-
Notifications
You must be signed in to change notification settings - Fork 0
Expand file tree
/
Copy pathopt_alg.cpp
More file actions
710 lines (690 loc) · 19.3 KB
/
Copy pathopt_alg.cpp
File metadata and controls
710 lines (690 loc) · 19.3 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
#include "opt_alg.h"
#if LAB_NO > 1
double *expansion(double x0, double d, double alpha, int Nmax, matrix *ud, matrix *ad)
{
double *p = new double[2];
solution X0(x0), X1(x0 + d);
X0.fit_fun(ud, ad);
X1.fit_fun(ud, ad);
if (X0.y == X1.y)
{
p[0] = X0.x();
p[1] = X1.x();
if (ud != nullptr)
{
double **Array = new double *[1];
//Array[0] = new double[] { x0, p[0], p[1], (double)solution::f_calls };
ud->add_row(matrix(1, 4, Array));
}
return p;
}
if (X0.y < X1.y)
{
d *= -1;
X1.x = X0.x + d;
X1.fit_fun(ud, ad);
if (X0.y <= X1.y)
{
p[0] = X1.x();
p[1] = X0.x() - d;
//if (ud != nullptr)
//{
// double** Array = new double* [1];
// //Array[0] = new double[] { x0, p[0], p[1], (double)solution::f_calls };
// ud->add_row(matrix(1, 4, Array));
//}
return p;
}
}
solution X2;
int i = 1;
while (true)
{
X2.x = x0 + pow(alpha, i) * d; //x0 - double(faktyczny punkt startowy)
X2.fit_fun(ud, ad);
//if (ud != nullptr)
//{
// double** Array = new double* [1];
// //Array[0] = new double[] { x0, X0.x(), X2.x(), (double)solution::f_calls };
// ud->add_row(matrix(1, 4, Array));
//}
if (X2.y >= X1.y || solution::f_calls > Nmax)
break;
X0 = X1;
X1 = X2;
++i;
}
d > 0 ? p[0] = X0.x(), p[1] = X2.x() : (p[0] = X2.x(), p[1] = X0.x());
return p;
}
solution fib(double a, double b, double epsilon, matrix *ud, matrix *ad)
{
int n = static_cast<int>(ceil(log2(sqrt(5) * (b - a) / epsilon) / log2((1 + sqrt(5)) / 2)));
int *F = new int[n]{1, 1};
for (int i = 2; i < n; ++i)
F[i] = F[i - 2] + F[i - 1];
solution A(a), B(b), C, D;
C.x = B.x - 1.0 * F[n - 2] / F[n - 1] * (B.x - A.x);
D.x = A.x + B.x - C.x;
C.fit_fun(ud, ad);
D.fit_fun(ud, ad);
for (int i = 0; i <= n - 3; ++i)
{
if (C.y < D.y)
B = D;
else
A = C;
C.x = B.x - 1.0 * F[n - i - 2] / F[n - i - 1] * (B.x - A.x);
D.x = A.x + B.x - C.x;
C.fit_fun(ud, ad);
D.fit_fun(ud, ad);
#if LAB_NO == 2 && LAB_PART == 2
if (ud != nullptr)
{
(*ud).add_row((B.x - A.x)());
}
#endif
}
return C;
}
solution lag(double a, double b, double epsilon, double gamma, int Nmax, matrix *ud, matrix *ad)
{
solution A(a), B(b), C, D, D_old(a);
C.x = (a + b) / 2;
A.fit_fun(ud, ad);
B.fit_fun(ud, ad);
C.fit_fun(ud, ad);
double l, m;
while (true)
{
l = A.y(0) * (pow(B.x(0), 2) - pow(C.x(0), 2)) + B.y(0) * (pow(C.x(0), 2) - pow(A.x(0), 2)) + C.y(0) * (pow(A.x(0), 2) - pow(B.x(0), 2));
m = A.y(0) * (B.x(0) - C.x(0)) + B.y(0) * (C.x(0) - A.x(0)) + C.y(0) * (A.x(0) - B.x(0));
if (m <= 0) //check this: Ok, not positive
{
C.x = NAN;
C.y = NAN;
return C;
}
D.x = 0.5 * l / m;
D.fit_fun(ud, ad);
if (A.x <= D.x && D.x <= C.x) // a --- d ---- c ---- b
{
if (D.y < C.y)
{
B = C; // a --- c --- b
C = D;
}
else
{
A = D; //a -- c --- b
}
}
else if (C.x <= D.x && D.x <= B.x)
{
if (D.y < C.y)
{
A = C;
C = D;
}
else
{
B = D;
