// TODO: Think over reusing ParetoFinder from opt.Core
/// <summary>
/// Метод для проверки строгого доминирования первой особи
/// над второй
/// </summary>
/// <param name="criteria">Список критериев оптимальности</param>
/// <param name="firstIndividual">Первая особь</param>
/// <param name="secondIndividual">Вторая особь</param>
/// <returns>True, если первая особь строго доминирует над второй, иначе false</returns>
public static bool CheckStrictDomination(
Dictionary <TId, Criterion> criteria,
NsgaIndividual firstIndividual,
NsgaIndividual secondIndividual)
{
// По каждому критерию - надо проверить все
foreach (Criterion crit in criteria.Values)
{
// Для удобства скопируем значения
double firstIndividualValue = firstIndividual.Criteria[crit.Id];
double secondIndividualValue = secondIndividual.Criteria[crit.Id];
// Если при переходе от первой особи ко второй
// мы смогли улучшить хоть один критерий, то первая
// особь НЕ ДОМИНИРУЕТ над второй
switch (crit.Type)
{
case CriterionType.Minimizing:
if (firstIndividualValue > secondIndividualValue)
{
return(false);
}
break;
case CriterionType.Maximizing:
if (firstIndividualValue < secondIndividualValue)
{
return(false);
}
break;
}
}
// Если при переходе от первой особи ко второй
// мы не улучшили ни одного критерия, то первая
// особь ДОМИНИРУЕТ над второй
return(true);
}
/// <summary>
/// Метод для выполнения одноточечной инверсии особи
/// </summary>
/// <param name="population">Популяция, в которой находится родительская
/// особь и в которую будет помещен потомок</param>
/// <param name="unitNumber">Номер особи, над которой нужно выполнить инверсию
/// (уникальный)</param>
/// <param name="newGenerationNumber">Номер поколения, к которому относится потомок</param>
private static void Inversion(
ref Population <NsgaIndividual> population,
int unitNumber,
int newGenerationNumber)
{
// Признаки, у новой особи они будут такие же,
// за исключением значений признаков - их поправим позже
Dictionary <TId, IndividualAttribute> attributes =
population[unitNumber].Attributes;
// Генетический код родителя
string parentChromo = population[unitNumber].GetChromo();
Random rnd = new Random(DateTime.Now.Millisecond + DateTime.Now.Second);
// Точка инверсии
// Такая формула обусловлена следующим:
// - не должно получатся число, равное длине строки, потому что
// нумерация символов zero-based и будет ошибка;
int crossoverPointPosition = rnd.Next(parentChromo.Length - 1);
// Разделим хромосому на части, первая из которых останется неизменной,
// а вторая инвертируется
string parentFirstPart = parentChromo.Substring(0, crossoverPointPosition);
string parentSecondPart = parentChromo.Substring(crossoverPointPosition);
// Инвертируем вторую часть хромосомы
string newSecondPart = string.Empty;
// Проверим каждый ген в этой части хромосомы
char[] secondPart = parentSecondPart.ToCharArray();
foreach (char gene in secondPart)
{
// Выполним добавление гена к новой хромосоме,
// попутно инвертировав его
switch (gene)
{
case '1':
newSecondPart += "0";
break;
case '0':
newSecondPart += "1";
break;
}
}
// Составим хромосому потомка
string сhildChromo = parentFirstPart + newSecondPart;
// Получим и добавим в популяцию потомка
var child = new NsgaIndividual(
population.GetFreeUnitNumber(),
newGenerationNumber,
attributes);
child.UpdateAttributes(сhildChromo);
population.Add(child.Number, child);
// Удалим из популяции исходную особь
population.Remove(unitNumber);
}
/// <summary>
/// Метод для выполнения одноточечного скрещивания двух
/// особей
/// </summary>
/// <param name="population">Популяция, в которой находятся две
/// родительские особи и куда будут помещены два потомка</param>
/// <param name="firstUnitNumber">Номер первого родителя в популяции (уникальный)</param>
