void calculaTeta()
{
defineRange(0,105); //trabalha apenas com ~60% dos casos de teste
int count = 0;
double ultimo_erro = 1.0, primeiro_erro = 0.0;
printf("Modelo:\nteta0 + teta1*x1 + teta2*x2 + ... + teta13*x13\n\nResultados esperados para h(x):\n1, 2 ou 3\n\n");
//pega valor do erro inicial
gradiente();
count++;
confereErro(&ultimo_erro, count);
primeiro_erro = ultimo_erro;
printf("Erro inicial = %f\n", primeiro_erro);
gradiente();
count++;
printf("Calculando, por favor aguarde!\n\n");
//loop para achar os tetas
while(confereErro(&ultimo_erro, count) == 1)
{
gradiente();
count++;
}
//adiciona valores de teta a teta.txt
guardaTeta(ultimo_erro, count);
//caso erro = 0.03 nao seja possivel, imprime erro inicial e menor erro encontrado
if(confereErro(&ultimo_erro, count) == 2)
printf("Erro inicial = %f\tErro minimo encontrado = %f\n",primeiro_erro, ultimo_erro);
//valores finais de teta e numero de passos
printf("teta0 = %f\tteta1 = %f\tteta2 = %f\tteta3 = %f\nteta4 = %f\tteta5 = %f\tteta6 = %f\nteta7 = %f\tteta8 = %f\tteta9 = %f\nteta10 = %f\tteta11 = %f\tteta12 = %f\nteta13 = %f\n", teta[0], teta[1], teta[2], teta[3], teta[4], teta[5], teta[6], teta[7], teta[8], teta[9], teta[10], teta[11], teta[12], teta[13]);
printf("numero de passos: %d\n", count);
system("pause");
}
int main() {
//inicializacion de semilla
srand( (unsigned) std::time(NULL));
//Leemos los valores de configuracion
float probabilidad_cruza = utils::strToFloat(config.getValue("cruza"));
float probabilidad_mutacion = utils::strToFloat(config.getValue("mutacion"));
unsigned int tamanio_poblacion = utils::strToInt(config.getValue("tamanio_poblacion"));
unsigned int variables_fenotipo = utils::strToInt(config.getValue("variables_fenotipo"));
unsigned int cantidad_generaciones = utils::strToInt(config.getValue("cantidad_generaciones"));
unsigned int cantidad_genes = utils::strToInt(config.getValue("cantidad_genes"));
float escala = utils::strToFloat(config.getValue("escala"));
unsigned int elitismo = utils::strToInt(config.getValue("elitismo"));
unsigned int id_funcion_fitness = utils::strToInt(config.getValue("id_funcion_fitness"));
std::string forma_seleccion = config.getValue("forma_seleccion");
float error = utils::strToFloat(config.getValue("error"));
unsigned int brecha_generacional = utils::strToInt(config.getValue("brecha_generacional"));
unsigned int k_competencia = utils::strToInt(config.getValue("k_competencia"));
float fitness_deseado = utils::strToFloat(config.getValue("fitness_deseado"));
std::cout<<"Bienvenidos al Ejercicio 1\n";
std::cout<<"Tamanio de poblacion = "<<tamanio_poblacion<<'\n';
std::cout<<"Metodo de seleccion = "<<forma_seleccion<<'\n';
std::cout<<"Probabilidad Cruza = "<<probabilidad_cruza<<'\n';
std::cout<<"Probabilidad Mutacion = "<<probabilidad_mutacion<<'\n';
std::cout<<"Elitismo = "<<elitismo<<'\n';
unsigned int metodo_seleccion;
if(forma_seleccion.compare("ruleta") == 0)
metodo_seleccion = AlgoritmoGenetico::SELECCION_RULETA;
else if(forma_seleccion.compare("ventanas") == 0)
metodo_seleccion = AlgoritmoGenetico::SELECCION_VENTANAS;
else if(forma_seleccion.compare("competencia") == 0)
metodo_seleccion = AlgoritmoGenetico::SELECCION_COMPETENCIA;
else
std::cout<<"Metodo de seleccion no definido\n";
//Instanciamos el algoritmo genetico