}
}
else
{
// punkt poza przedzialem ab
C.x = NAN;
C.y = NAN;
return C;
}
#if LAB_NO == 2 && LAB_PART == 2
if (ud != nullptr)
{
(*ud).add_row((B.x - A.x)()); // jakie� dane usera
}
#endif
if (B.x - A.x < epsilon || abs(D.x() - D_old.x()) < gamma || solution::f_calls > Nmax)
{
return C;
}
D_old = D;
}
}
#endif
#if LAB_NO > 2
solution HJ(matrix x0, double s, double alpha, double epsilon, int Nmax, matrix *ud, matrix *ad) //jesli etap probny konczy sie porazka to zmniejszamy s i zaczynamy szukac blizej srodka - zmiejszyc krok
{ // kryterium stopu - osiagniecie dlugosci kroku mniejszej niz episilon - jesli jest to na odlegosc mniejszej niz epsilon nie ma mniejszej wartosci | alfa < episolon ===> koniec
solution XB(x0), XB_old, X; //XB - baza, XB_old - stara baza - odbicie symetryczne starej bazy wzgledem nowej bazy
XB.fit_fun(ud, ad);
if (alpha >= 1)
{
// alpha ma zmniejszać krok
throw "Alpha shouldn't be more than 1";
}
while (true)
{
X = HJ_trial(XB, s, ud, ad); //etap próbny
if (X.y < XB.y) //jesli konzcy sie sukcesem to kolejna petla, gdy etap probny zakonczyl sie sukcesem
{
while (true) // petla sukcesywnie wykonuje etapy robocze
{
XB_old = XB; //stara baza to XB, X_old na wykłądzie jest z podkreśleniem
XB = X; //XB to jest X
#if LAB_NO == 3 && LAB_PART == 2
if (ud != nullptr)
{
(*ud).add_row(trans(XB.x));
}
#endif
X.x = 2 * XB.x - XB_old.x; //Odbicie symetryczne xold przez xb
X.fit_fun(ud, ad);
X = HJ_trial(X, s, ud, ad); //etap probny w etpapie roboczym, z punktu x uruchamiam etap probny
if (X.y >= XB.y)
{
break; //przerwe wykonywanie etapow roboczych gdy X bedzie gorszy niz Xb
}
if (solution::f_calls > Nmax)
{
return XB; //konczy caly algorytm, gdy liczba wywowal funkcji celu za duza
}
}
}
else
{
s *= alpha; //redukujemy dlugosc kroku, alfa zawsze <1
}
if (s < epsilon || solution::f_calls > Nmax) //sprawdzamy kryteria stopu
{
return XB;
}
}
}
// Póbkowanie - etap próbnya
solution HJ_trial(solution XB, double s, matrix *ud, matrix *ad) //moze zwrocic ten sam punkt albo lepszy
{
int n = get_dim(XB); //sprawdzamy rozmiar problemu
matrix D = ident_mat(n); //macierz zawierająca kierunki (macierz jednostkowa)
solution X; //rozwiązanie X
for (int i = 0; i < n; ++i) //petla po kazdym kierunku
{
X.x = XB.x + s * D[i]; //XB + s w kierunku D
X.fit_fun(ud, ad); //wartość funkcji celu w tym punkcie
if (X.y < XB.y) //jezeli ten punkt jest lepszy
{
XB = X; //to w tym momencie się przesuwamy
}
else
{
X.x = XB.x - s * D[i]; //jesli nie jest lepszy - jest gorszy to stawiamy punkt trzeci z innej strony
X.fit_fun(ud, ad); //krok w tym samym kierunku a przeciwnym zwrocie ^ ^ ^
if (X.y < XB.y) //jesli pomaga to sie przesuwamy
{
// Ważne silne nierówności
XB = X;
}
} // jesli nie to zostajemy w tym samym punkcie
}
return XB;
}
//s0 matrix - dla kadzego kroku oddzielna dlugosc kroku, //alhpa, beta - zwiekszanie/zmniejszanie dlugosci kroku
solution Rosen(matrix x0, matrix s0, double alpha, double beta, double epsilon, int Nmax, matrix *ud, matrix *ad) //w tej metodzie tylko wylacznie etap probny, wystepuje sytuacje w ktorej zmienamy kierunki, moze byc sytuacja ze wykonujemy obwod
