1. Population size

• Caution

  • 주의! 원서에 있는 코드랑 다른 부분이 존재합니다!
    • 1, 52 ~ 116번 줄 - 계속 에러가 나서 GPT에게 물어보니 Windows 환경에서 꼭 필요한 코드라네요
    • 서버에서 실행시 필요 없는 부분

      from multiprocessing import freeze_support
       
      def main():
          ```
      if __name__ == '__main__':
        freeze_support()
        main()

    • 58~61번 줄 - 94번 줄 보면 Z가 있는데 이전 코드들에서 Z가 정의되지 않아 추가해줌

      # 94번 줄
      im = plt.imshow(Z, cmap=cm.bwr, extent=[-10, 10, -10, 10])
       
      # 추가된 내용
      X_range = arange(-10, 10, 0.2)
      Y_range = arange(-10, 10, 0.2)
      X, Y = meshgrid(X_range, Y_range)
      Z = func(X, Y)

  • Windows 환경에서 실행 시 시간이 오래 걸립니다!
    

---

• Population size

  from multiprocessing import freeze_support
  import random
  from typing import List
  from numpy import arange
  import matplotlib.pyplot as plt
  from pylab import meshgrid, cm
   
  from ch7.toolbox import (
      crossover_blend,
      mutation_random_deviation,
      constraints,
      selection_rank_with_elite,
      crossover_operation,
      mutation_operation
  )
   
  # 최적화 대상 함수
  def func(x, y):
      return -10 * pow(x * y, 2) * x / (3 * pow(x * x * x / 4 + 1, 2) + pow(y, 4) + 1)
   
  # 개체 클래스 정의
  class Individual:
      def __init__(self, gene_list: List[float]) -> None:
          self.gene_list = [constraints(g) for g in gene_list]
          self.fitness = func(self.gene_list[0], self.gene_list[1])
   
      def __str__(self):
          return f'x: {self.gene_list[0]}, y: {self.gene_list[1]}, fitness: {self.fitness}'
   
  # 교차 함수
  def crossover(parent1, parent2):
      child1_genes, child2_genes = crossover_blend(parent1.gene_list, parent2.gene_list, 0.5)
      return Individual(child1_genes), Individual(child2_genes)
   
  # 돌연변이 함수
  def mutate(ind):
      mutated_gene = mutation_random_deviation(ind.gene_list, 0, 1, 0.5)
      return Individual(mutated_gene)
   
  # 선택 함수
  def select(population):
      return selection_rank_with_elite(population, elite_size=2)
   
  # 랜덤 개체 생성
  def create_random():
      return Individual([
          round(random.uniform(-10, 10), 2),
          round(random.uniform(-10, 10), 2)
      ])
   
  # 메인 실행 함수
  def main():
      POPULATION_SIZE_LIST = [6, 10, 20, 50]   # 집단의 개체 수
      CROSSOVER_PROBABILITY = 0.8              # 교차 확률
      MUTATION_PROBABILITY = 0.2               # 돌연변이 확률
      MAX_GENERATIONS = 10                     # 최대 세대 수
   
      X_range = arange(-10, 10, 0.2)              # x축 범위 생성
      Y_range = arange(-10, 10, 0.2)              # y축 범위 생성
      X, Y = meshgrid(X_range, Y_range)           # 2차원 격자 좌표 생성
      Z = func(X, Y)                              # 목적 함수의 함수값 계산 (히트맵용)
   
      # 각 개체 수에 대해 실험 반복
      for POPULATION_SIZE in POPULATION_SIZE_LIST:
          # 초기 개체 집단 생성
          first_population = [create_random() for _ in range(POPULATION_SIZE)]
          # 초기 최적 개체 선택
          best_ind = random.choice(first_population)
          # 세대 수 초기화
          generation_number = 0
          # 현재 집단 복사
          population = first_population.copy()
   
          # 최대 세대 수만큼 반복
          while generation_number < MAX_GENERATIONS:
              # 세대 수 증가
              generation_number += 1
              # 선택 연산으로 자식 개체 생성
              offspring = select(population)
              # 교차 확률에 따라 교차 연산 수행
              crossed_offspring = crossover_operation(offspring, crossover, CROSSOVER_PROBABILITY)
              # 돌연변이이 확률에 따라 돌연변이 연산 수행
              mutated_offspring = mutation_operation(crossed_offspring, mutate, MUTATION_PROBABILITY)
              # 새로운 세대 집단으로 교체
              population = mutated_offspring.copy()
              # 이번 세대의 최고 개체 찾기
              best_of_generation = max(population, key=lambda ind: ind.fitness)
   
              # 현재까지의 최고 개체보다 나으면 업데이트
              if best_ind.fitness < best_of_generation.fitness:
                  best_ind = best_of_generation
   
          # 히트맵 시각화
          im = plt.imshow(Z, cmap=cm.bwr, extent=[-10, 10, -10, 10])
          # 색상 바 추가
          plt.colorbar(im)
          # 축 눈금 제거
          plt.xticks([])
          plt.yticks([])
          # 그래프 제목 설정
          plt.title(f"Population size: {POPULATION_SIZE}, Generation: {generation_number}\n"
                  f"Best Individual: {round(best_ind.fitness, 2)}")
          # 개체들의 현재 위치 시각화 (검정색 점)
          plt.scatter([ind.gene_list[0] for ind in population],
                      [ind.gene_list[1] for ind in population],
                      color='black')
          # 그래프 출력
          plt.show()
          # 콘솔에 최적 개체 정보 출력
          print(f'Best Individual : {best_ind} for population size: {POPULATION_SIZE}')
   
   
  # ✅ 진입점 보호 (Windows 환경에서 반드시 필요)
  if __name__ == '__main__':
      freeze_support()
      main()

  • Results