-
Notifications
You must be signed in to change notification settings - Fork 0
/
GAP-Genetic.c
536 lines (407 loc) · 13.2 KB
/
GAP-Genetic.c
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
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
/*
* Trabalho de Projeto e Análise de Algoritmo
* Período 16.1
*
* Desenvolver Metaheurísticas para o Problema de Alocação Generalizada
*
* Algoritmo: Genético.
* Data: 01/08/2016.
* Distribuição Livre, desde que referenciando o autor.
*
* Professor: Haroldo Santos
*
* Autor do Trabalho: Rodolfo Labiapari Mansur Guimarães
*/
#include <stdio.h>
#include <stdlib.h>
#include <time.h>
#include "gap.h"
/*
* Procedimento que realiza a alocação de memória para novas instâncias.
*
* O procedimento instancia a população, mas não os indivíduos.
*/
void Instancia_Populacoes(Solucao *** pop) {
(*pop) = calloc(TAM_POP, sizeof (Solucao*));
}
/*
* Procedimento que imprime os dados de toda a população.
*/
void Imprime_Populacao (Solucao ** p) {
int i = 0, j = 0;
if (IMPRIMIR) {
printf("\n\n");
for (i = 0; i < TAM_POP; i++) {
printf("[%3d] - ", i);
if (p[i] != NULL) {
for (j = 0; j < QUANT_TAREFAS; j++) {
printf("%1d ", p[i]->tarefas[j]);
}
printf("\t%10.1lf\n", p[i]->avaliacao);
} else
printf("\n");
fflush(stdout);
}
fprintf(out, "\n\n");
for (i = 0; i < TAM_POP; i++) {
fprintf(out, "[%3d] - ", i);
if (p[i] != NULL) {
for (j = 0; j < QUANT_TAREFAS; j++) {
fprintf(out, "%1d ", p[i]->tarefas[j]);
}
fprintf(out, "\t%10.1lf\n", p[i]->avaliacao);
} else
fprintf(out, "\n");
fflush(out);
}
}
}
/*
* Procedimento que imprime de forma inteligente, quais índices da população
* estão preenchidos e quais estão vazios.
*/
void Imprime_Dados_Populacao (Solucao ** p) {
int i = 0;
printf("\n\n");
for (i = 0; i < TAM_POP; i++) {
printf("[%5d] ", i);
printf("c%5.0lf / sum = a%12.6lf", p[i]->custo, p[i]->avaliacao);
if (p[i]->custo > 5 * 209) {
printf(" X\n");
} else {
printf("\n");
}
}
}
/*
* Procedimento que realiza a leitura dos parâmetros de configuração do
* algoritmo.
*/
void Le_Parametros(char * conf) {
FILE * f = 0;
f = fopen(conf, "r");
if (f) {
fscanf(f, "%d", &TAM_POP);
fscanf(f, "%f", &TAX_CRUZAM);
fscanf(f, "%f", &TAX_MUT);
fscanf(f, "%d", &SECONDS);
fclose(f);
} else {
printf("Erro ao ler Configuração!\n");
exit(-1);
}
}
/*
* Procedimento que seleciona indivíduos não repetidos aleatoriamente da
* população anterior adicionando-os na nova e eliminando os indivíduos
* rejeitados.
*/
void Seleciona_Nova_Geracao(Solucao *** atual, Solucao *** proxima) {
int i = 0, buffer[TAM_POP], indice = 0;
Solucao ** ind_buffer = 0;
// Inicializa o buffer de usados como 'nenhum item utilizado'
for (i = 0; i < TAM_POP; i++)
buffer[i] = 0;
// Para cada vagas da próxima população ainda não preenchida
for (i = (int) TAM_POP * TAX_CRUZAM + 1; i < TAM_POP; i++) {
// Escolhe um indivíduos da antiga população que ainda não foram
// escolhidos (a fim de não gerar uma população com indivíduos
// idênticos.
do {
indice = random() % TAM_POP;
} while (buffer[indice] == 1);
// Define-o como utilizado.
buffer[indice] = 1;
// Referencia-o na nova população.
