-
Notifications
You must be signed in to change notification settings - Fork 0
/
Genetic.jl
298 lines (263 loc) · 8.31 KB
/
Genetic.jl
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
include("tsp.jl")
"""
Input: genitores 1 e 2
Realiza uma mistura Partially mapped entre os valores de g1 e g2 para gerar duas novas amostras, que serão sobrescritas em g1 e g2
"""
function PMX(g1, g2)
n = length(g1)
f1 = zeros(Int64, n)
f2 = zeros(Int64, n)
i = rand(1:n-1)
j = rand(i+1:n)
f2[i:j] .= g1[i:j]
f1[i:j] .= g2[i:j]
#cria uma lista de indices que faltam preencher
list = []
if i > 1
list = collect(1:i-1)
end
if j < n
list = vcat(list, collect(j+1:n))
end
#preencheremos os restantes com oque sobrou, garantindo não repetição
for pos in list
#preenche f1
valor = g1[pos]
while valor ∈ f1#usa o mapeamento pra substituir
valor = f2[findfirst( valor .== f1)]
end
f1[pos] = valor
#preenche f2
valor = g2[pos]
while valor ∈ f2
valor = f1[findfirst(valor .== f2)]
end
f2[pos] = valor
end
#substitui os genitores pelos filhos
g1.=f1
g2.=f2
end
"""
Input: genitores 1 e 2
Realiza uma mistura Order Crossover entre os valores de g1 e g2 para gerar duas novas amostras, que serão sobrescritas em g1 e g2
"""
function OX(g1, g2)
n = length(g1)
f1 = zeros(Int64, n)
f2 = zeros(Int64, n)
i = rand(1:n-1)
j = rand(i+1:n)
f1[i:j] .= g1[i:j]
f2[i:j] .= g2[i:j]
#cria uma lista dos indices em ordem, a partir de j+1 até j(formando um ciclo)
listg1 = []
listg2 = []
if j < n
listg1 = copy(g1[j+1:n])
listg2 = copy(g2[j+1:n])
end
listg1 = vcat(listg1, g1[1:j])
listg2 = vcat(listg2, g2[1:j])
#preencheremos os restantes com oque sobrou, garantindo não repetição
for pos = 1:n
if pos ∉ i:j
#preenche f1
f1[pos] = listg2[findfirst(listg2 .∉ Ref(f1))]
#preenche f2
f2[pos] = listg1[findfirst(listg1 .∉ Ref(f2))]
end
end
#substitui os genitores pelos filhos
g1.=f1
g2.=f2
end
"""
Input: genitores 1 e 2
Realiza uma mistura Cycle crossover entre os valores de g1 e g2 para gerar duas novas amostras, que serão sobrescritas em g1 e g2
"""
function CX(g1, g2)
n = length(g1)
f1 = zeros(Int64, n)
f2 = zeros(Int64, n)
#filho 1 identifica ciclo
p = 1
while (f1[p] == 0)
f1[p] = g1[p]
p = g2[p]
end
#ciclo gravado nas posições > 0 em filho 1
ciclo = f1[:] .> 0
f2[ciclo] .= g2[ciclo]
#posições faltantes
f1[.!ciclo] .= setdiff(g2[:], f1[ciclo])
f2[.!ciclo] .= setdiff(g1[:], f2[ciclo])
g1 .= f1
g2 .= f2
end
"""
Input: genitores 1 e 2, pesos das funçoes PMX, OX e CX, respectivamente
Realiza uma mistura entre os valores de g1 e g2 para gerar duas novas amostras, que serão sobrescritas em g1 e g2
"""
function crossover!(g1, g2; pesos=[0.75, 0.15, 0.1])
# roleta = pesos/sum(pesos[:])
roleta = cumsum(pesos[:])
sorteio = rand()
sorteio = findfirst(sorteio .<= roleta)
if sorteio == 1
PMX(g1, g2)
elseif sorteio == 2
OX(g1, g2)
else
CX(g1, g2)
end
end
"""
Input: genitores 1 e 2, conjunto da população e lista com valores de aptidão de cada individuo
Seleciona por roleta dois indivíduos distintos entre a população para serem g1 e g2
"""
function selecao!(g1, g2, populacao, distancias)
roleta = distancias[:]/sum(distancias[:])
roleta = cumsum(roleta[:])
#seleciona g1
randnum = rand()
randnum = findfirst(randnum .<= roleta)
g1 .= populacao[randnum, :]
#seleciona g2, garantindo que seja diferente de g1
while true
randnum = rand()
randnum = findfirst(randnum .<= roleta)
#roleta
g2 .= populacao[randnum, :]
if g2[:] != g1[:]
break
end
end
end
function pbm!(individuo)
n = length(individuo)
i = rand(1:n-1)
j = rand(i+1:n)
tmp = individuo[i]
deleteat!(individuo, i)
