유전 알고리즘(Genetic Algorithm)(3)-MST(java)
유전 알고리즘반응형
오늘은 저가 짠 유전 알고리즘 설명 해드리겠습니다.
저가 글을 잘 못써 큰 부분으로 큼지막하게 설명하겠습니다.
먼저 유전알고리즘이 진행 되면서 변경되는 염색체 클레스입니다.
//염색체 클레스이다.private class chromosome implements Comparable<chromosome>{ int order[] = null; int fit=0; int useFit=0; chromosome(int ch_len){ order = new int[ch_len]; } public int compareTo(chromosome ch) { return ch.useFit-this.useFit; // 자기 자신이 기준이 되면 오름차순 } //상대가 기준이면 내림차순 feat.sort public boolean isExist(int data, int currentAt){ for(int i=0;i<ch_len;i++){ if(i!=currentAt){ if (order[i]==data) return true; } } return false; }}염색체의 생성자에는 염색체의 길이를 받아 올 수 있도록 만들었습니다.
다음은 메인 클레스인 GA의 생성자 입니다.
private int[][] dataMatrix; private int ch_len, FG_Num, limitSolution, thresholds_fit, eliteNum, newGenerNum; private chromosome[] generationPool; private chromosome[] elite_Chs; private chromosome bestSolution = null; //데이터 + 염색체 길이 + 염색체 갯수 + 목적치 + th_fit + 엘리트수 + 교배횟수 GA(int[][] m_dataMatrix, int m_ch_len, int m_FG_Num, int m_limitSolution, int m_thresholds_fit, int m_eliteNum, int m_newGenerNum){ this.dataMatrix = m_dataMatrix; this.ch_len = m_ch_len; this.FG_Num = m_FG_Num; this.limitSolution = m_limitSolution; this.thresholds_fit = m_thresholds_fit; this.eliteNum = m_eliteNum; this.newGenerNum = m_newGenerNum; generationPool = new chromosome[FG_Num]; elite_Chs = new chromosome[eliteNum]; for(int i=0; i<FG_Num;i++){ generationPool[i] = new chromosome(ch_len); setFirst_G(generationPool[i]); calFit(generationPool[i]); } elite_Chs = setElite(generationPool); G_printf(generationPool,elite_Chs);//1세대 출력 for(int i=0; i<newGenerNum;i++){ generationPool = nextG(generationPool, elite_Chs); elite_Chs = setElite(generationPool); G_printf(generationPool,elite_Chs); //각 세대 확인 if(elite_Chs[0].fit < limitSolution){//작은게 좋은거 bestSolution = elite_Chs[0]; break; }// if(elite_Chs[0].useFit > limitSolution)//큰게 좋은거// bestSolution = elite_Chs[0];// break; } bestSolution = elite_Chs[0]; }제가 구성한 GA 코드는 생성자에서 모든 계산을 끝냅니다.
생성자를 보시면
generationPool = new chromosome[FG_Num];
elite_Chs = new chromosome[eliteNum];
대표적인 변수인 한 세대의 염색체가 모두 있는 염색체 배열과 엘리트 염색체가 들어가는 염색체 배열입니다.
코드는 크게 2부분으로 보시면 됩니다. 1세대를 초기화 하는 부분과 그 외 세대를 생성하고 fit를 계산하는 부분입니다.
for(int i=0; i<FG_Num;i++){
generationPool[i] = new chromosome(ch_len);
setFirst_G(generationPool[i]);
calFit(generationPool[i]);
}
elite_Chs = setElite(generationPool);
첫 번째 for문에서 1세대를 생성 및 초기화를 합니다. 그리고 생성이 끝나면 그 중에서 Fit가 가장 큰 엘리트를 선별합니다.
다음 for문에서는 nextG 함수로 하여 생성되어 있는
generationPool배열과 elite_Chs 배열을 변경합니다.
이때 생성자 파라메터로 받은 최대 세대나 목적치의 값이 나오면 멈춥니다.
다음은 다음 세대를 구하는 NextG함수 입니다.
