Xavier Nayrac

Rubyiste accro au TDD, serial blogger, apprenti data scientist, heureux utilisateur de Vim, accordéoniste.
Si vous vous sentez particulièrement généreux, suivez moi sur Twitter.

Les algorithmes génétiques démystifiés 18

| Comments

Niveau : intermédiaire

On continue la transformation en code orienté objet de l’algorithme génétique sur le paradoxe du singe savant.

D’abord la classe Evaluator, dont le rôle est d’évaluer la population:

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
class Evaluator
  def initialize(search_value, population)
    @search_value = search_value
    @population = population
  end

  def evaluate
    @population.each {|individual| score(individual) }
    fitness
  end

  private

  def score(individual)
    score = 0
    individual.chromosome.split('').each_with_index do |character, index|
      score += 1 if @search_value[index] == character
    end
    individual.score = score
  end

  def fitness
    total = @population.inject(0) {|sum, individual| sum + individual.score }
    size = @population.size
    @population.each do |individual|
      individual.fitness = individual.score.to_f / total * size
    end
  end
end

On voit le découpage entre score et fitness, dont on a parlé hier.

Ensuite, voici la classe GeneticAlgorithm:

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
class GeneticAlgorithm
  def initialize(generations, population, search_value, mutation_rate)
    @generations = generations
    @population = population
    @search_value = search_value
    @mutation_rate = mutation_rate
    @crossover = Crossover.new(search_value.size, mutation_rate)
  end

  def run
    @generations.times do |generation|
      Evaluator.new(@search_value, @population).evaluate
      best = @population.best
      display(generation, best)
      exit if best.score == @search_value.size
      next_generation
    end
  end

  private

  def display(generation, best)
    puts "----------------------"
    puts "Gen: #{generation}"
    puts "Best: #{best.chromosome}"
  end

  def next_generation
    pool = MatingPool.new(@population)
    population_size = @population.size
    @population.clear
    population_size.times do
      @population << @crossover.two_point(pool.random, pool.random)
    end
  end
end

La méthode run remplace la fonction principale qu’on avait dans nos scripts jusqu’ici. En écrivant l’article, je vois que la méthode display me dérange : elle ne repose sur aucun membre, elle serait donc mieux dans une classe à part entière.

Voilà, c’est un peu court en explication comme article et je m’en excuse mais aujourd’hui je suis très préssé. La prochaine fois on parle des classes MatingPool, Crossover et Mutator.

À demain.

Articles connexes

Commentaires