Поиск минимума

lab1/gen.py

@@ -137,6 +137,7 @@ class GARunConfig:
     pm: float  # вероятность мутации
     max_generations: int  # максимальное количество поколений
     seed: int | None = None  # seed для генератора случайных чисел
+    minimize: bool = False  # если True, ищем минимум вместо максимума
     save_generations: list[int] | None = (
         None  # индексы поколений для сохранения графиков
     )
@@ -144,7 +145,7 @@ class GARunConfig:
     variance_threshold: float | None = (
         None  # порог дисперсии для остановки (если None - не используется)
     )
-    min_fitness_avg: float | None = (
+    fitness_avg_threshold: float | None = (
         None  # порог среднего значения фитнес функции для остановки
     )
 
@@ -177,7 +178,7 @@ def genetic_algorithm(config: GARunConfig) -> GARunResult:
     start = time.perf_counter()
     history_best_x, history_best_f = [], []
     history_populations_x, history_populations_f = [], []
-    best_x, best_f = 0, -float("inf")
+    best_x, best_f = 0, (float("inf") if config.minimize else -float("inf"))
 
     for generation in range(config.max_generations):
         xs, fits = eval_population(
@@ -185,9 +186,11 @@ def genetic_algorithm(config: GARunConfig) -> GARunResult:
         )
 
         # лучший в поколении + глобально лучший
-        gi = int(np.argmax(fits))
+        gi = int(np.argmin(fits)) if config.minimize else int(np.argmax(fits))
         gen_best_x, gen_best_f = xs[gi], fits[gi]
-        if gen_best_f > best_f:
+        if (config.minimize and gen_best_f < best_f) or (
+            not config.minimize and gen_best_f > best_f
+        ):
             best_x, best_f = gen_best_x, gen_best_f
 
         history_best_x.append(gen_best_x)
@@ -208,11 +211,14 @@ def genetic_algorithm(config: GARunConfig) -> GARunResult:
                 stop_algorithm = True
 
         # Критерий остановки по среднему значению фитнес функции
-        if config.min_fitness_avg is not None:
+        if config.fitness_avg_threshold is not None:
             mean_fitness = np.mean(fits)
-            if mean_fitness > config.min_fitness_avg:
+            if (config.minimize and mean_fitness < config.fitness_avg_threshold) or (
+                not config.minimize and mean_fitness > config.fitness_avg_threshold
+            ):
+                comparator = "<" if config.minimize else ">"
                 print(
-                    f"Остановка на поколении {generation}: среднее значение {mean_fitness:.6f} > {config.min_fitness_avg}"
+                    f"Остановка на поколении {generation}: среднее значение {mean_fitness:.6f} {comparator} {config.fitness_avg_threshold}"
                 )
                 stop_algorithm = True
 
@@ -229,6 +235,7 @@ def genetic_algorithm(config: GARunConfig) -> GARunResult:
                     config.x_max,
                     config.results_dir,
                     config.fitness_func,
+                    minimize=config.minimize,
                 )
             break
 
@@ -244,10 +251,12 @@ def genetic_algorithm(config: GARunConfig) -> GARunResult:
                 config.x_max,
                 config.results_dir,
                 config.fitness_func,
+                minimize=config.minimize,
             )
 
-        # селекция
-        parents = reproduction(population, fits)
+        # селекция (для минимума инвертируем знак, чтобы минимальные значения становились максимальными)
+        fitnesses_for_selection = fits if not config.minimize else [-f for f in fits]
+        parents = reproduction(population, fitnesses_for_selection)
 
         # кроссинговер попарно
         next_population = crossover(parents, config.pc)
@@ -283,6 +292,7 @@ def plot_generation_snapshot(
     x_max: float,
     results_dir: str,
     fitness_func: Callable[[float], float],
+    minimize: bool = False,
 ) -> str:
     """
     График для конкретного поколения с отображением всей популяции.
@@ -311,7 +321,9 @@ def plot_generation_snapshot(
         )
 
         # Лучшая особь красной точкой
-        best_idx = np.argmax(current_pop_f)
+        best_idx = (
+            int(np.argmin(current_pop_f)) if minimize else int(np.argmax(current_pop_f))
+        )
         plt.scatter(
             [current_pop_x[best_idx]],
             [current_pop_f[best_idx]],