Add. projeto de Algoritmo Genético (parcial)

projetos/projetos-de-ia/projeto-de-ag/ag_imagem.py

@@ -0,0 +1,129 @@
+import numpy as np
+from PIL import Image
+import random
+import matplotlib.pyplot as plt
+from collections import deque
+
+# Configurações do AG
+tam_populacao = 150
+tam_cromossomo = 150  # 150 posições no cromossomo
+geracoes = 500
+taxa_mutacao = 0.25
+mse_dez_ger = deque(maxlen=5) #mse das ultimas 5 gerações
+
+# Carrega a imagem original
+img_original = Image.open('test2.jpg').convert('L')
+# img_original = img_original.resize((64, 64))
+matriz_img_original = np.array(img_original) # converte para uma matriz
+
+# FUNÇÕES
+# Função para calcular o MSE entre a imagem gerada e a imagem original
+def mse(imgGer, imgOrig):
+    mse = np.sum((imgGer.astype("float") - imgOrig.astype("float")) ** 2)
+    mse /= float(imgGer.shape[0] * imgGer.shape[1])
+    return mse
+
+# Função para gerar imagem a partir de um cromossomo
+def ger_img_cromo(cromossomo):
+    # inicializa a imagem como branca (intensidade 255)
+    img = np.ones((64, 64)) * 255
+    qtd_pixels = len(cromossomo) // 3  # cada 3 valores do cromossomo representam um pixel
+    for i in range(qtd_pixels):
+        # extraindo x, y e cor do pixel a partir do cromossomo
+        x = int(cromossomo[i * 3] % 64)
+        y = int(cromossomo[i * 3 + 1] % 64)
+        cor = cromossomo[i * 3 + 2] % 256
+        img[x, y] = cor
+    return img
+
+# Função de seleção por torneio
+def selecao_por_torneio(populacao, fitnesses):
+    tam_torneio = 5
+    selecionado = random.sample(list(zip(populacao, fitnesses)), tam_torneio)
+    selecionado.sort(key=lambda x: x[1])  # ordena pelo fitness (MSE)
+    return selecionado[0][0]  # retorna o melhor cromossomo do torneio
+
+# Função de cruzamento de um ponto
+def cruzamento(pai1, pai2):
+    ponto_cruzamento = random.randint(0, len(pai1) - 1)
+    filho1 = np.concatenate([pai1[:ponto_cruzamento], pai2[ponto_cruzamento:]])
+    filho2 = np.concatenate([pai2[:ponto_cruzamento], pai1[ponto_cruzamento:]])
+    return filho1, filho2
+
+# Função de mutação
+def mutacao(cromossomo, taxa_mutacao):
+    if random.random() < taxa_mutacao:
+        indice = random.randint(0, len(cromossomo) - 1)
+        cromossomo[indice] = random.randint(0, 255)
+    return cromossomo
+
+
+# Inicializa a população com cromossomos aleatórios
+populacao = deque()
+for _ in range(tam_populacao):
+    cromosssomo_aleatorio = np.random.randint(0, 256, tam_cromossomo)
+    populacao.append(cromosssomo_aleatorio)
+
+# Configurar a visualização dinâmica
+plt.ion()  # Modo interativo ligado
+fig, ax = plt.subplots(1, 2, figsize=(10, 5))
+
+# Mostrar a imagem original
+ax[0].imshow(matriz_img_original, cmap='gray')
+ax[0].set_title("Imagem Original")
+
+# Iniciar o algoritmo genético
+melhor_cromossomo = None
+melhor_fitness = float('inf')
+
+for geracao in range(geracoes):
+    fitnesses = []
+    for individuo in populacao:
+        img_gerada = ger_img_cromo(individuo)
+        fitness = mse(img_gerada, matriz_img_original)
+        if len(mse_dez_ger) < 5:
+            mse_dez_ger.append(fitness)
+        else:
+            mse_dez_ger.popleft()
+            mse_dez_ger.append(fitness)       
+
+        fitnesses.append(fitness)
+
+    # Encontrar o melhor cromossomo da geração
+    menor_fitness = min(fitnesses) # menor fitness = menor mse (mais parecido com a img original)
+    if menor_fitness < melhor_fitness:
+        melhor_fitness = menor_fitness
+        melhor_cromossomo = populacao[fitnesses.index(menor_fitness)]
+
+    # Atualizar a imagem gerada dinamicamente a cada 10 gerações
+    if geracao % 10 == 0:
+        melhor_img = ger_img_cromo(melhor_cromossomo)
+        ax[1].imshow(melhor_img, cmap='gray')
+        ax[1].set_title(f"AG Aproximação (Geração {geracao}, MSE: {melhor_fitness:.2f})")
+        plt.pause(0.1)  # Pausa para visualização
+
+    # Geração da nova população
+    prox_populacao = deque()
+    while len(prox_populacao) < tam_populacao:
+        # dif = calcula a mudança/diferença entre as últimas gerações para ver se está estagnado ou não
+        dif = np.diff(mse_dez_ger)
+        if len(mse_dez_ger) == 5 and len(dif[dif < 0]) > 0 and abs(np.mean(dif[dif < 0])) < 20:
+            pai1 = mutacao(selecao_por_torneio(populacao, fitnesses), float('inf'))
+            pai2 = mutacao(selecao_por_torneio(populacao, fitnesses), float('inf'))
+            mse_dez_ger.clear()
+        else:
+            pai1 = selecao_por_torneio(populacao, fitnesses)
+            pai2 = selecao_por_torneio(populacao, fitnesses)
+        filho1, filho2 = cruzamento(pai1, pai2)
+        prox_populacao.append(mutacao(filho1, taxa_mutacao))
+        prox_populacao.append(mutacao(filho2, taxa_mutacao))
+    if len(populacao) == tam_populacao:
+        populacao.popleft()
+    populacao = prox_populacao
+
+# Mostrar a imagem final
+melhor_img = ger_img_cromo(melhor_cromossomo)
+ax[1].imshow(melhor_img, cmap='gray')
+ax[1].set_title(f"Imagem Final (MSE: {melhor_fitness:.2f})")
+plt.ioff()  # Desliga o modo interativo
+plt.show()

projetos/projetos-de-ia/projeto-de-ag/testes_e_afins.py

@@ -0,0 +1,31 @@
+# # função apenas para fim de demonstração
+# import matplotlib.pyplot as plt
+# def mostrar_img(array_img_base):
+# 	fig, ax = plt.subplots(1, 2, figsize=(10, 5))
+# 	# Mostrar a imagem original
+# 	ax[0].imshow(array_img_base, cmap='gray')
+# 	ax[0].set_title("Imagem Original")
+# 	plt.show()
+# # mostrar_img(array_img_base)
+
+
+
+
+# # bibliotecas usadas
+import numpy
+# from PIL import Image
+# import random
+
+# # variáveis
+# cromossomo = []
+
+# # carrega a imagem e transforma ela em um uma matriz 64x64 (tamanho da imagem)
+# # cada posição da matriz representa um pixel da imagem (sua cor [entre 0 e 255 {escala de cinza}])
+# img_base = Image.open('teste3.jpg').convert('L') # converte pra cinza pra facilitar o processamento
+# array_img_base = numpy.array(img_base) # representação (definição do indivíduo)
+
+
+teste = [102.2, 321.4, 222.5, 215.29]
+dif = numpy.diff(teste)
+print(dif)
+print(abs(numpy.mean(dif[dif < 0])))