{ // zwiekszamy i zmniejszamy dlugosc kroku, w HJ tylko zmniejszamy, | RS dlugosc korku zawsze inna
solution X(x0), Xt; //xt - punkt tymczasowy
int n = get_dim(X); //ilosc kierunkow - wymiar probleu
matrix l(n, 1), p(n, 1), s(s0), D = ident_mat(n); //macierz kierunkow, lambda - sumaryczne przesuniecie(l) - dla kazdego kroku oddzielnie, p - wektor wartosci 0,1,2,3... - liczy ile bylo porazek w danym kierunku, s - macierz dlugosci krokow kierunkow, D - kierunki
X.fit_fun(ud, ad);
while (true)
{
for (int i = 0; i < n; ++i) //proba w kazdym kierunku
{
Xt.x = X.x + s(i) * D[i];
Xt.fit_fun(ud, ad);
if (Xt.y < X.y) //jesli punkt lepszy
{
X = Xt; //dodaje do lambdy dlugosc kroku
l(i) += s(i); //zwiekszam lambde o s
s(i) *= alpha; //zwiekszam s, wazna kolejnosc, aplha powinna byc wieksza od 1
}
else
{
++p(i);
s(i) *= -beta; //zmniejszam dlugosc kroku
}
}
#if LAB_NO == 3 && LAB_PART == 2
if (ud != nullptr)
{
(*ud).add_row(trans(X.x));
}
#endif
bool change = true;
for (int i = 0; i < n; ++i) //zmiana bazy kierunkow, obracamy wektory
if (l(i) == 0 || p(i) == 0) //obrot wykonujemy jezeli w kazdym kierunku jest przesuniecie i w kazdym kierunku jest porazka, wszystkie p musza byc mniejsze niz 0 i wwszystkie presuniecia(l) mniejsze od 0
{
change = false;
break;
}
if (change) // nowe kierunki zaleza od starych kierunkow i l, musza byc prostopadle, wektory tych kierunkow musza byc znormlanizowane(dlugosc 1), uzywamy ortonoralizacji G-S,
{
matrix Q(n, n), v(n, 1); // wyzerowane, v wektor pionowy, macierz trójkątna dolna zawierająca wartości lambd
for (int i = 0; i < n; ++i)
{
for (int j = 0; j <= i; ++j) // wypelnianie macierzy Q lambdami
{
Q(i, j) = l(i);
}
}
Q = D * Q;
v = Q[0] / norm(Q[0]); //pierwsza kolumna podzielona przez norme
D.set_col(v, 0); //wsatawiamy do macierzy D jako kierunek piewrszy - kolumne zerowa
for (int i = 1; i < n; ++i) // nastepne kierunki liczmy w petli
{
matrix temp(n, 1);
for (int j = 0; j < i; ++j)
{
temp = temp + trans(Q[i]) * D[j] * D[j]; //transponowana kolumna j razy D(kierunki) ktore sa juz policzone
}
v = (Q[i] - temp) / norm(Q[i] - temp);
D.set_col(v, i);
} //koniec obrotu, wszystkie nowe kierunki
s = s0; //zerujemy s
l = matrix(n, 1); //zerujemy lambdy
p = matrix(n, 1); //zerujemy porazki
}
double max_s = abs(s(0));
for (int i = 1; i < n; ++i) //kryterkium kroku gdy jedno z s za male/duze abs
{
if (max_s < abs(s(i)))
{
max_s = abs(s(i));
}
}
if (max_s < epsilon || solution::f_calls > Nmax)
{
return X;
}
}
}
#endif
#if LAB_NO > 3
solution pen(matrix x0, double c0, double dc, double epsilon, int Nmax, matrix *ud, matrix *ad) //funkcja kary
{
double alpha = 1, beta = 0.5, gamma = 2, delta = 0.5, s = 0.5;
solution X(x0), X1;
matrix c(2, new double[2]{c0, dc}); // c0 - waga przy karze dc - odpowiada za wybor funkcji kary; zew, wew ; wysyłana jak ad
while (true)
{
X1 = sym_NM(X.x, s, alpha, beta, gamma, delta, epsilon, Nmax, ud, &c); //metoda symplex, odpal metode optymalizacji bez ograniczeń