AlgoritmoGenetico AG (tamanio_poblacion, cantidad_genes, escala, variables_fenotipo, cantidad_generaciones,
probabilidad_cruza, probabilidad_mutacion, elitismo, brecha_generacional,
id_funcion_fitness, metodo_seleccion, k_competencia);
//Definimos vectores para graficación
std::vector<float> mejor_fitness, prom_fitness, peor_fitness;
//Guardo el mejor fitness de la poblacion
mejor_fitness.push_back(AG.getMejorFitness());
//Calculo y guardo el fitness promedio de la poblacion
std::vector<float> vector_tmp_fitness;
AG.getFitness(vector_tmp_fitness);
prom_fitness.push_back(utils::promedio(vector_tmp_fitness));
//Guardo el Peor fitness de la poblacion
peor_fitness.push_back(AG.getPeorFitness());
float mejor_fitness_actual = 10.0;
unsigned int w;
for (w = 0; w < cantidad_generaciones; w++) {
AG.reproduccion();
mejor_fitness_actual = AG.evaluar();
std::cout<<"Mejor fitness a iteracion "<<w<<" = "<<mejor_fitness_actual<<'\n';
//Guardo el mejor fitness de la poblacion
mejor_fitness.push_back(AG.getMejorFitness());
//Calculo y guardo el fitness promedio de la poblacion
std::vector<float> vector_tmp_fitness;
AG.getFitness(vector_tmp_fitness);
prom_fitness.push_back(utils::promedio(vector_tmp_fitness));
//Guardo el Peor fitness de la poblacion
peor_fitness.push_back(AG.getPeorFitness());
//Criterio de finalización
if (mejor_fitness_actual > fitness_deseado) {
break;
}
}
std::cout<<"Se termino luego de "<<w<<" generaciones.\nEl fitness logrado es de "<<mejor_fitness.back()<<'\n';
AG.imprimirResumen();
std::vector<bool> respuesta;
AG.getMejorGenotipo(respuesta);
if(id_funcion_fitness == 1 or id_funcion_fitness == 2)
std::cout<<"\nSolucion = "<<utils::binary2int(respuesta)/escala;
if(id_funcion_fitness == 3) {
std::vector<int> soluciones;
utils::vectorBinary2Int(respuesta,soluciones, 18);
std::cout<<"\nSoluciones = ";
for (unsigned int i = 0; i < soluciones.size(); i++)
std::cout<<soluciones[i]/escala<<' ';
}
std::cout<<" con fitness = "<<mejor_fitness_actual<<'\n';
//Vector de vector para graficacion
std::vector<std::vector<float> > grafica;
grafica.push_back(mejor_fitness);
grafica.push_back(prom_fitness);
grafica.push_back(peor_fitness);
GNUPlot plotter;
utils::drawHistory(grafica, plotter, id_funcion_fitness);
std::cout<<"\nFin del Algoritmo Genetico. Ahora se realizara el metodo de gradiente desciendiente\n";
getwchar();
//Gradiente
std::vector<float> x_ini;
switch(id_funcion_fitness){
case 1: { //ejercicio 1a
x_ini.push_back(359.0);
break;
}
case 2: { //ejercicio 1b
x_ini.push_back(2.0);
break;
}
case 3: { //ejercicio 1c
x_ini.push_back(0.1);
x_ini.push_back(0.1);
break;
}
}
std::cout<<"Gradiente inicializado en "; utils::printVector((x_ini));
//float tasa_inicial = 0.1; //tasa para 1a
//float tasa_inicial = 0.01; //tasa para 1b
float tasa_inicial = 0.01; //tasa para 1c
float criterio_error = 0.0001;
unsigned int maxit = 300;
Gradiente gradiente(tasa_inicial, x_ini, id_funcion_fitness, criterio_error, maxit);
unsigned int iteraciones;
iteraciones = gradiente.descender();
std::vector<float> solucion_segun_gradiente = gradiente.getSolucion();
std::cout<<"\nGradiente descendiente:\nIteraciones = "<<iteraciones;
std::cout<<"\nSolucion del gradiente = "; utils::printVector(solucion_segun_gradiente);
getwchar();
return 0;
}
