public static void Plus(Population population, int TopCount)
{
List<Genome> newGen = new List<Genome> (population.totalSize*2);
newGen.AddRange (population.curGeneration);
newGen.AddRange (population.oldGeneration);
newGen.Sort((a,b) => a.Fitness.CompareTo(b.Fitness));
newGen.RemoveRange(TopCount, newGen.Count() - TopCount);
population.curGeneration.Clear();
population.curGeneration.AddRange(newGen);
}
/// <summary>
/// Der eigentliche evolutionäre Algorithmus - entspricht doc/EvoAlgTSP.pdf.
/// </summary>
public void Compute()
{
int countGeneration = 0;
int c; // child-counter
bestFitness = double.MaxValue;
averageFitness = double.MaxValue;
bestFitnessGeneration = 0;
Genome bestGenome;
sb.AppendLine("Compute:");
// 1. Initialisiere Population P(0) mit zufälligen Genomen
Population p = new Population(countIndividuals, countGene, minAllelValue, maxAllelValue, Encryption);
// 2. Berechne die Fitnesswerte von P(0)
foreach (Genome genome in p.curGeneration) {
CalcFitness(genome);
}
// Ermittel beste Lösung von P(0)
bestGenome = Helper.Fitness.GetBestGenome(p.curGeneration);
while(countGeneration < maxGenerations && stableGenerations < 1000)
{
//Event für Fortschritt feuern
if (OnProgress != null)
{
double percentage = ((double)(countGeneration + 1) / (double)maxGenerations);
OnProgress(percentage);
}
//Sagt dem Betriebssystem das es seine Evenets abarbeiten soll.
//Das verhindert (u.A.) das einfrieren der GUI
while (Application.EventsPending ())
Application.RunIteration ();
// Fitness des besten Genoms, ist hoeher als bisherige beste Fitness
if (bestGenome.Fitness < bestFitness)
{
bestFitness = bestGenome.Fitness;
bestFitnessGeneration = countGeneration + 1;
bestList.Add(bestGenome.Copy());
}
else
{
// Zähle stableGenerations hoch, wenn sich bester Fitnesswert nicht geändert hat
stableGenerations++;
}
//alte Generation merken
p.SaveAsOldGen();
switch(SelPropType)
{
case Helper.Enums.SelPropType.Fitness :
Helper.Selection.CalcSelPropByFitness(p.oldGeneration);
break;
case Helper.Enums.SelPropType.Ranking :
Helper.Selection.CalcSelPropByRanking(p.oldGeneration);
break;
}
// 3. Erzeuge Kinder und füge sie P' hinzu
c = 0;
Random rnd = new Random(Guid.NewGuid().GetHashCode());
while (c < countChilds)
{
if (rnd.NextDouble() <= recombinationProbability)
{
// I. Rekombination zweier Individuen A und B aus Population P(0)
//todo: Genom aus der Populationsklasse liefern lassen damit der Genom-Typ immer passt
Genome mama = new GenomeReal();
Genome papa = new GenomeReal();
bool equals = true;
while (equals)
{
switch (SelType)
{
case main.Helper.Enums.SelType.Roulette :
mama = Selection.Roulette(p.oldGeneration);
papa = Selection.Roulette(p.oldGeneration);
break;
case main.Helper.Enums.SelType.SingleTournament :
mama = Selection.SingleTournament(p.oldGeneration, TournamentMemberCount);
papa = Selection.SingleTournament(p.oldGeneration, TournamentMemberCount);
break;
case main.Helper.Enums.SelType.MultiTournament :
mama = Selection.MultiTournament(p.oldGeneration, TournamentMemberCount);
papa = Selection.MultiTournament(p.oldGeneration, TournamentMemberCount);
break;
}
//Mama und Papa dürfen nicht die selben sein, sonst evtl. Duplikat
if (!mama.IsEqual(papa))
equals = false;
}
//Rekombinieren und Fitness berechnen
List<Genome> childs = Recombine(mama,papa);
// II. Mutiere Kind c
if (Encryption != Helper.Enums.Encryption.Binary)
Mutate(childs);
foreach (Genome genome in childs)
CalcFitness(genome);
// III. Füge Kinder C zu P' hinzu
//todo: Binäre Rekombination liefert 2 Kinder zurück
if (!p.ContainsGenome(childs[0]) || ((childs.Count > 1)? !p.ContainsGenome(childs[1]) : false))
// if (!p.ContainsGenome(childs[0]) )
{
p.curGeneration.AddRange(childs);
if (Encryption == Helper.Enums.Encryption.Binary)
c += 2;
else
c++;
}
}
}
// 5. Erzeuge Kind-Population -> die besten Individuen aus Kind- + Eltern-Generation
if (Encryption != Helper.Enums.Encryption.Binary)
Selection.Plus(p, countIndividuals);
else
{
int perc = (int)Math.Round((double)p.curGeneration.Count * 0.3);
// perc = countIndividuals - perc;
List<Genome> lst = new List<Genome>();
Random rnd1 = new Random(Guid.NewGuid().GetHashCode());
for (perc = countIndividuals - perc; perc <= p.oldGeneration.Count; perc++)
{
lst.Clear();
lst.Add(p.oldGeneration[rnd1.Next(0,p.oldGeneration.Count)]);
Mutate(lst);
p.curGeneration[perc-1] = lst[0];
}
foreach (Genome genome in p.curGeneration)
CalcFitness(genome);
p.curGeneration.Sort((a,b) => a.Fitness.CompareTo(b.Fitness));
}
bestGenome = p.curGeneration[0];
countGeneration++;
}
//Ausgabe der letzten Generation
// sb.AppendLine("Letzte Generation");
// foreach (Genome genome in p.curGeneration)
// sb.AppendLine(genome.AsString());
// Ausgabe der besten Lösungen
sb.AppendLine("\r\nBestenliste");
int counter = 1;
for (int i = bestList.Count-1; i >= 0; i--)
{
sb.AppendLine(counter + ".\t" + bestList[i].AsString());
counter++;
}
// Speichere den besten Fitnesswert und die Generation in der er aufgetreten ist zur späteren Auswertung (Evolutioniere x 10)
bestSolutions.Add(bestFitness);
bestSolutionsGeneration.Add(bestFitnessGeneration);
}