if ((norm(X.x - X1.x) < epsilon) || solution::f_calls > Nmax) //gdy przestanie sie zmieniac lub max liczba iteracji
return X1;
c(0) *= dc;
X = X1; //rozpoczynamy symulacje dla zmienionej wartosci- punktu ktory znalezlismy
}
}
/// <summary>
/// sympleks
/// </summary>
/// <param name="x0">pkt poczatkowe</param>
/// <param name="s"></param>
/// <param name="alpha">Przy odbiciu</param>
/// <param name="beta">zawezenie</param>
/// <param name="gamma">ekspansja</param>
/// <param name="delta">dedukcja</param>
/// <param name="epsilon"></param>
/// <param name="Nmax"></param>
/// <param name="ud"></param>
/// <param name="ad"></param>
/// <returns></returns>
solution sym_NM(matrix x0, double s, double alpha, double beta, double gamma, double delta, double epsilon, int Nmax, matrix *ud, matrix *ad)
{
int n = get_len(x0);
matrix D = ident_mat(n); //wektory w macierzy D
int N = n + 1; // liczba wierzcholkow symleksu; sympleks ilośc zmiennych + 1
solution *S = new solution[N]; //symplex
S[0].x = x0;
S[0].fit_fun(ud, ad);
for (int i = 1; i < N; ++i)
{
S[i].x = S[0].x + s * D[i - 1];
S[i].fit_fun(ud, ad);
}
solution PR, PE, PN; //reflected, ecspansed, narrowed
matrix pc; //srodek ciezkosci sympleksu
int i_min, i_max;
while (true)
{
i_min = i_max = 0;
for (int i = 1; i < N; ++i)
{
if (S[i_min].y > S[i].y)
i_min = i;
if (S[i_max].y < S[i].y)
i_max = i;
}
pc = matrix(n, 1);
for (int i = 0; i < N; ++i)
if (i != i_max)
pc = pc + S[i].x;
pc = pc / (N - 1); //liczenie srodka c; albo n
PR.x = pc + alpha * (pc - S[i_max].x); //odbicie
PR.fit_fun(ud, ad);
if (S[i_min].y < PR.y && PR.y < S[i_max].y)
S[i_max] = PR;
else if (PR.y < S[i_min].y)
{
PE.x = pc + gamma * (PR.x - pc);
PE.fit_fun(ud, ad);
if (PE.y < PR.y) //aceptujemy odbicie, ackeptujemy ten ktory sprawia ze symplex bd mniejsz
S[i_max] = PE;
else
S[i_max] = PR;
}
else
{
PN.x = pc + beta * (S[i_max].x - pc);
PN.fit_fun(ud, ad);
if (PN.y < S[i_max].y)
S[i_max] = PN;
else
{
for (int i = 0; i < N; ++i)
if (i != i_min)
{
S[i].x = delta * (S[i].x + S[i_min].x);
S[i].fit_fun(ud, ad);
}
}
}
double max_s = norm(S[i_min].x - S[0].x); //odleglosc pomiedzy wierzcholkiem 0 i minimalnym
for (int i = 1; i < N; ++i) //liczymy najdluzsza krawedz symplexu
if (max_s < norm(S[i_min].x - S[i].x))
max_s = norm(S[i_min].x - S[i].x);
if (max_s < epsilon || solution::f_calls > Nmax) //kryteria stopu
return S[i_min];
}
}
#endif
#if LAB_NO > 4
solution SD(matrix x0, double h0, double epsilon, int Nmax, matrix *ud, matrix *ad) // punkt startowy, dlugosc kroku(jesli zmiennokrokowa <0)
{
int n = get_len(x0); // rozmiar problemu
solution X, X1; // rozwiazania
X.x = x0; // punkt startowy
matrix d(n, 1), *P = new matrix[2]; // okreslenie kierunku
solution h; // dlugosc kroku ktora wyznaczamy
double *ab; // przedzial ab - aby podzielic ekspansje
while (true)
{
X.grad(); // liczymy gradient
d = -X.g; // kierunek najszybszego spadku
if (h0 < 0) //jestli to metoda zmiennokrokowa - znajdujemy dlugosc kroku
{
P[0] = X.x; // P zawiera X ora d - kierunek
