Фитнес функция как параметр

lab1/expirements.py

@@ -1,9 +1,16 @@
+import math
 import os
 import shutil
 
 from gen import GARunConfig, genetic_algorithm
 from prettytable import PrettyTable
 
+
+def target_function(x: float) -> float:
+    """f(x) = sin(x)/x^2"""
+    return math.sin(x) / (x * x)
+
+
 # Базовая папка для экспериментов
 BASE_DIR = "experiments"
 
@@ -16,6 +23,7 @@ PM_VALUES = [0.001, 0.01, 0.05, 0.1, 0.2]  # вероятности мутаци
 BASE_CONFIG = {
     "x_min": 3.1,
     "x_max": 20.0,
+    "fitness_func": target_function,
     "precision_digits": 3,
     "max_generations": 200,
     "seed": 17,

lab1/gen.py

@@ -10,11 +10,6 @@ import matplotlib.pyplot as plt
 import numpy as np
 
 
-def target_function(x: float) -> float:
-    """f(x) = sin(x)/x^2"""
-    return math.sin(x) / (x * x)
-
-
 def bits_for_precision(x_min: float, x_max: float, digits_after_decimal: int) -> int:
     """
     Подбор числа бит L так, чтобы шаг сетки был ≤ 10^{-digits_after_decimal}.
@@ -133,13 +128,14 @@ def mutation(chrom: List[int], pm: float) -> None:
 
 @dataclass
 class GARunConfig:
-    x_min: float = 3.1
-    x_max: float = 20.0
-    precision_digits: int = 3  # точность сетки ~0.001
-    pop_size: int = 100  # размер популяции
-    pc: float = 0.7  # вероятность кроссинговера
-    pm: float = 0.01  # вероятность мутации
-    max_generations: int = 200  # максимальное количество поколений
+    x_min: float
+    x_max: float
+    fitness_func: Callable[[float], float]
+    precision_digits: int  # точность сетки ~0.001
+    pop_size: int  # размер популяции
+    pc: float  # вероятность кроссинговера
+    pm: float  # вероятность мутации
+    max_generations: int  # максимальное количество поколений
     seed: int | None = None  # seed для генератора случайных чисел
     save_generations: list[int] | None = (
         None  # индексы поколений для сохранения графиков
@@ -166,10 +162,7 @@ class GARunResult:
     L: int  # число бит
 
 
-def genetic_algorithm(
-    config: GARunConfig,
-    fitness_func: Callable[[float], float] = target_function,
-) -> GARunResult:
+def genetic_algorithm(config: GARunConfig) -> GARunResult:
     if config.seed is not None:
         random.seed(config.seed)
         np.random.seed(config.seed)
@@ -187,7 +180,9 @@ def genetic_algorithm(
     best_x, best_f = 0, -float("inf")
 
     for generation in range(config.max_generations):
-        xs, fits = eval_population(population, config.x_min, config.x_max, fitness_func)
+        xs, fits = eval_population(
+            population, config.x_min, config.x_max, config.fitness_func
+        )
 
         # лучший в поколении + глобально лучший
         gi = int(np.argmax(fits))
@@ -233,6 +228,7 @@ def genetic_algorithm(
                     config.x_min,
                     config.x_max,
                     config.results_dir,
+                    config.fitness_func,
                 )
             break
 
@@ -247,6 +243,7 @@ def genetic_algorithm(
                 config.x_min,
                 config.x_max,
                 config.results_dir,
+                config.fitness_func,
             )
 
         # селекция
@@ -285,6 +282,7 @@ def plot_generation_snapshot(
     x_min: float,
     x_max: float,
     results_dir: str,
+    fitness_func: Callable[[float], float],
 ) -> str:
     """
     График для конкретного поколения с отображением всей популяции.
@@ -292,10 +290,10 @@ def plot_generation_snapshot(
     os.makedirs(results_dir, exist_ok=True)
 
     xs = np.linspace(x_min, x_max, 1500)
-    ys = np.sin(xs) / (xs * xs)
+    ys = [fitness_func(x) for x in xs]
 
     fig = plt.figure(figsize=(10, 6))
-    plt.plot(xs, ys, label="f(x)=sin(x)/x^2", alpha=0.7, color="blue")
+    plt.plot(xs, ys, label="Целевая функция", alpha=0.7, color="blue")
 
     # Отображаем всю популяцию текущего поколения
     if generation < len(history_populations_x):

lab1/main.py

@@ -1,11 +1,19 @@
+import math
 import os
 
 from gen import GARunConfig, genetic_algorithm
 
+
+def target_function(x: float) -> float:
+    """f(x) = sin(x)/x^2"""
+    return math.sin(x) / (x * x)
+
+
 # Запуск эксперимента с генетическим алгоритмом
 config = GARunConfig(
     x_min=3.1,
     x_max=20.0,
+    fitness_func=target_function,
     precision_digits=3,
     pop_size=15,
     pc=0.7,