/// <summary>
/// Konstruktor
/// </summary>
/// <param name='size'>Größe der Population</param>
/// <param name='genomeSize'>Größe des einzelnen Genomes</param>
public Population(int size, int genomeSize, double minAllelValue, double maxAllelValue, Helper.Enums.Encryption encryption)
{
_encryption = encryption;
// Erzeuge Listen mit fester Kapazität
curGeneration = new List<Genome>(size);
oldGeneration = new List<Genome>(size);
totalSize = size;
Genome tmp;
for(int i = 0; i < size; i++)
{
if (_encryption == Helper.Enums.Encryption.None)
throw new NotImplementedException(); //todo Genome mit Integerwerten
// else if (_encryption == Helper.Enums.Encryption.Binary)
// {
// throw new NotImplementedException(); //todo
// }
// else if (_encryption == Helper.Enums.Encryption.Real)
else
{
tmp = new GenomeReal(genomeSize, minAllelValue, maxAllelValue);
// um Duplikate bei der Erzeugung der Population zu vermeiden
while(curGeneration.Contains(tmp))
{
//Console.WriteLine(String.Format("Duplikat: {0}\r\ni = {1}", tmp.AsString(),i));
tmp = new GenomeReal(genomeSize, minAllelValue, maxAllelValue);
}
curGeneration.Add(tmp);
}
}
}
protected void OnBtnStart10Clicked(object sender, System.EventArgs e)
{
//Mal ne Exception, will ich eh alles anders machen
statusbar.Push(1,"Ditt jeht noch nich, keule.");
Problem bin = new Griewank();
bin.countIndividuals = (int)txt_countIndividuals.Value;
Genome a = new GenomeReal(5,-50,50);
Genome b = new GenomeReal(5,-50,50);
List<Genome> childs = new List<Genome>(2);
childs.Add(a);
childs.Add(b);
Console.WriteLine(a.AsString());
Console.WriteLine(b.AsString());
bin.MutateBinary(childs);
}
/// <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);
}
public override List<Genome> RecombineDefault(Genome genomeA, Genome genomeB)
{
//Fehler, wenn Genome null
if (genomeA == null || genomeB == null) {
throw new ArgumentNullException();
}
//Fehler, wenn Längen der Genome unterschiedlich
if (genomeA.Count != genomeB.Count) {
throw new ArgumentException("Cant recombine genomes with a different count of values.");
}
//Kinder-List mit Startallel initialisieren
Genome childs = new GenomeReal();
childs.Add(genomeA[0]);
//Nachbarn für alle Allele ermitteln
Dictionary<int, Genome> neighbours = new Dictionary<int, Genome>();
foreach (int gene in genomeA)
{
neighbours.Add(gene, GetNeighboursOfValue(gene, genomeA,genomeB));
}
//Kind ermitteln
int tempAllel = 0;
//Alle Allele durchgehen
int j = 0;
int g = 1;
while (j < genomeA.Count - 1)
{
int minLength = int.MaxValue;
foreach (int i in neighbours[g])
{
Genome subNeighbours = neighbours[i].Copy();
subNeighbours.RemoveAll(s => childs.Contains(s));
//Immer wenn eine kürzere Nachbarmenge gefunden wurde -> das zugehörige Allel merken, insofern noch nicht im Kind vorhanden
if (subNeighbours.Count < minLength && !childs.Contains(i)) {
tempAllel = i;
//Neue kürzeste Länge merken die es zu unterbieten gilt
minLength = subNeighbours.Count;
}
}
//Ermitteltes Allel zum Kind hinzufügen
childs.Add(tempAllel);
g = tempAllel;
j++;
}
List<Genome> result = new List<Genome>();
result.Add(childs);
return result;
}
/// <summary>
/// Kopiert ein Genom
/// </summary>
public override Genome Copy()
{
Genome result = new GenomeReal (this.ToArray());
result.Fitness = this.Fitness;
return result;
}