P[1] = d;
ab = expansion(0, 1, 1.2, Nmax, ud, P); // wywolujemy metode ekspansji, P jako ad(wsk)
h = golden(ab[0], ab[1], epsilon, Nmax, ud, P);
X1.x = X.x + h.x * d; // przesuwamy sie
}
else // stalokrokowa
X1.x = X.x + h0 * d;
#if LAB_NO == 5 && LAB_PART == 2
(*ud).add_row(trans(X1.x));
#endif
if (norm(X.x - X1.x) < epsilon || solution::f_calls > Nmax || solution::g_calls > Nmax) // kryterium stopu
{
X1.fit_fun(ud, ad);
return X1;
}
X = X1; // przesuwamy sie jesli nie ma konca
}
}
solution CG(matrix x0, double h0, double epsilon, int Nmax, matrix *ud, matrix *ad)
{
int n = get_len(x0);
solution X, X1;
X.x = x0;
matrix d(n, 1), *P = new matrix[2];
solution h;
double *ab, beta;
X.grad(); // liczymy gradient
d = -X.g; // pierwszy gradient liczymy inaczej niż resztę, stąd przed pętlą
while (true)
{
if (h0 < 0)
{
P[0] = X.x; //wysylamy P do fit_fun jako ad, potrzebne do g(alfa); wysylamy P do fit_fun jako ad, potrzebne do g(alfa)
P[1] = d;
ab = expansion(0, 1, 1.2, Nmax, ud, P); //przedział początkowy - metoda ekspansji
h = golden(ab[0], ab[1], epsilon, Nmax, ud, P); //liczymy za pomocą złotego podziału
X1.x = X.x + h.x * d;
}
else // stalokrokowa
{
X1.x = X.x + h0 * d;
}
#if LAB_NO == 5 && LAB_PART == 2
(*ud).add_row(trans(X1.x));
#endif
if (solution::f_calls > Nmax || solution::g_calls > Nmax || norm(X1.x - X.x) < epsilon) //kiedy się zatrzymać
{
X1.fit_fun(ud, ad);
return X1;
}
X1.grad();
beta = pow(norm(X1.g), 2) / pow(norm(X.g), 2);
d = -X1.g + beta * d; // nowy kierunek
X = X1; // zaczynamy z nowego punktu
}
}
solution Newton(matrix x0, double h0, double epsilon, int Nmax, matrix *ud, matrix *ad)
{
int n = get_len(x0);
solution X, X1;
X.x = x0;
matrix d(n, 1), *P = new matrix[2];
solution h;
double *ab;
while (true)
{
X.grad(); // liczymy gradient
X.hess(); // liczymy hesian
d = -inv(X.H) * X.g; // kierunek d
if (h0 < 0) //jestli to metoda zmiennokrokowa - znajdujemy dlugosc kroku
{
P[0] = X.x; // P zawiera X ora d - kierunek
P[1] = d;
ab = expansion(0, 1, 1.2, Nmax, ud, P); // wywolujemy metode ekspansji, P jako ad(wsk)
h = golden(ab[0], ab[1], epsilon, Nmax, ud, P);
X1.x = X.x + h.x * d; // przesuwamy sie
}
else // stalokrokowa
X1.x = X.x + h0 * d;
#if LAB_NO == 5 && LAB_PART == 2
(*ud).add_row(trans(X1.x));
#endif
if (norm(X.x - X1.x) < epsilon || solution::f_calls > Nmax || solution::g_calls > Nmax) // kryterium stopu
{
X1.fit_fun(ud, ad);
return X1;
}
X = X1; // przesuwamy sie jesli nie ma konca
}
}
solution golden(double a, double b, double epsilon, int Nmax, matrix *ud, matrix *ad) // metoda zlotego podzialu
{
double alfa = (sqrt(5) - 1) / 2;
solution A, B, C, D;
A.x = a; // poczatek
B.x = b; // koniec przedzialu
C.x = B.x - alfa * (B.x - A.x);
C.fit_fun(ud, ad);
D.x = A.x + alfa * (B.x - A.x);
D.fit_fun(ud, ad);
while (true)
{
if (C.y < D.y)
{
B = D;
D = C;
C.x = B.x - alfa * (B.x - A.x); // PW WHY ? Checkout: d6d1e5c74ab642797df877050f7274ca9d8fdfe6
C.fit_fun(ud, ad);
}
else
{
A = C;
C = D;
D.x = A.x + alfa * (B.x - A.x);
D.fit_fun(ud, ad);
}
