Остановка по повтореням лучшего значения

lab2/gen.py

@@ -30,6 +30,9 @@ class GARunConfig:
     pc: float  # вероятность кроссинговера
     pm: float  # вероятность мутации
     max_generations: int  # максимальное количество поколений
+    max_best_repetitions: int | None = (
+        None  # остановка при повторении лучшего результата
+    )
     seed: int | None = None  # seed для генератора случайных чисел
     minimize: bool = False  # если True, ищем минимум вместо максимума
     save_generations: list[int] | None = (
@@ -39,6 +42,7 @@ class GARunConfig:
     fitness_avg_threshold: float | None = (
         None  # порог среднего значения фитнес функции для остановки
     )
+    log_every_generation: bool = False  # логировать каждое поколение
 
 
 @dataclass(frozen=True)
@@ -337,6 +341,7 @@ def genetic_algorithm(config: GARunConfig) -> GARunResult:
     best: Generation | None = None
 
     generation_number = 1
+    best_repetitions = 0
 
     while True:
         # Вычисляем фитнес для всех особей в популяции
@@ -357,6 +362,12 @@ def genetic_algorithm(config: GARunConfig) -> GARunResult:
         )
         history.append(current)
 
+        if config.log_every_generation:
+            print(
+                f"Generation #{generation_number} best: {current.best_fitness},"
+                f" avg: {np.mean(current.fitnesses)}"
+            )
+
         # Обновляем лучшую эпоху
         if (
             best is None
@@ -371,6 +382,15 @@ def genetic_algorithm(config: GARunConfig) -> GARunResult:
         if generation_number >= config.max_generations:
             stop_algorithm = True
 
+        if config.max_best_repetitions is not None and generation_number > 1:
+            if history[-2].best_fitness == current.best_fitness:
+                best_repetitions += 1
+
+                if best_repetitions == config.max_best_repetitions:
+                    stop_algorithm = True
+            else:
+                best_repetitions = 0
+
         # if config.variance_threshold is not None:
         #     fitness_variance = np.var(fitnesses)
         #     if fitness_variance < config.variance_threshold: