I 'HATE' study

2. Crossover probability

4 min read

  • 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
)
 
# 최적화할 함수 정의
def func(x, y):
    return -10 * (pow(x, 5) / (3 * pow(x * x * x / 4 + 1, 2) + pow(y, 4) + 10) + pow(x * y / 2, 2) / 1000)
 
# 개체 클래스 정의
class Individual:
    counter = 0
 
    def __init__(self, gene_list: List[float]) -> None:
        self.gene_list = [constraints(g) for g in gene_list]
        self.fitness = round(func(self.gene_list[0], self.gene_list[1]), 2)
        self.__class__.counter += 1
        self.id = self.__class__.counter
 
    def __str__(self):
        return f'x: {self.gene_list[0]}, y: {self.gene_list[1]}, fitness: {self.fitness}'
 
# 교차 연산
def crossover(parent1, parent2):
    child1_genes, child2_genes = crossover_blend(parent1.gene_list, parent2.gene_list, 0.8)
    return Individual(child1_genes), Individual(child2_genes)
 
# 돌연변이 연산
def mutate(ind):
    mutated_gene = mutation_random_deviation(ind.gene_list, 0, 1, 0.5)
    return Individual(mutated_gene)
 
# 선택 연산
def select(population):
    return selection_rank_with_elite(population, elite_size=2)
 
# 무작위 개체 생성
def create_random():
    return Individual([
        round(random.uniform(-10, 10), 2),
        round(random.uniform(-10, 10), 2)
    ])
 
def main():
    POPULATION_SIZE = 16                        # 집단의 개체 수
    CROSSOVER_PROBABILITIES = [0.0, 0.4, 0.7]   # 실험할 교차 확률 목록
    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 교차 확률에 대해 반복 실행
    for CROSSOVER_PROBABILITY in CROSSOVER_PROBABILITIES:
        # 초기 개체 집단 생성
        first_population = [create_random() for _ in range(POPULATION_SIZE)]
        # 초기 최적 개체 선택
        best_individual = 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)
            # 돌연변이 확률에 따라 돌연변이 연산 수행
            mutated_offspring = mutation_operation(crossed_offspring, mutate, MUTATION_PROBABILITY)
            # 새로운 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_individual.fitness < best_of_generation.fitness:
                best_individual = 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"Crossover Probability: {CROSSOVER_PROBABILITY}, Generation: {generation_number}\n"
                f"Best Individual: {best_individual.fitness}")
        # 현재 세대의 개체 분포 시각화
        plt.scatter([ind.gene_list[0] for ind in population],
                    [ind.gene_list[1] for ind in population], color='black')
        # 그래프 화면에 출력
        plt.show()
        # 콘솔에 최적 개체 정보 출력
        print(f'Best Individual : {best_individual} for crossover probability: {CROSSOVER_PROBABILITY}')
 
# ✅ 진입점 보호 (Windows 환경에서 반드시 필요)
if __name__ == '__main__':
    freeze_support()
    main()
    • Results




New Posts