Cheek's'HATE'study

2. Proportional

2025년 3월 18일6 min read

  • Population create

    import random
from ch3.selection_proportional import selection_proportional  # 비례 선택 함수 불러오기
from ch3.individual import Individual  # Individual 클래스 불러오기
 
POPULATION_SIZE = 9  # 개체군 크기 설정
random.seed(4)  # 난수 시드 고정 (동일한 난수를 반복적으로 생성하기 위해)
 
# 개체군 생성
population = Individual.create_random_population(POPULATION_SIZE)  # 개체군을 랜덤하게 생성
 
# 비례 선택(룰렛 휠 선택) 방식으로 개체 선택
selected = selection_proportional(population)  # 선택된 개체는 룰렛 휠 선택 방식으로 뽑힘
 
# 개체군과 선택된 개체 출력
print(f"Population: {population}")  # 생성된 전체 개체군 출력
print(f"Selected: {selected}")  # 선택된 개체들 출력
    • ch3

      • selection_population - selection_proportioanl

        import random
 
def selection_proportional(individuals):
    
    # 개체군을 fitness 값 기준으로 내림차순 정렬 (적합도가 높은 개체가 앞쪽)
    sorted_individuals = sorted(individuals, key=lambda ind: ind.fitness, reverse=True)
    
    # 전체 fitness 값의 합을 계산 (룰렛 휠의 전체 크기)
    fitness_sum = sum(ind.fitness for ind in individuals)
    
    # 선택된 개체를 저장할 리스트
    selected = []
 
    # 0과 fitness_sum 사이의 무작위 값 생성 (룰렛 휠에서 화살표 역할)
    shave = random.random() * fitness_sum
    roulette_sum = 0  # 룰렛 휠의 현재 값 초기화
 
    # 룰렛 휠을 돌려 선택 과정 수행
    for ind in sorted_individuals:
        roulette_sum += ind.fitness  # 현재 개체의 fitness 값을 누적
 
        # 누적 fitness 값이 무작위로 선택된 값(shave)을 초과하면 해당 개체 선택
        if roulette_sum > shave:
            selected.append(ind)
            break  # 한 개체를 선택했으므로 내부 루프 종료
 
    # 선택된 개체 리스트 반환
    return selected

  • Visualization

    • Bar graph ver.

      import random
import pandas as pd
import matplotlib.pyplot as plt
from ch3.individual import Individual  # 개체 클래스(유전자 알고리즘에서 개체를 나타냄) 불러오기
 
# 난수 시드 설정 (항상 동일한 난수 발생) -> 같은 결과를 재현 가능하게 함
random.seed(9)
 
# 개체 수 설정
POPULATION_SIZE = 5
 
# 랜덤한 개체 생성 (유전자 알고리즘에서 초기 개체군 생성)
unsorted_population = Individual.create_random_population(POPULATION_SIZE)
 
# 개체를 fitness 값(적합도)에 따라 내림차순 정렬 (높을수록 좋은 개체)
population = sorted(unsorted_population, key=lambda ind: ind.fitness, reverse=True)
 
# 개체군 확인 코드 
# for ind in population:
#     print(ind.name, ind.fitness)
 
# 전체 개체군의 fitness 합계 계산
fitness_sum = sum([ind.fitness for ind in population])
 
# 개체별 fitness 값을 저장할 딕셔너리 초기화
fitness_map = {}
 
# 각 개체의 fitness 값을 기반으로 선택 확률 계산
for i in population:
    i_prob = round(100 * i.fitness / fitness_sum)  # 선택 확률을 백분율(%)로 변환
    i_label = f'{i.name} | fitness: {i.fitness}, prob: {i_prob}%'  # 개체 정보 문자열 생성
    fitness_map[i_label] = i.fitness  # 딕셔너리에 저장 (key: 개체 정보, value: fitness 값)
 
# 데이터프레임 생성 (개체별 fitness 값을 저장)
index = ['Sectors']
df = pd.DataFrame(fitness_map, index=index)
 
# 수평 막대 그래프 생성 (개체들의 fitness 비율을 시각화)
df.plot.barh(stacked=True)
 
# 룰렛 휠 선택 방식 시각화 (랜덤한 위치에 수직선 추가)
for _ in range(POPULATION_SIZE):
    plt.axvline(x=random.random() * fitness_sum, linewidth=5, color='black')
 
# x축 눈금 제거 (가독성 향상)
plt.tick_params(axis='x', which='both', bottom=False, top=False, labelbottom=False)
 
# 그래프 표시
plt.show()

    • Pie graph ver.

      import random
import pandas as pd
import matplotlib.pyplot as plt
from ch3.individual import Individual  # 개체 클래스(유전자 알고리즘에서 개체를 나타냄) 불러오기
 
# 난수 시드 설정 (항상 동일한 난수 발생) -> 같은 결과를 재현 가능하게 함
random.seed(9)
 
# 개체 수 설정
POPULATION_SIZE = 5
 
# 랜덤한 개체 생성 (유전자 알고리즘에서 초기 개체군 생성)
unsorted_population = Individual.create_random_population(POPULATION_SIZE)
 
# 개체를 fitness 값(적합도)에 따라 내림차순 정렬 (높을수록 좋은 개체)
population = sorted(unsorted_population, key=lambda ind: ind.fitness, reverse=True)
 
# 전체 개체군의 fitness 합계 계산
fitness_sum = sum([ind.fitness for ind in population])
 
# 개체별 fitness 값을 저장할 딕셔너리 초기화
fitness_map = {}
 
# 각 개체의 fitness 값을 기반으로 선택 확률 계산
for i in population:
    i_prob = round(100 * i.fitness / fitness_sum)  # 선택 확률을 백분율(%)로 변환
    i_label = f'{i.name} | fitness: {i.fitness}, prob: {i_prob}%'  # 개체 정보 문자열 생성
    fitness_map[i_label] = i.fitness  # 딕셔너리에 저장 (key: 개체 정보, value: fitness 값)
    
# 1. 각 개체의 선택 확률
probabilities = [i.fitness / fitness_sum for i in population]
 
# 2. 원그래프 시각화 (룰렛휠 방식)
fig, ax = plt.subplots(figsize=(7, 7))
 
# 원그래프에 각 개체의 영역을 표시
ax.pie(probabilities, labels=[f'{i.name} | {i.fitness}' for i in population], autopct='%1.1f%%', startangle=90)
 
# 그래프 스타일 설정
ax.axis('equal')  # 원이 완전한 원 형태로 나오게 함
plt.title("Roulette Wheel Selection Visualization")
plt.show()

  • Pros, Cons

    장점단점
    직관적이고 구현이 쉬움조기 수렴 위험이 매우 높음
    적합도에 따라 직접적 선택 가능적합도 값에 민감
    빠른 수렴 가능성스케일링 문제 발생 가능성
    낮은 적합도의 개체 선택 어려움

New Contents