if (B.x - A.x < epsilon || solution::f_calls > Nmax) //kryterium stopu
{
A.x = (A.x + B.x) / 2; //jeśli stop to zwracamy środek pomiędzy a i b
A.fit_fun(ud, ad);
return A;
}
}
}
#endif
#if LAB_NO > 5
solution Powell(matrix x0, double epsilon, int Nmax, matrix *ud, matrix *ad)
{
// a[0] = x
// a[1] = d
int n = get_len(x0);
matrix D = ident_mat(n), *A = new matrix[2];
solution X, P, h;
X.x = x0;
double *ab; // z ekspansji
while (true)
{
P = X;
for (int i = 0; i < n; ++i)
{
A[0] = P.x;
A[1] = D[i];
ab = expansion(0, 1, 1.2, Nmax, ud, A);
h = golden(ab[0], ab[1], epsilon, Nmax, ud, A);
P.x = P.x + h.x * D[i];
}
if (norm(X.x - P.x) < epsilon || solution::f_calls > Nmax)
{
P.fit_fun(ud);
return P;
}
for (int i = 0; i < n - 1; ++i)
{
D.set_col(D[i + 1], i);
}
//ostatni kierunek daje sie inaczej
D.set_col(P.x - X.x, n - 1);
A[0] = P.x;
A[1] = D[n - 1];
ab = expansion(0, 1, 1.2, Nmax, ud, A);
h = golden(ab[0], ab[1], epsilon, Nmax, ud, A);
X.x = P.x + h.x * D[n - 1];
}
}
#endif
#if LAB_NO > 6
solution EA(int N, matrix limits, int mi, int lambda, matrix sigma0, double epsilon, int Nmax, matrix *ud, matrix *ad)
{
solution *P = new solution[mi + lambda];
solution *Pm = new solution[mi];
random_device rd;
default_random_engine gen;
gen.seed(static_cast<unsigned int>(chrono::system_clock::now().time_since_epoch().count()));
normal_distribution<double> distr(0.0, 1.0);
matrix IFF(mi, 1), temp(N, 2);
double r, s, s_IFF;
double tau = pow(2 * N, -0.5), tau1 = pow(2 * pow(N, 0.5), -0.5);
int j_min;
for (int i = 0; i < mi; ++i)
{
P[i].x = matrix(N, 2);
for (int j = 0; j < N; ++j)
{
P[i].x(j, 0) = (limits(j, 1) - limits(j, 0)) * rand_mat(1, 1)() + limits(j, 0);
P[i].x(j, 1) = sigma0(j);
}
P[i].fit_fun(ud, ad);
cout << P[i].y << endl;
if (P[i].y < epsilon)
{
return P[i];
}
}
int WhileLoopCount = 0;
while (true)
{
if (ud != nullptr)
{
for (size_t i = 0; i < mi; i++)
{
matrix data(1, 3, 10);
data(0, 0) = WhileLoopCount;
data(0, 1) = P[i].x(0, 0);
data(0, 2) = P[i].x(1, 0);
ud->add_row(data);
}
}
WhileLoopCount++;
cout << WhileLoopCount << endl;
s_IFF = 0;
for (int i = 0; i < mi; ++i)
{
IFF(i) = 1 / P[i].y();
s_IFF += IFF(i);
}
for (int i = 0; i < lambda; ++i)
{
r = s_IFF * rand_mat(1, 1)();
s = 0;
for (int j = 0; j < mi; ++j)
{
s += IFF(j);
if (r <= s)
{
P[mi + i] = P[j];
break;
}
}
}
for (int i = 0; i < lambda; ++i)
{
r = distr(gen);
for (int j = 0; j < N; ++j)
{
P[mi + i].x(j, 1) *= exp(tau1 * r + tau * distr(gen));
P[mi + i].x(j, 0) += P[mi + i].x(j, 1) * distr(gen);
}
}
for (int i = 0; i < lambda; i += 2)
{
r = rand_mat(1, 1)();
temp = P[mi + i].x;
P[mi + i].x = r * P[mi + i].x + (1 - r) * P[mi + i + 1].x;
P[mi + i + 1].x = r * P[mi + i + 1].x + (1 - r) * temp;
}
for (int i = 0; i < lambda; ++i)
{
P[mi + i].fit_fun(ud, ad);
if (P[mi + i].y < epsilon)
return P[mi + i];
}
for (int i = 0; i < mi; ++i)
{
j_min = 0;
for (int j = 1; j < mi + lambda; ++j)
if (P[j_min].y > P[j].y)
j_min = j;
Pm[i] = P[j_min];
P[j_min].y = 1e10;
}
for (int i = 0; i < mi; ++i)
P[i] = Pm[i];
if (solution::f_calls > Nmax)
return P[0];
}
}
#endif