private chromosome[] nextG(chromosome[] generationPool, chromosome[] elite_Chs){ chromosome[] newGeneration = new chromosome[FG_Num]; int s_ch1=-1, s_ch2=-1; int allArea = 0; int area[] = new int [FG_Num]; for(int i=0;i<FG_Num;i++) allArea+=generationPool[i].useFit; for(int i=1;i<FG_Num;i++){ area[i]=(int)((float)generationPool[i].useFit/allArea*1000); area[i]+=area[i-1]; } for(int i=0;i<eliteNum;i++) newGeneration[i] = elite_Chs[i]; for(int i=eliteNum;i<FG_Num;i++){ s_ch1=-1; s_ch2=-1; while(s_ch1 == s_ch2){ s_ch1 = ch_Select(area); s_ch2 = ch_Select(area); } //System.out.println("ch1 : "+s_ch1+" ch2 : "+s_ch2); newGeneration[i] = crossover(generationPool[s_ch1],generationPool[s_ch2]); mutation(newGeneration[i]); calFit(newGeneration[i]); } return newGeneration;}NextG 함수는 먼저 이전 세대의 엘리트 염색체를 가져옵니다. 그리고 남은 갯수의 염색체는 2개의 이전 세대의 염색체를 반반 합쳐서 새로운 염색체를 합칩니다. (중복된건 당연히 처리 해야겠죠)
그리고 일정 확률로 염색체에 대해서가 아닌 각각의 세포에 대해 돌연변이를 발생시킵니다. 돌연변이에 대한 정의는 GA알고리즘의 성능에 영향을 끼치는데 저는 특정 세포에서 돌연변이가 발생하면 남은 세포와 자리를 바꾸는 식으로 구현했습니다.
아래는 풀코드입니다.
import java.util.Arrays;import java.util.Arrays;public class GA { private int[][] dataMatrix; private int ch_len, FG_Num, limitSolution, thresholds_fit, eliteNum, newGenerNum; private chromosome[] generationPool; private chromosome[] elite_Chs; private chromosome bestSolution = null; //데이터 + 염색체 길이 + 염색체 갯수 + 목적치 + th_fit + 엘리트수 + 교배횟수 GA(int[][] m_dataMatrix, int m_ch_len, int m_FG_Num, int m_limitSolution, int m_thresholds_fit, int m_eliteNum, int m_newGenerNum){ this.dataMatrix = m_dataMatrix; this.ch_len = m_ch_len; this.FG_Num = m_FG_Num; this.limitSolution = m_limitSolution; this.thresholds_fit = m_thresholds_fit; this.eliteNum = m_eliteNum; this.newGenerNum = m_newGenerNum; generationPool = new chromosome[FG_Num]; elite_Chs = new chromosome[eliteNum]; for(int i=0; i<FG_Num;i++){ generationPool[i] = new chromosome(ch_len); setFirst_G(generationPool[i]); calFit(generationPool[i]); } elite_Chs = setElite(generationPool); G_printf(generationPool,elite_Chs);//1세대 출력 for(int i=0; i<newGenerNum;i++){ generationPool = nextG(generationPool, elite_Chs); elite_Chs = setElite(generationPool); G_printf(generationPool,elite_Chs); //각 세대 확인 if(elite_Chs[0].fit < limitSolution){//작은게 좋은거 System.out.println("결과를 구하였습니다."); bestSolution = elite_Chs[0]; break; }// if(elite_Chs[0].useFit > limitSolution)//큰게 좋은거// System.out.println("설정한 최소값에 대한 결과값을 구하지 못하였습니다.");// bestSolution = elite_Chs[0];// break; } bestSolution = elite_Chs[0]; System.out.println("설정한 최소값에 대한 결과값을 구하지 못하였습니다."); } //외부로부터 최고값 출력 public int getBestCost(){ return bestSolution.fit; } //외부로부터 최고값의 결로 출력 public String getBestPath(){ String path=null; for(int i=0; i<ch_len;i++){ path+=bestSolution.order[i]+" "; } return path; } //첫번째 세대를 만들어 주는 함수 - 상황에 따라 변경 private void setFirst_G(chromosome ch){ int[] tempArr = new int[ch_len]; for(int i=0;i<ch_len;i++) tempArr[i] = i; //셔플부분 int seed; int temp; for(int i=1;i<ch_len;i++){ seed=(int)(Math.random()*(ch_len-1))+1; temp = tempArr[i]; tempArr[i]=tempArr[seed]; tempArr[seed]=temp; } ch.order = tempArr; } //염색체에 대한 적합도를 측정한다. //크기가 작은게 좋은 경우 useFit으로 해서 계산한다. Why 그래야 나중에 계산하기 편함 private void calFit(chromosome ch){ int sumOfcost = 0; for(int i=0;i<ch_len-1;i++){ sumOfcost += dataMatrix[ch.order[i]][ch.order[i+1]]; } ch.fit = sumOfcost; if(thresholds_fit==0)//thresholds_fit이 0이면 Fit값이 큰게 좋은거 ch.useFit = sumOfcost; else //반대로 thresholds_fit값이 있으면 작은게 좋은거 ch.useFit = thresholds_fit-sumOfcost; } //엘리트 염색체를 구한다. private