(*proxima)[i] = (*atual)[indice];
}
// Assim, alguns indivíduos não serão referenciados e por isso devem ser
// eliminados
// Para cada item da população antiga
for (i = 0; i < TAM_POP; i++) {
// Verifica se o item não foi escolhido.
if (buffer[i] == 0) {
// Se sim, elimina-o
free((*atual)[i]->tarefas);
(*atual)[i]->tarefas = 0;
(*atual)[i]->avaliacao = -1;
}
// Reseta a população antiga para se tornar um 'proxima população'
(*atual)[i] = NULL;
}
// Comuta as populações.
ind_buffer = (*atual);
(*atual) = (*proxima);
(*proxima) = ind_buffer;
}
/*
* Procedimento que copia os dados de um indivíduo para outro.
*/
void Copia_Melhor_Solucao(Solucao ** p, Solucao ** best){
int i = 0;
Solucao * best_pop_local = 0;
// Inicia-se definido que o melhor é o primeiro indivíduo.
best_pop_local = p[0];
// Compara-se o primeiro com os outros de forma a escolher o melhor
// indivíduo de toda a população
for (i = 1; i < TAM_POP; i++) {
if (p[i]->avaliacao < best_pop_local->avaliacao)
best_pop_local = p[i];
}
// Se o indivíduo best ainda não foi criado, cria-o
if (*best == NULL) {
// Cria indivíduo
*best = calloc (1, sizeof(Solucao));
(*best)->tarefas = calloc(QUANT_TAREFAS, sizeof(int));
(*best)->excesso = calloc(QUANT_AGENTES, sizeof(int));
// Copia do melhor encontrado
(*best)->avaliacao = best_pop_local->avaliacao;
(*best)->custo = best_pop_local->custo;
// Copia os dados 'tarefa' e 'excesso'
for (i = 0; i < QUANT_TAREFAS; i++) {
(*best)->tarefas[i] = best_pop_local->tarefas[i];
if (i < QUANT_AGENTES)
(*best)->excesso[i] = best_pop_local->excesso[i];
}
} else {
// verifica se o melhor encontrado é melhor que o indivíduo atual
if ((*best)->avaliacao > 2 * 1000000 ||
((best_pop_local->avaliacao < 2 * 1000000) &&
(best_pop_local->custo < (*best)->custo))) {
// Copia os dados 'tarefa' e 'excesso'//
for (i = 0; i < QUANT_TAREFAS; i++) {
(*best)->tarefas[i] = best_pop_local->tarefas[i];
if (i < QUANT_AGENTES)
(*best)->excesso[i] = best_pop_local->excesso[i];
}
// Copia do melhor indivíduo
(*best)->avaliacao = best_pop_local->avaliacao;
(*best)->custo = best_pop_local->custo;
}
}
}
/*
* Procedimento que recombina dois indivíduos gerando um terceiro por meio de
* recombinação uniforme.
*/
int * Recombina(Solucao * i1, Solucao * i2) {
int i = 0, * tarefas = 0;
// Cria um novo vetor de tarefas
tarefas = calloc(QUANT_TAREFAS, sizeof(int));
// Recombina de forma uniforme
for (i = 0; i < QUANT_TAREFAS; i++) {
// Escolhe de forma uniforme sobre dois indivíduos
if (random() % 2)
tarefas[i] = i1->tarefas[i];
else
tarefas[i] = i2->tarefas[i];
}
return tarefas;
}
/*
* Procedimento que cria vários indivíduos aleatórios preenchendo a população.
* Além disso, é realizado a avaliação de cada um destes.
*/
void Cria_Nova_Populacao(Solucao *** P) {
int i = 0, j = 0, k = 0, menor = 0;
Solucao ** p_local = 0;
p_local = *P;
// Para cada item a ser criado
for (i = 0; i < TAM_POP; i++) {
// Aloca suas variáveis que armazenarão suas informações
p_local[i] = calloc(1, sizeof(Solucao));
p_local[i]->excesso = calloc(QUANT_AGENTES, sizeof(int));
p_local[i]->tarefas = calloc(QUANT_TAREFAS, sizeof(int));
// Gera valores pra este indivíduo
for (j = 0; j < QUANT_TAREFAS; j++) {
// O primeiro indivíduo será gerado de forma gulosa e os outros
// Serão uma mistura de Guloso com Aleatoriedade
// Se não for o primeiro indivíduo, possui 66% de gerar valores
// por meio de função randomica
if (i > 0 && random() % 3 != 0) {
p_local[i]->tarefas[j] = random() % QUANT_AGENTES;
// Caso contrário, utiliza uma geração gulosa pra esta tarefa.