/// <param name="secondUnitNumber">Номер второго родителя в популяции (уникальный)</param>
/// <param name="newGenerationNumber">Номер поколения, к которому относятся потомки</param>
private static void CrossTwoUnits(
ref Population <NsgaIndividual> population,
int firstUnitNumber,
int secondUnitNumber,
int newGenerationNumber)
{
// Признаки, у новых двух особей они будут такие же,
// за исключением значений признаков - их поправим позже
var attributes = population[firstUnitNumber].Attributes;
// Генетические коды родителей
string firstChromo = population[firstUnitNumber].GetChromo();
string secondChromo = population[secondUnitNumber].GetChromo();
// Небольшая проверка: длины кодов должны быть одинаковые
int chromoLength = firstChromo.Length;
if (chromoLength != secondChromo.Length)
{
throw new Exception("Chromosome lengths of two parents must be the same");
}
var rnd = new Random(DateTime.Now.Millisecond + DateTime.Now.Second);
// Точка одноточечного скрещивания
// Такая формула обусловлена следующим:
// - не должно получатся число, равное длине строки, потому что
// нумерация символов zero-based и будет ошибка;
// - не должен получатся ноль, потому что тогда особи просто
// обменяются кодами и ничего не выйдет
int crossoverPointPosition = 1 + rnd.Next(chromoLength - 2);
// Разделим хромосомы на части, из которых будут составлены
// хромосомы потомков
string firstParentFirstPart = firstChromo.Substring(0, crossoverPointPosition);
string firstParentSecondPart = firstChromo.Substring(crossoverPointPosition);
string secondParentFirstPart = secondChromo.Substring(0, crossoverPointPosition);
string secondParentSecondPart = secondChromo.Substring(crossoverPointPosition);
// Составим хромосомы потомков
string firstChildChromo = firstParentFirstPart + secondParentSecondPart;
string secondChildChromo = secondParentFirstPart + firstParentSecondPart;
// Получим и добавим в популяцию первого потомка
var firstChild = new NsgaIndividual(
population.GetFreeUnitNumber(),
newGenerationNumber,
attributes);
firstChild.UpdateAttributes(firstChildChromo);
population.Add(firstChild.Number, firstChild);
// Получим и добавим в популяцию второго потомка
var secondChild = new NsgaIndividual(
population.GetFreeUnitNumber(),
newGenerationNumber,
attributes);
secondChild.UpdateAttributes(secondChildChromo);
population.Add(secondChild.Number, secondChild);
// Удалим из популяции родителей
population.Remove(firstUnitNumber);
population.Remove(secondUnitNumber);
}
public static Population <NsgaIndividual> TournamentSelection(
Population <NsgaIndividual> initPop,
int selectionLimit)
{
// Сначала проверим: если надо отобрать больше, чем есть,
// то выбросим ошибку
if (selectionLimit > initPop.Count)
{
throw new ArgumentException("Number of units to be selected is greater than number of units in population");
}
var selectedIndividuals = new Population <NsgaIndividual>(initPop.GetMaxUnitNumber());
// Если надо отобрать столько же, сколько есть, просто
// вернем входную популяцию
if (selectionLimit == initPop.Count)
{
foreach (NsgaIndividual individual in initPop)
{
selectedIndividuals.Add(individual.Number, (NsgaIndividual)individual.Clone());
}
return(selectedIndividuals);
}
// Рандомайзер для выбора случайных особей
Random rnd = new Random(DateTime.Now.Millisecond + DateTime.Now.Second);
// Флагом того, что пора прекртатить итерации отбора,
// будет служить совпадение количества отобранных
// особей (в списке, объявленном выше) и переданного
// в качестве аргумента требуемого количества
int maxUnitNumber = initPop.GetMaxUnitNumber();
while (selectedIndividuals.Count != selectionLimit)
{
// В этом цикле будет проходить разбиение на пары
// и выбор лучшей особи из пары
// Список пары отобранных для турнира особей
