3. SUS

• Population create

  import random
  from ch3.selection_stochastic_universal_sampling import selection_stochastic_universal_sampling
  from ch3.individual import Individual
   
  POPULATION_SIZE = 5  # 개체군의 크기 설정
  random.seed(1)  # 난수 시드를 고정하여 동일한 난수 생성
   
  # 개체군 생성
  population = Individual.create_random_population(POPULATION_SIZE)
   
  # Stochastic Universal Sampling (SUS) 방식으로 개체 선택
  selected = selection_stochastic_universal_sampling(population)
   
  # 개체군과 선택된 개체 출력
  print(f"Population: {population}")  # 생성된 개체군 출력
  print(f"Selected: {selected}")  # 선택된 개체들 출력
   

  • ch3

    • selection_stochastic_universal_sampling

      import random
       
      def selection_stochastic_universal_sampling(individuals):
          # 개체들을 fitness 값에 따라 내림차순 정렬
          sorted_individuals = sorted(individuals, key=lambda ind: ind.fitness, reverse=True)
       
          # 전체 fitness 값의 합 계산
          fitness_sum = sum([ind.fitness for ind in individuals])
       
          # 거리 계산 (전체 fitness 값 합을 개체 수로 나누기)
          distance = fitness_sum / len(individuals)
       
          # 시작 지점 계산 (랜덤으로 설정)
          shift = random.uniform(0, distance)
       
          # 선택의 경계값들 계산 (각각의 경계에 해당하는 확률값을 계산)
          borders = [shift + i * distance for i in range(len(individuals))]
       
          selected = []
       
          # 경계값을 기준으로 개체를 선택
          for border in borders:
              i = 0
              roulette_sum = sorted_individuals[i].fitness
       
              # 해당 경계값을 넘는 개체를 선택
              while roulette_sum < border:
                  i += 1
                  roulette_sum += sorted_individuals[i].fitness
              
              # 선택된 개체를 추가
              selected.append(sorted_individuals[i])
       
          return selected

      
      
      

• Visualization

  import random
  import pandas as pd
  import matplotlib.pyplot as plt
  from ch3.individual import Individual
   
  POPULATION_SIZE = 5
  random.seed(9)
   
  # 랜덤한 개체 생성
  unsorted_population = Individual.create_random_population(POPULATION_SIZE)
   
  # 개체를 fitness 값에 따라 내림차순으로 정렬
  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 = {}
  for i in population:
      i_prob = round(100 * i.fitness / fitness_sum)  # 선택 확률을 백분율로 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)
   
  # 막대그래프
  # DataFrame을 사용하여 막대그래프를 그리기 위한 데이터 준비
  index = ['Sectors']
  df = pd.DataFrame(fitness_map, index=index)
   
  df.plot.barh(stacked=True)
   
  # 확률적 보편 샘플링을 위한 거리 계산
  distance = fitness_sum / POPULATION_SIZE
  shift = random.random() * distance  # 이동 거리 설정
   
  # 룰렛 휠을 나타내는 세로선 추가
  for i in range(POPULATION_SIZE):
      plt.axvline(x=shift + distance * i, linewidth=5, color='black')
   
  # x축 레이블 숨기기
  plt.tick_params(axis='x', which='both', bottom=False, top=False, labelbottom=False)
   
  # 그래프 출력
  plt.show()

• Pros, Cons

  장점	단점
  편향성 감소, 공정한 선택 가능	구현이 약간 복잡함
  개체군 내 다양성 유지	개체 간 적합도 차이가 클 때 일부 편향 가능성
  안정적이고 신뢰성 높은 선택	최적 개체 유지 보장 안됨
  룰렛 휠의 단점 보완