...}，
注入污染节点2：{影响节点1：初次污染时间，影响节点2：初次污染时间,...}，
...}
"""
ky2_paixu = "F://AWorkSpace//2020data//节点重要性排序数据//node_centrality_ky2.json"
# node_list = read_paixu(ky2_paixu, cen, large)
#node_dirt = wqs.parallel_compute_time_dirt(node_list, is_json=False)
node_dirt = wqs.parallel_compute_time_dirt(wqs.nodeList, is_json=False)
# 数据处理
"""
将水质模拟的结果改为如下形式，并且节点映射为0 1 2 3...方便算法计算
{节点1：[[污染事件1，污染事件2，...], 平均污染时间]，
节点2：[[污染事件1，污染事件2，...], 平均污染时间]，
...}
"""
dirt_data = WaterQualitySimData(node_dirt=node_dirt).change_number(
is_out=False)
# 算法计算
sp = SensorPlacement(node_dirt=dirt_data,
individuals_num=100,
iterations_num=500,
cross_probability=0.8,
mutation_probability=0.4)
# 迭代主程序 产生结果
"""
node_result样式
[[节点1，节点2..]
[节点1，节点2..]
...]
"""
node_result = sp.iteration() # 迭代主程序，输出结果
sp.draw_node(node_result) # 绘图
result_list = index_to_node(node_result, wqs.nodeList) # 还原原来的节点名称
for i in result_list:
print(i)
return node_result
def NSGA2():
"""
算法迭代
"""
wqs = WaterQualitySim("F:/AWorkSpace/Python-Learning-Data/Net3.inp")
final_json = "final_json.json"
sp = SensorPlacement(json_path=final_json,
individuals_num=10,
iterations_num=20)
node_result = sp.iteration() # 迭代主程序，输出结果
sp.draw_node(node_result) # 绘图
result_list = index_to_node(node_result, wqs.nodeList) # 还原原来的节点名称
for i in result_list:
print(i)
def ky8_json_test():
"""
ky8的普通读json文件的算法迭代结果
:return:
"""
ky8_inp = "F:/AWorkSpace/Python-Learning-Data/ky8.inp"
wqs = WaterQualitySim(ky8_inp)
final_json = "D:/Git/SensorPlacementInDistributionNetworks/simulation/final_json.json"
sp = SensorPlacement(json_path=final_json,
individuals_num=100,
iterations_num=500) # 算法迭代
node_result = sp.iteration() # 结果输出
sp.draw_node(node_result) # 帕累托解集显示
result_list = index_to_node(node_result, wqs.nodeList) # 将已转化为索引的节点再还原回来
for i in result_list:
print(i)
def dirt_test():
ky8_inp = "F:/AWorkSpace/Python-Learning-Data/ky2.inp"
wqs = WaterQualitySim(ky8_inp) # 加载管网
node_dirt = wqs.parallel_compute_time_dirt(wqs.nodeList,
is_json=False) # 水质模拟
new_dirt = WaterQualitySimData(node_dirt=node_dirt).change_number(
is_out=False) # 数据处理
sp = SensorPlacement(node_dirt=new_dirt,
individuals_num=8,
iterations_num=500) # 算法迭代
node_result = sp.iteration() # 结果输出
sp.draw_node(node_result) # 帕累托解集显示
result_list = index_to_node(node_result, wqs.nodeList) # 将已转化为索引的节点再还原回来
for i in result_list:
print(i)
def no_file(inp_path):
"""
不生成结果文件，数据全部由上个函数返回值组成
"""
# 管网加载模块，改善自WNTR库，添加水质模拟模块
wqs = WaterQualitySim(inp_path)
# 水质模拟 is_json=False表示不产生json文件
"""
产生dirt结果:
{注入污染节点1：{影响节点1：初次污染时间，影响节点2：初次污染时间,...}，
注入污染节点2：{影响节点1：初次污染时间，影响节点2：初次污染时间,...}，
...}
"""
node_dirt = wqs.parallel_compute_time_dirt(wqs.nodeList, is_json=False)
# 数据处理
"""
将水质模拟的结果改为如下形式，并且节点映射为0 1 2 3...方便算法计算
{节点1：[[污染事件1，污染事件2，...], 平均污染时间]，
节点2：[[污染事件1，污染事件2，...], 平均污染时间]，
...}
"""
dirt_data = WaterQualitySimData(node_dirt=node_dirt).change_number(
is_out=False)
# 算法计算
sp = SensorPlacement(node_dirt=dirt_data,
individuals_num=10,
iterations_num=500)
# 迭代主程序 产生结果
"""
node_result样式
[[节点1，节点2..]
[节点1，节点2..]
...]
"""
node_result = sp.iteration() # 迭代主程序，输出结果
sp.draw_node(node_result) # 绘图
result_list = index_to_node(node_result, wqs.nodeList) # 还原原来的节点名称
for i in result_list:
print(i)
return node_result
def ky8_weight_json_test():
"""
ky8添加权重的结果
:return:
"""
ky8_inp = "F:/AWorkSpace/Python-Learning-Data/ky8.inp"
wqs = WaterQualitySim(ky8_inp)
#quality_path = "D:/Git/SensorPlacementInDistributionNetworks/simulation/"
#wqs = WaterQualitySim(ky8_inp) # 加载管网
#wqs.parallel_compute_time_dirt(wqs.nodeList, rpt_file=quality_path) # 水质模拟
#json_path = "D:/Git/SensorPlacementInDistributionNetworks/simulation/waterQuality.json"
#new_dirt = WaterQualitySimData(json_path=json_path).change_number(is_out=True)
final_json = "D:/Git/SensorPlacementInDistributionNetworks/simulation/final_json.json"
with open(final_json, "r") as f:
json_data = json.load(f)
dirt_data = json.loads(json_data)
# 进行指标收集
fn = FilterNode(ky8_inp)
data1 = fn.compute_water_data()
data2 = fn.data_normalization(data1)
pipe_list = list(data2["volume_list"])
print(len(dirt_data.keys()))
print(len(pipe_list))
for i, j in enumerate(dirt_data.values()): # 指标结果代入dirt
j.append(pipe_list[i])
sp = WeightSensorPlacement(node_dirt=dirt_data,
individuals_num=100,
iterations_num=500)
node_result = sp.iteration() # 结果输出
sp.draw_node(node_result) # 帕累托解集显示
result_list = index_to_node(node_result, wqs.nodeList) # 将已转化为索引的节点再还原回来
for i in result_list:
print(i)