public void Population_init(int n_gens)
{
Random r = new Random();
for (int i = 0; i < population_size; i++)
{
individuals[i] = new Individual_GA(n_gens);
individuals[i].Individual_init(r);
}
}
private double CalculateFitnessOf(Individual_GA individual, double[][] inputData)
{
// Chỗ này chính là chỗ cần dùng với RBF đây
RadialNetwork rn = new RadialNetwork(m_RadialNetwork);
double fitness = 0.0;
rn.SetWeights(individual.values);
fitness = rn.Accuracy(inputData);
individual.Fitness = fitness;
return(fitness);
}
// Đây là hàm lai ghép, 2 điểm cắt
private Individual_GA[] DoCrossover(Individual_GA parent1, Individual_GA parent2) // TwoCrossCutingPoint
{
double probability = 0.9;
Individual_GA[] offSpring = new Individual_GA[2];
offSpring[0] = new Individual_GA(parent1);
offSpring[1] = new Individual_GA(parent2);
int crosspoint1;
int crosspoint2;
if (m_Random.NextDouble() <= probability)
{
for (int i = 0; i < m_Population_size; i++)
{
// STEP 1: Get two cutting points
crosspoint1 = m_Random.Next(0, m_IndividualLength - 1);
crosspoint2 = m_Random.Next(0, m_IndividualLength - 1);
while (crosspoint2 == crosspoint1)
{
crosspoint2 = m_Random.Next(0, m_IndividualLength - 1);
}
if (crosspoint1 > crosspoint2)
{
int swap;
swap = crosspoint1;
crosspoint1 = crosspoint2;
crosspoint2 = swap;
}
// Bắt đầu cắt
for (int j = 0; j < m_IndividualLength; j++)
{
if (crosspoint1 <= j && j < crosspoint2)
{
offSpring[0].Values[j] = parent2.Values[j];
offSpring[1].Values[j] = parent1.Values[j];
}
else
{
offSpring[0].Values[j] = parent1.Values[j];
offSpring[1].Values[j] = parent2.Values[j];
}
}
}
}
return(offSpring);
}
// Đây là quá trình tiến hóa của GA nhé
public void Reproduction(double[][] inputData)
{
for (int i = 0; i < m_MaxIterations; i++)
{
Population_GA pop_temp = new Population_GA(m_Population_size); // tao mot population tam
pop_temp = (Population_GA)Population.Clone();
// Duyệt qua tất cả các cá thể trong quần thể
for (int index = 0; index < m_Population_size; index++)
{
Individual_GA currIndividual = pop_temp.Individuals[index];
int sol1 = (int)(m_Random.NextDouble() * (m_Population_size - 1));
int sol2 = (int)(m_Random.NextDouble() * (m_Population_size - 1));
Individual_GA solution1 = pop_temp.Individuals[sol1];
Individual_GA solution2 = pop_temp.Individuals[sol2];
while (sol1 == sol2)
{
sol2 = (int)(m_Random.NextDouble() * (m_Population_size - 1));
solution2 = pop_temp.Individuals[sol2];
}
Individual_GA[] Childs = DoCrossover(solution1, solution2);//DoCrossover(solution1, solution2);//
DoMutation(Childs[0]);
DoMutation(Childs[1]);
// tính toán lại độ thích nghi và từ đó tính ra MSE của cá thể đang xét
double MSE_temp1 = CalculateFitnessOf(Childs[0], inputData);
double MSE_temp2 = CalculateFitnessOf(Childs[1], inputData);
// Chọn lọc
// chỉ với những cái cho ra MSE tốt thì mới được cho vào thế hệ mới, còn không vẫn giữ những cái cũ
if (MSE_temp1 > MSE_temp2)
{
if (MSE_temp1 > currIndividual.Fitness)
{
Childs[0].Values.CopyTo(Population.Individuals[index].Values, 0);
}
}
else
{
if (MSE_temp2 > currIndividual.Fitness)
{
Childs[1].Values.CopyTo(Population.Individuals[index].Values, 0);
}
}
}
}
}
// Đây là hàm đột biến, Kiểu đột biến đa thức ( sau này đọc sẽ hiểu)
private void DoMutation(Individual_GA individual)
{
//RadialNetwork rn = new RadialNetwork(numInput, numHidden, numOutput);
double eta_m = 20.0;
double distributionIndex = eta_m;
double probability = 1 / individual.N_gens;
double rnd, delta1, delta2, mut_pow, deltaq;
double y, yl, yu, val, xy;
for (int var = 0; var < individual.N_gens; var++)
{
if (m_Random.NextDouble() <= probability)
{
y = individual.Values[var];
yl = individual.GetLowerBound();
yu = individual.GetUpperBound();
delta1 = (y - yl) / (yu - yl);
delta2 = (yu - y) / (yu - yl);
rnd = m_Random.NextDouble();
mut_pow = 1.0 / (eta_m + 1.0);
if (rnd <= 0.5)
{
xy = 1.0 - delta1;
val = 2.0 * rnd + (1.0 - 2.0 * rnd) * (Math.Pow(xy, (distributionIndex + 1.0)));
deltaq = Math.Pow(val, mut_pow) - 1.0;
}
else
{
xy = 1.0 - delta2;
val = 2.0 * (1.0 - rnd) + 2.0 * (rnd - 0.5) * (Math.Pow(xy, (distributionIndex + 1.0)));
deltaq = 1.0 - (Math.Pow(val, mut_pow));
}
y = y + deltaq * (yu - yl);
if (y < yl)
{
y = yl;
}
if (y > yu)
{
y = yu;
}
individual.Values[var] = y;
}
}
}
public Individual_GA(Individual_GA w)
{
this.n_gens = w.n_gens;
this.values = w.Values;
}