import sys

import numpy as np

def cal_pop_fitness(equation_inputs, pop):

# Cálculo do ‘fitness’ de cada solução na população atual

# A função ‘fitness’ calcula a soma dos produtos entre cada

# entrada e seu peso correspondente

return np.sum(pop * equation_inputs, axis=1)

def select_mating_pool(pop, fitness, num_parents):

# Selecionar os melhores indivíduos na geração atual

# para seren pais para cruzamento

parents = np.empty((num_parents, pop.shape[1]))

for parent_num in range(num_parents):

max_fitness_idx = np.where(fitness == np.max(fitness))

max_fitness_idx = max_fitness_idx[0][0]

parents[parent_num, :] = pop[max_fitness_idx, :]

fitness[max_fitness_idx] = -sys.maxsize - 1

return parents

def crossover(parents, offspring_size):

offspring = np.empty(offspring_size)

# o ponto onde o cruzamento acontece entre os dois genitores

# geramos um número aleatório entre 1 e o tamanho do cromossomo

crossover_point = np.random.randint(1, offspring_size[1])

for k in range(offspring_size[0]):

# índice do primeiro genitor

parent1_idx = k % parents.shape[0]

# índice do segundo genitor

parent2_idx = (k+1) % parents.shape[0]

# o novo filho terá a primeira parte de seus genes

# oriunda do primeiro genitor

offspring[k, 0:crossover_point] = parents[parent1_idx, 0:crossover_point]

# o novo filho terá a segunda parte de seus genes

# oriunda do segundo genitor

offspring[k, crossover_point:] = parents[parent2_idx, crossover_point:]

return offspring

def mutation(offspring_crossover, mutation_rate=0.3):

# a mutação transforma um gene único em cada filho, aleatoriamente

for idx in range(offspring_crossover.shape[0]):

# a mutação só ocorrerá se dentro da 'mutation_rate' (por padrão 30%)

if np.random.random() < mutation_rate:

# O valor aleatório a ser adicionado

random_idx = np.random.randint(0, offspring_crossover.shape[1])

random_value = np.random.uniform(-1.0, 1.0, 1)

offspring_crossover[idx, random_idx] = offspring_crossover[idx, random_idx] + random_value

return offspring_crossover