chromosome[] setElite(chromosome[] generationPool){ chromosome temp[] = new chromosome[eliteNum+1]; chromosome result[] = new chromosome[eliteNum]; for(int i=0;i<eliteNum;i++) temp[i] = generationPool[i]; for(int i=eliteNum;i<FG_Num;i++){ temp[eliteNum] = generationPool[i]; Arrays.sort(temp); } for(int i=0;i<eliteNum;i++){ result[i] = temp[i]; } return result; } //다음 세대를 구하는 함수이다. private chromosome[] nextG(chromosome[] generationPool, chromosome[] elite_Chs){ chromosome[] newGeneration = new chromosome[FG_Num]; int s_ch1=-1, s_ch2=-1; int allArea = 0; int area[] = new int [FG_Num]; for(int i=0;i<FG_Num;i++) allArea+=generationPool[i].useFit; for(int i=1;i<FG_Num;i++){ area[i]=(int)((float)generationPool[i].useFit/allArea*1000); area[i]+=area[i-1]; } for(int i=0;i<eliteNum;i++) newGeneration[i] = elite_Chs[i]; for(int i=eliteNum;i<FG_Num;i++){ s_ch1=-1; s_ch2=-1; while(s_ch1 == s_ch2){ s_ch1 = ch_Select(area); s_ch2 = ch_Select(area); } //System.out.println("ch1 : "+s_ch1+" ch2 : "+s_ch2); newGeneration[i] = crossover(generationPool[s_ch1],generationPool[s_ch2]); mutation(newGeneration[i]); calFit(newGeneration[i]); } return newGeneration; } //염색체를 교배하는 함수이다. 이 함수가 알고리즘의 성능을 좌우한다. private chromosome crossover(chromosome ch1, chromosome ch2) { int cutPoint = FG_Num/2; chromosome child_Ch = new chromosome(ch_len); for(int i=0; i<ch_len;i++){ if(i<cutPoint) child_Ch.order[i] = ch1.order[i]; else child_Ch.order[i] = ch2.order[i]; } for(int i=cutPoint; i<ch_len;i++){ if(child_Ch.isExist(ch2.order[i], i)){ for(int j=0; j<cutPoint;j++){ if(!child_Ch.isExist(ch2.order[j], i)){ child_Ch.order[i] = ch2.order[j]; break; } } } } return child_Ch; } //크기에 따라 확률이 다른 선택방법이다. private int ch_Select(int[] area){ int seed; seed=(int)(Math.random()*1000)+1; for(int i=1;i<FG_Num;i++){ if(area[i]>seed){ return i; } } return 0; } //돌연변이 생성 함수이다. private void mutation(chromosome ch){ int seed, changeAt, temp; for(int i=1;i<ch_len;i++){ seed = (int)(Math.random()*1000)+1; if(seed<11){ changeAt = (int)(Math.random()*ch_len-1)+1; temp = ch.order[i]; ch.order[i] = ch.order[changeAt]; ch.order[changeAt] = temp; } } } //한 세대의 염색체를 모두 출력하는 함수이다. private void G_printf(chromosome[] generationPool, chromosome[] elite_Chs){ for(int i=0;i<FG_Num;i++){ System.out.print("["); for(int j=0;j<ch_len;j++){ System.out.print(generationPool[i].order[j]+" "); } System.out.print("] : "); System.out.println(generationPool[i].useFit+" "+generationPool[i].fit); } System.out.println("========elite========"); for(int i=0;i<eliteNum;i++){ System.out.print("["); for(int j=0;j<ch_len;j++){ System.out.print(elite_Chs[i].order[j]+" "); } System.out.print("] : "); System.out.println(elite_Chs[i].useFit+" "+elite_Chs[i].fit); } System.out.println("========================="); } //염색체 클레스이다. private class chromosome implements Comparable<chromosome>{ int order[] = null; int fit=0; int useFit=0; chromosome(int ch_len){ order = new int[ch_len]; } public int compareTo(chromosome ch) { return ch.useFit-this.useFit; // 자기 자신이 기준이 되면 오름차순 } //상대가 기준이면 내림차순 feat.sort public boolean isExist(int data, int currentAt){ for(int i=0;i<ch_len;i++){ if(i!=currentAt){ if (order[i]==data) return true; } } return false; } }}
유전 알고리즘(JAVA).zip반응형
'유전 알고리즘' 카테고리의 다른 글
| 라이브러리, JGAP, Jenetics (0) | 2019.02.11 |
|---|---|
| 머신러닝 - 자기조직화지도(Self-Organizing Map, SOM) (0) | 2019.02.11 |
| 유전 알고리즘(Genetic Algorithm)(2)-MST(java) (0) | 2019.02.10 |
| CSP vs BFS vs GA for N-Queen (0) | 2019.02.10 |
| 유전 알고리즘(Genetic Algorithm)(1)-알고리즘 설명 (0) | 2019.02.10 |
