# -*- coding: utf-8 -*-
"""
Created on Wed Nov  8 14:03:34 2023

@autor: Prof. Heitor S. Lopes

ALGORITMO GENÉTICO SIMPLES PARA ENCONTRAR O MÍNIMO DA FUNÇÃO DE SCHWEFEL EM DUAS DIMENSÕES
"""
import math
import numpy as np
from numpy import *
import random

#DEFINIÇÃO DA FUNÇÃO DE SCHWEFEL BI-DIMENSIONAL
def schwefel(x1,x2):  
    return 418.9829*2 - x1 * sin( sqrt( abs( x1 )))-x2*sin(sqrt(abs(x2)))

def schwefel_function(x, y):
    # Constants used in the Schwefel function
    a = 418.9829
    dim = 2

    # Calculate the absolute values of x and y
    abs_x = abs(x)
    abs_y = abs(y)

    # Calculate the function value
    term1 = -x * math.sin(math.sqrt(abs_x))
    term2 = -y * math.sin(math.sqrt(abs_y))
    result = a * dim + (term1 + term2)

    return result




# PARÂMETROS DO ALGORITMO GENÉTICO
population_size = 50
mutation_rate = 0.1
num_generations = 100

#INICIALIZA A POPULAÇÃO ALEATORIAMENTE COM DISTRIBUIÇÃO UNIFORME
population = [(random.uniform(-500, 500), random.uniform(-500, 500)) for _ in range(population_size)]

#PROGRAMA PRINCIPAL
for generation in range(num_generations):
    #AVALIA O FITNESS DE CADA INDIVÍDUO DA POPULAÇÃO
    fitness_scores = [schwefel_function(x, y) for x, y in population]

    #SELECIONA OS 50% MELHORES DA POPULAÇÃO COM BASE NO FITNESS
    sorted_population = [x for _, x in sorted(zip(fitness_scores, population))]
    selected_population = sorted_population[:population_size // 2]
    print("\n Generation= ",generation, " Best individual:", selected_population[0], " Fitness:", fitness_scores[0])


    #CRIA UMA NOVA POPULAÇÃO ATRAVÉS DA SELEÇÃO E OPERADORES GENÉTICOS
    new_population = []

    while len(new_population) < population_size:
        parent1, parent2 = random.choices(selected_population, k=2)
        crossover_point = random.randint(1, 2)

        child = (
            parent1[0] if random.random() < 0.5 else parent2[0],
            parent1[1] if random.random() < 0.5 else parent2[1]
        )

        if random.random() < mutation_rate:
            child = (child[0] + random.uniform(-10, 10), child[1] + random.uniform(-10, 10))

        new_population.append(child)

    population = new_population

#BUSCA A MELHOR SOLUÇÃO NA ÚLTIMA POPULAÇÃO GERADA
best_solution = min(population, key=lambda x: schwefel_function(x[0], x[1]))
best_fitness = schwefel_function(best_solution[0], best_solution[1])

print(f"Best solution: x = {best_solution[0]}, y = {best_solution[1]}, Fitness = {best_fitness}")