-
Notifications
You must be signed in to change notification settings - Fork 11
/
mGA_2opt_numpyGA_2.py
242 lines (211 loc) · 8.33 KB
/
mGA_2opt_numpyGA_2.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
import math
import numpy as np
import random
import timeit
from threading import Thread
import functools
dist_ar = [] # 거리표(global)
# limit_time = 36 # 제한시간(global)
cities_count = 0 # 도시 수(global)
dots_list = [] # 도시 리스트(global)
# Hyper Parameter
limits = (60) * 36 # 제한시간
MUT = 0.2 # 변이확률
SEL = 0.85 # 선택압
chrCOUNT = 50 # 해집단 내 염색체 개수
selCOUNT = 25 # selection시 선택되는 상위 염색체의 개수
# 시간제한 데코레이터
def timeout(seconds_before_timeout):
def deco(func):
@functools.wraps(func)
def wrapper(*args, **kwargs):
res = [Exception('function [%s] timeout [%s seconds] exceeded!' %(func.__name__, seconds_before_timeout))]
def newFunc():
try:
res[0] = func(*args, **kwargs)
except Exception as e:
res[0] = e
t = Thread(target=newFunc)
t.daemon = True
try:
t.start()
t.join(seconds_before_timeout)
except Exception as e:
print('error starting thread')
raise e
ret = res[0]
if isinstance(ret, BaseException):
raise ret
return ret
return wrapper
return deco
# 거리표 제작(param : 문제 경로) : dist_df
def make_distDataframe(str):
global dist_ar
global limit_time
global cities_count
global dots_list
reader = open(str, mode='rt', encoding='utf-8')
dots_list = reader.read().split("\n") # ['x1 y1', 'x2 y2', 'x3 y3' ... 'xn yn']
cities_count = int(dots_list.pop(0))
limit_time = float(dots_list.pop())
x_list = [] # ['x1', 'x2', 'x3' ... 'xn']
y_list = [] # ['y1', 'y2', 'y3' ... 'yn']
for i in range(cities_count):
temp = dots_list[i].split(" ")
x_list.append(float(temp[0]))
y_list.append(float(temp[1]))
dist_ar = []
for n in range(cities_count):
temp = []
for m in range(cities_count):
temp.append(round((math.sqrt(((x_list[m] - x_list[n]) ** 2) + ((y_list[m] - y_list[n]) ** 2))), 2))
dist_ar.append(temp)
dist_ar = np.array(dist_ar)
print(dist_ar)
# 거리표를 이용한 적합도 매칭 함수
def cal_fit(stri) :
fit = 0
for i in range(len(stri)-1) :
if i == len(stri)-1 :
fit += dist_ar[stri[i], stri[0]]
else :
fit += dist_ar[stri[i], stri[i+1]]
return fit
# 2opt-algorithm
def optFunc(stri) :
head = random.randrange(1, len(stri)-2)
tail = random.randrange(head+1, len(stri)-1)
newArr = []
# str[0] - str[head-1] 까지 순서대로 나열
for spot1 in range(head) :
newArr.append(stri[spot1])
# str[head] - str[tail] 까지 역순 나열
for spot2 in range(len(stri[head-1:tail])) :
newArr.append(stri[tail-spot2])
# str[head+1] - str[-1] 까지 순서대로 나열
for spot3 in range(len(stri)-tail-1) :
newArr.append(stri[tail+spot3+1])
return newArr
# 0 ~ ranges-1의 범위 중 두 개를 랜덤으로 샘플링해서 list 리턴
def randomTwo(ranges) :
randomList = []
randomList += random.sample(range(0,ranges), 2)
randomList.sort()
return randomList
def TSP_GA() :
# 환경 설정 및 초기화
generation = 0 # 현재 세대
chromosome = [] # temp chromosome
chromosome_fit = [] # temp fitness
# initialize
for i in range(chrCOUNT) :
# 2opt 이용해서 좀 더 좋은 initial chromosome 설정
chromosome.append(optFunc(random.sample(range(0, cities_count), cities_count)))
for i in range(chrCOUNT) :
chromosome_fit.append(round(cal_fit(chromosome[i]), 5))
populations = np.array([chromosome, chromosome_fit])
