def fitness_optimo(funcion, x_min, x_max, num_bits, dimen):
"""
Devuelve el mejor fitness posible que se puede obtener con la amplitud
del intervalo (x_max - x_min) dada y el número de bits usados
:param funcion: Determina la función que se pretende maximizar
:param x_min: Inicio del intervalo de maximización para cada dimensión
:param x_max: Final del intervalo de maximización para cada dimensión
:param num_bits: número de bits usados para codificar el valor real de la
variable xi
:param dimen: Número de dimensiones de la función a evaluar
:return: devuelve el mejor fitness posible que se puede obtener con la
amplitud del intervalo (x_max - x_min) dada y el número de bits
usados
"""
delta = (x_max - x_min) / (2**num_bits - 1)
if funcion == "Esfera":
optimo = bin(round((-x_min) / delta))
elif funcion == "Schwefel":
optimo = bin(round((420.9687 - x_min) / delta))
else:
return 1
gen_optimo = bitarray(optimo[2:])
genes_optimos = []
for j in range(dimen):
genes_optimos.append(gen_optimo)
indiv_optimo = Individuo(genes_optimos)
indiv_optimo.set_fitness()
mejor_posible = indiv_optimo.get_fitness()
return mejor_posible
def genera_poblacion_inicial(_long_gen, _num_genes, _mu):
"""
Devuelve una lista de instancias de la clase Individuo con el número de
genes y la longitud de estos especificados.
:param _long_gen: longitud de los genes
:param _num_genes: número de genes de cada individuo
:param _mu:
:return:
"""
_poblacion = []
for _i in range(_mu):
g = genera_genes(_long_gen, _num_genes) # Genera genes de un nuevo individuo
indiv = Individuo(g) # Creacción de individuo
indiv.set_fitness() # Cálculo del fitness
_poblacion.append(indiv) # Annade nuevo individuo a la población
_poblacion.sort()
asigna_probabilidades(_poblacion) # Asigna las probabilidades a cada individuo
return _poblacion