} else {
// O método guloso escolhe o recurso mais leve desta tarefa
p_local[i]->tarefas[j] = 0;
menor = 0;
// Seleciona o agente que utiliza o menor recurso desta
// tarefa
for (k = 1; k < QUANT_AGENTES; k++) {
if (RECURSOS_A_T[k][j] < RECURSOS_A_T[menor][j]) {
menor = k;
p_local[i]->tarefas[j] = k;
}
}
}
}
// Avalia o novo indivíduo gerado
Avalia_Solucao(p_local[i]);
}
}
/*
* Procedimento que realiza a seleção de dois indivíduos para a geração de um
* terceiro.
*/
void Gera_Filhos(Solucao ** selecao, Solucao *** filhos) {
int i = 0, j = 0, numero_torneio = 0;
Solucao * i1 = 0, * i2 = 0, * buffer = 0;
Solucao ** filhos_local = * filhos;
// O primeiro indivíduo gerado é o indivíduo com melhor avaliação de toda
// população. Sendo assim, é realizado uma busca na população do
// melhor indivíduo e adiciona-o na próxima geração.
j = 0;
for (i = 1; i < TAM_POP; i++)
if (selecao[i]->avaliacao < selecao[j]->avaliacao)
j = i;
// Aloca memória pra nova solução
filhos_local[0] = calloc(1, sizeof(Solucao));
filhos_local[0]->excesso = calloc(QUANT_AGENTES, sizeof(int));
filhos_local[0]->tarefas = calloc(QUANT_TAREFAS, sizeof(int));
filhos_local[0]->avaliacao = selecao[j]->avaliacao;
// Copia as tarefas do elemento escolhido
for (i = 0; i < QUANT_TAREFAS; i++)
filhos_local[0]->tarefas[i] = selecao[j]->tarefas[i];
// Para os outros indivíduos que devem ser gerados, serão selecionados dois
// pais por torneio e realizados a sua recombinação
for (i = 1; i < (int) TAM_POP * TAX_CRUZAM + 1; i++) {
// Quantidade de indivíduos que disputarão o torneio
numero_torneio = 1 + random() % ((TAM_POP / 2) + 1);
// Aloca o novo filho ainda vazio.
filhos_local[i] = calloc(1, sizeof(Solucao));
filhos_local[i]->excesso = calloc(QUANT_AGENTES, sizeof(int));
// Realiza o torneio 1
i1 = selecao[random() % TAM_POP];
// Realiza torneio pra seleção do primeiro pai
j = 0;
while (j++ < numero_torneio) {
buffer = selecao[random() % TAM_POP];
if (buffer->avaliacao < i1->avaliacao)
i1 = buffer;
}
// Realiza o torneio 2
i2 = selecao[random() % TAM_POP];
// Realiza torneio pra seleção do segundo pai
j = 0;
while (j++ < numero_torneio) {
buffer = selecao[random() % TAM_POP];
if (buffer->avaliacao < i2->avaliacao)
i2 = buffer;
}
// Verifica se os dois pais são idênticos, caso sim, gera um outro
// pai aleatório sem torneio e seleciona-o
if (i1 == i2)
i2 = selecao[random() % TAM_POP];
// Recombina os dois indivíduos
filhos_local[i]->tarefas = Recombina(i1, i2);
}
}
/*
* Procedimento que realiza a mutação dos filhos por meio do processo Creep
* Mutation.
*
* Não são todos os filhos que são mutados. Eles são escolhidos aleatoriamente
* e TAX_MUT representa a porcentagem de mutação que cada indivíduo receberá.
* Ao final, este novo é avaliado.