populations = populations.T
# print('초기 염색체 : \n', population, '\n염색체 별 적합도 :\n', population_fit)
# print(populations)
while 1 :
generation+=1
populations = populations[np.argsort(populations[:, 1])]
# 최적화 알고리즘 2-opt 사용
for i in range(selCOUNT) :
populations[i+selCOUNT,0] = optFunc(populations[i+selCOUNT,0])
populations[i+selCOUNT,1] = cal_fit(populations[i+selCOUNT,0])
# selection : 토너먼트선택,
populations = populations[np.argsort(populations[:, 1])]
for endSel in range(selCOUNT) :
# 난수룰 발생시켜 해집단 내 두 유전자 선택, 선택난수 발생
# 선택난수가 선택압보다 작으면 두 유전자 중 좋은 유전자가 선택. 아니면 반대로
parents_index = [0]*2
for i in range(len(parents_index)):
selGeneNum = randomTwo((chrCOUNT-endSel))
match = random.random()
if match < SEL :
if populations[selGeneNum[0],1] < populations[selGeneNum[1],1] :
parents_index[i] = selGeneNum[0]
else:
parents_index[i] = selGeneNum[1]
else :
if populations[selGeneNum[0],1] < populations[selGeneNum[1],1] :
parents_index[i] = selGeneNum[1]
else:
parents_index[i] = selGeneNum[0]
# crossover : order-based crossover
daddy_value = populations[parents_index[0], 0].copy()
mommy_value = populations[parents_index[1], 0].copy()
CsGeneNum = randomTwo(cities_count)
offspring = daddy_value[CsGeneNum[0] : CsGeneNum[1]]
for i in daddy_value[CsGeneNum[0] : CsGeneNum[1]] :
mommy_value.remove(i)
for i in range(len(offspring)) :
mommy_value.insert(CsGeneNum[0]+i, offspring[i])
offspring = mommy_value
offspring_fit = cal_fit(offspring)
# mutation : exchange mutation
mut_p = random.random()
if mut_p < MUT :
MtGeneNum = randomTwo(cities_count)
mut_Temp = offspring[MtGeneNum[0]]
offspring[MtGeneNum[0]] = offspring[MtGeneNum[1]]
offspring[MtGeneNum[1]] = mut_Temp
offspring_fit = cal_fit(offspring)
populations = np.vstack((populations, [offspring, offspring_fit]))
# Replacement
populations = populations[np.argsort(populations[:, 1])]
for i in range(chrCOUNT-selCOUNT) :
np.delete(populations, (chrCOUNT+i), axis=0)
print(generation, '세대 최적 해 : \n', populations[0,0],"\n", populations[0,1])
@timeout(limits)
def start_GA(stri) :
make_distDataframe(stri)
TSP_GA()
try :
start = timeit.default_timer()
start_GA("2opt_dots/2opt_cycle100.in")
stop = timeit.default_timer()
print(stop - start)
except :
stop = timeit.default_timer()
print(stop - start)
'''
//질문
1. 36초만에 200,000세대까지 계산하는건 어려운 일(*GA_2차보고서) 같은데... 36분이 아닌지...?
2. population 전체에 2opt를 실행하니 오히려 수렴을 못하는 결과 발생...
하위 *selCount개의 chromosome에 2opt를 시행했더니 결과가 훨씬 좋았음.
2opt를 거친다고해서 fitness가 무조건 좋아지는 것은 아닌것은 알겠는데 어떻게 적용해야 가장 최적일까???
ex) 하위 몇 %만 적용, 적용과 미적용을 비교해서 좋은 경우만 대치
//이슈
1. python에서 thread로 함수를 중간에 죽이는게 windows에서 일반적으로 불가. 삽질 너무 많이 했음...ㅠ
데코레이터(?)를 만들고 Thread.join (timeout) 메서드를 사용.
죽이는 것은 아니라서 백그라운드에서 실행 유지.
2. 특정 범위 내의 중복되지 않는 두 개의 랜덤을 골라내는 것에도 삽질 많이함.
3. 코드를 좀 수정해서 모듈화를 진행했으나 교수님이 지도해주시기엔 좋지 못한 것 같아서 다시 합침...
//비교
optGA : numpy + 2-opt GA
numGA : numpy GA
panGA : pandas GA
시간제한 : 36s
타겟 : 2opt_cycle100.in
panGA : generation / fitness
356/2272
375/2349
381/2218
348/2553
381/2467
numGA : generation / fitness
1171/1836
1159/2005
1175/1812
1174/1947
1131/1931
optGA : generation / fitness
1141/1182
1142/1136
1126/1205
1128/1214
1142/1219
'''