var selectedPair = new List <int>();
// Проверим: если среди неотобранных особей осталось всего две,
// то составим из них пару и не будем морочить себе голову
// случайностями
if ((initPop.Count - selectedIndividuals.Count) == 2)
{
foreach (NsgaIndividual individual in initPop)
{
if (IsValidPairUnit(individual.Number, selectedPair, selectedIndividuals, initPop))
{
selectedPair.Add(individual.Number);
}
}
}
// Флагом остановки выбора случайной особи в пару
// будет служить наличие двух отобранных особей
while (selectedPair.Count != 2)
{
// Будем выбирать случайное число в диапазоне
// от 0 до значения счетчика особей в популяции
// до тех пор, пока не наткнемся на особь, которую
// можно отобрать в турнирную пару
int rndNumber = -1;
while (!IsValidPairUnit(rndNumber, selectedPair, selectedIndividuals, initPop))
{
// "+ 1" из-за особенностей реализации метода
// Random.Next(Int32, Int32). Если не будет "+ 1",
// то maxUnitNumber не выпадет никогда
rndNumber = rnd.Next(0, maxUnitNumber + 1);
}
// Когда найден подходящий номер, добавим его в пару
selectedPair.Add(rndNumber);
}
// Выберем из пары лучшую особь
// (согласно алгоритма NSGA-II)
NsgaIndividual fittestIndividual = SelectFittestOfTwo(selectedPair, initPop);
selectedIndividuals.Add(fittestIndividual.Number, (NsgaIndividual)fittestIndividual.Clone());
}
// Вернем результат
return(selectedIndividuals);
}
/// <summary>
/// Метод для преобразования модели в популяцию
/// </summary>
/// <param name="model">Исходная модель для преобразования</param>
/// <param name="generationNumber">Номер поколения, который будет присвоен
/// всем особям в создаваемой популяции</param>
/// <returns></returns>
private static Population <NsgaIndividual> ModelToPopulation(Model model, int generationNumber)
{
var population = new Population <NsgaIndividual>();
// 1. Сформируем словарь с параметрами особей. Все особи
// данной популяции должны характеризоваться одинаковым
// набором параметров, поэтому сформируем его заранее, а
// потом будем передавать в качестве параметра конструктора
// всем особям. Значения параметров будем затем назначать
// вручную
var attributes = new Dictionary <TId, IndividualAttribute>();
foreach (Parameter param in model.Parameters.Values)
{
var attribute =
new IndividualAttribute(
param.Id,
param.MinValue,
param.MaxValue,
Program.ApplicationSettings.ValuesDecimalPlaces);
attributes.Add(param.Id, attribute);
}
// Подготовим нормализованные критерии
var normalizedExpCriteria = new Dictionary <TId, Dictionary <TId, double> >();
foreach (Experiment exp in model.Experiments.Values)
{
if (!exp.IsActive)
{
continue;
}
var critValues = new Dictionary <TId, double>();
normalizedExpCriteria.Add(exp.Id, critValues);
}
// Смена ингридиента:
// Для каждого максимизируемого критерия выполним Y_new = 1 / Y_old
// так он станет минимизируемым
// Затем - нормализация
var experiments = PrepareCriteria(model);
// 2. Добавим в популяцию особи - столько же, сколько
// АКТИВНЫХ экспериментов в модели
foreach (Experiment exp in model.Experiments.Values)
{
if (!exp.IsActive)
{
continue;
}
var unit = new NsgaIndividual(
exp.Number,
generationNumber,
attributes);
// Запишем значения оптимизируемых параметров эксперимента
// в словарь признаков особи
foreach (Parameter param in model.Parameters.Values)
{
unit.Attributes[param.Id].Value =
exp.ParameterValues[param.Id];
// Рассчитаем генетический код этой особи
unit.Attributes[param.Id].ResolveCodeFromValue();
}
// Запишем значения критериев оптимальности в словарь
// критериев особи
foreach (Criterion crit in model.Criteria.Values)
{
unit.Criteria.Add(crit.Id, experiments[exp.Id].CriterionValues[crit.Id]);
}
// Добавим особь в популяцию
population.Add(exp.Number, unit);
}
return(population);
}
