import numpy as np

import ga

def main():

# entradas da equação

equation_inputs = [4, -2, 3.5, 5, -11, -4.7]

# número de pesos a otimizar

num_weights = 6

sol_per_pop = 8

# população tem sol_per_pop cromossomos com num_weights gens

pop_size = (sol_per_pop, num_weights)

# População inicial

new_population = np.random.uniform(low=-4.0, high=4.0, size=pop_size)

# Algoritmo genético

num_generations = 100

num_parents_mating = 4

for generation in range(num_generations):

print(f"Geração: {generation}")

# medir o ‘fitness’ de cada cromossomo na população

fitness = ga.cal_pop_fitness(equation_inputs, new_population)

print("Valores de fitness:")

print(fitness)

# Selecionar os melhores pais na população para o cruzamento

parents = ga.select_mating_pool(new_population, fitness, num_parents_mating)

print("Genitores selecionados:")

print(parents)

# formar a próxima geração usando crossover

offspring_crossover = ga.crossover(parents, offspring_size=(

pop_size[0] - parents.shape[0], num_weights

))

print("Resultado do crossover:")

print(offspring_crossover)

# adicionar variações aos filhos usando mutação

offspring_mutation = ga.mutation(offspring_crossover)

print("Resultado da mutação:")

print(offspring_mutation)

# criar a nova população baseada nos pais e filhos

new_population[0:parents.shape[0], :] = parents

new_population[parents.shape[0]:, :] = offspring_mutation

best_result = np.max(np.sum(new_population*equation_inputs, axis=1))

print(f"Melhor resultado depois da geração {generation}: {best_result}")

fitness = ga.cal_pop_fitness(equation_inputs, new_population)

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

print("Melhor solução: ", new_population[best_match_idx, :])

print("Fitness da melhor solução: ", fitness[best_match_idx])

if __name__ == '__main__':

main()