*/
void Creep_Mutation(Solucao *** pop) {
int i = 0, j = 0, indice_tarefa = 0, quant_filhos = 0, agente_atual = 0;
// Quantidade de filhos gerados nesta próxima geração
quant_filhos = (int) TAM_POP * TAX_CRUZAM + 1;
// Para cada filho
for (i = 0; i < quant_filhos; i++) {
// Realiza mutação em uma porcentagem de do indivíduo
for (j = 0; j < (int) QUANT_TAREFAS * TAX_MUT; j++) {
// Muta a tarefa do indivíduo
indice_tarefa = random() % QUANT_TAREFAS;
agente_atual = (*pop)[i]->tarefas[indice_tarefa];
do {
(*pop)[i]->tarefas[indice_tarefa] = random() % QUANT_AGENTES;
} while ((*pop)[i]->tarefas[indice_tarefa] == agente_atual);
}
// Avalia o novo indivíduo gerado.
Avalia_Solucao((*pop)[i]);
}
}
/*
* Processo de geração de filhos e mutação.
*/
void Recombinacao(Solucao ** atual_p, Solucao *** proxima_p) {
// Gera filhos da próxima geraçãp
Gera_Filhos(atual_p, proxima_p);
// Muta os filhos gerados
Creep_Mutation(proxima_p);
}
/*
* Algoritmo Genético segundo Lopes 2008.
*/
Solucao * Algoritmo_Genetico() {
Solucao ** p_atual = 0, ** p_proxima = 0;
Solucao * melhor_Solucao = 0;
// Instancia as duas populações
Instancia_Populacoes(&p_atual);
Instancia_Populacoes(&p_proxima);
// Gera a população inicial para execução
Cria_Nova_Populacao(&p_atual);
// Copia o melhor indivíduo gerado aleatoriamnte
Copia_Melhor_Solucao(p_atual, &melhor_Solucao);
// Inicia o contador de tempo
start = time(NULL);
endwait = start + SECONDS;
do {
// Realiza a recombinação gerando novos filhos já mutados
Recombinacao(p_atual, &p_proxima);
// Completa a população com indivíduos da população anterior
Seleciona_Nova_Geracao(&p_atual, &p_proxima);
// Verifica a existência de um indivíduo melhor que o atual conhecido
Copia_Melhor_Solucao(p_atual, &melhor_Solucao);
// Recebe o tempo atual.
start = time(NULL);
// Verifica se o tempo excedeu o limite estabelecido por parâmentro.
} while (start < endwait);
// Desaloca populações após o fim do algoritmo
Desaloca_Populacao(&p_atual);
Desaloca_Populacao(&p_proxima);
// Retorna o melhor indivíduo encontrado
return melhor_Solucao;
}
/*
* Procedimento principal
*/
int main(int argc, char** argv) {
Solucao * solve;
printf("\n/*");
printf("\n * Trabalho de Projeto e Análise de Algoritmo");
printf("\n * Período 16.1");
printf("\n * ");
printf("\n * Desenvolver Metaheurísticas para o Problema de Alocação Generalizada");
printf("\n * ");
printf("\n * Algoritmo: Genético.");
printf("\n * Data: 01/08/2016.");
printf("\n * Distribuição Livre, desde que referenciando o autor.");
printf("\n * ");
printf("\n * Professor: Haroldo Santos");
printf("\n * ");
printf("\n * Autor do Trabalho: Rodolfo Labiapari Mansur Guimarães");
printf("\n */");
if (argc != 4) {
printf("\n\nErro nos parâmetros! Quantidade lida: %d\t Quantidade requerida: %d.", argc, 4);
printf("\nnome_programa arq_configuracao arq_instancia seed\n\n");
exit(-1);
}
//printf("\n\nExecutando...\n");
char * instancia = argv[2];
char * configuracao = argv[1];
srand(atoi(argv[3]));
Le_Instancia(instancia);
Le_Parametros(configuracao);
out = fopen ("out_genetico.txt", "a");
solve = Algoritmo_Genetico();
Imprime_Solucao(solve);
free(solve->tarefas);
free(solve);
fflush(out);
fclose(out);
fflush(stdout);
return (EXIT_SUCCESS);
}