insert!(individuo, j, tmp)
end
function obm!(individuo)
n = length(individuo)
i = rand(1:n-1)
j = rand(i+1:n)
aux = individuo[i]
individuo[i] = individuo[j]
individuo[j] = aux
end
function ibm!(individuo)
n = length(individuo)
i = rand(1:n-1)
j = rand(i+1:n)
reverse!(individuo, i, j)
end
function sbm!(individuo)
n = length(individuo)
i = rand(1:n-1)
j = rand(i+1:n)
shuffle!(individuo[i:j])
end
function mutacao!(individuo, pesos = [0.05, 0.05, 0.5, 0.4])
roleta = cumsum(pesos[:])
decide = rand()
decide = findfirst(decide .<= roleta)
if decide == 1
pbm!(individuo)
elseif decide == 2
obm!(individuo)
elseif decide == 3
ibm!(individuo)
else
sbm!(individuo)
end
end
"""
Input:
tsp -> Instância tsp(do inglês 'traveling sallesman problem') do pacote tsplib;
N -> Número de indivíduos na população;
K -> Quantidade de iterações máxima;
limite -> Quantidade máxima de interações subsequentes sem atualização
do melhor global;
CR -> taxa de crossover;
CN -> taxa de mutação;
"""
function genetic(tsp; N=1000, K=1000, limite=500, CR=0.6, CM=0.1, sol=[])
contad = limite
populacao = zeros(Int64, N, tsp.dimension)
populacaoNova = zeros(Int64, N, tsp.dimension)
distancias = zeros(Float64, N)
distanciasNovas = zeros(Float64, N)
geni1 = zeros(Int64, tsp.dimension)
geni2 = zeros(Int64, tsp.dimension)
ordemDistancias = collect(1:N)
melhor = []
#gerando população inicial aleatóriamente
for i = 1:N
populacao[i,:] .=randperm(tsp.dimension)
distancias[i] = tspdist(tsp, populacao[i, :])
end
if !isempty(sol)
populacao[tsp.dimension, :] .= sol[:]
distancias[tsp.dimension] = tspdist(tsp, sol[:])
end
#atualizando lista ordenada crescente de aptidão entre os indivíduos
ordemDistancias .= sortperm(distancias)
populacaoNova[:, :] .= populacao[:, :]
distanciasNovas[:] .= distancias[:]
#definindo a melhor solução inicial
melhor = copy(populacao[ordemDistancias[1], :])
melhorDist = tspdist(tsp, melhor[:])
for k = 1:K #para cada iteração
for n = 1:N # para cada indivíduo
#seleção de progenitores
selecao!(geni1, geni2, populacao, distancias)
#crossover
if length(unique(geni2)) != length(geni2) || length(unique(geni1)) != length(geni1)
return
end
if rand() <= CR
crossover!(geni1, geni2)#ao fim de crossover, geni1 e geni2 serão seus filhos
end
#Atualiza o indivíduo atual para o melhor entre geni1 e geni2
if tspdist(tsp, geni1[:]) < tspdist(tsp, geni2[:])
populacaoNova[n, :] .= geni1[:]
distanciasNovas[n] = tspdist(tsp, geni1[:])
else
populacaoNova[n, :] .= geni2[:]
distanciasNovas[n] = tspdist(tsp, geni2[:])
end
#mutação
if rand() <= CM
mutacao!(populacaoNova[n, :])
distanciasNovas[n] = tspdist(tsp, populacaoNova[n, :])
end
end
#atualizando ordem de menores distancias entre os indivíduos
ordemDistancias .= sortperm(distanciasNovas)
#elitismo - mantendo o melhor global na lista
populacaoNova[ordemDistancias[end], :] .= melhor[:]
distanciasNovas[ordemDistancias[end]] = melhorDist
if tspdist(tsp, populacaoNova[ordemDistancias[1], :]) < melhorDist
melhor .= populacaoNova[ordemDistancias[1], :]
melhorDist = tspdist(tsp, melhor[:])
contad = limite
end
#atualizando população anterior
populacao[:, :] .= populacaoNova[:, :]
distancias[:] .= distanciasNovas[:]
tspplot(tsp, melhor, "Indivíduo com menor trajetoria:")
#sleep(0.08)
println("Menor trajeto até então: ", melhorDist, " metros")
if contad == 0
break
end
contad -= 1
end
println("Menor trajeto encontrado é ", melhorDist - tsp.optimal, " metros menor que o trajeto ótimo do problema.(", round((melhorDist - tsp.optimal)*100.0/tsp.optimal; digits = 3),"% de erro)")
return melhor
end