macedo123

Python 3.6.5 |Anaconda, Inc.| (default, Mar 29 2018, 13:32:41) [MSC v.1900 64 bit (AMD64)] Type "copyright", "credits" or "license" for more information. IPython 6.4.0 -- An enhanced Interactive Python. runfile('C:/Users/Alex/Desktop/arquivos solidworks e imagens/Algoritmos_Geneticos_Python-master/ag_caixa_preta.py', wdir='C:/Users/Alex/Desktop/arquivos solidworks e imagens/Algoritmos_Geneticos_Python-master') MENU DE CONFIGURAÇÃO DO SISTEMA Escolha o tipo de seleção que deseja utilizar: (1) Roleta (2) Torneio Resposta -> 1 Escolha o tipo de cruzamento que deseja utilizar: (3) Ponto de corte (4) Uniforme Resposta -> 3 Escolha o tipo de mutação que deseja utilizar: (5) Bit (6) Bit a Bit Resposta -> 5 Deseja utilizar o elitismo no algoritmo: (7) Sim (8) Não Resposta -> 7 Defina a taxa de cruzamento: Resposta -> 25 Defina a taxa de mutação: Resposta -> 25 Defina a quantidade de indivíduos da população: Resposta -> 25 Defina a quantidade de gerações: Resposta -> 25 INICIALIZAÇÃO DO ALGORITMO GENÉTICO Traceback (most recent call last): File "<ipython-input-1-97c0d83afc6d>", line 1, in <module> runfile('C:/Users/Alex/Desktop/arquivos solidworks e imagens/Algoritmos_Geneticos_Python-master/ag_caixa_preta.py', wdir='C:/Users/Alex/Desktop/arquivos solidworks e imagens/Algoritmos_Geneticos_Python-master') File "C:\Users\Alex\Anaconda3\lib\site-packages\spyder\utils\site\sitecustomize.py", line 705, in runfile execfile(filename, namespace) File "C:\Users\Alex\Anaconda3\lib\site-packages\spyder\utils\site\sitecustomize.py", line 102, in execfile exec(compile(f.read(), filename, 'exec'), namespace) File "C:/Users/Alex/Desktop/arquivos solidworks e imagens/Algoritmos_Geneticos_Python-master/ag_caixa_preta.py", line 64, in <module> Populacao_Selecionada = np.zeros(Tam_Populacao, Tam_Individuo) TypeError: 'str' object cannot be interpreted as an integer runfile('C:/Users/Alex/Desktop/arquivos solidworks e imagens/Algoritmos_Geneticos_Python-master/ag_caixa_preta.py', wdir='C:/Users/Alex/Desktop/arquivos solidworks e imagens/Algoritmos_Geneticos_Python-master') MENU DE CONFIGURAÇÃO DO SISTEMA Escolha o tipo de seleção que deseja utilizar: (1) Roleta (2) Torneio Resposta -> 1 Escolha o tipo de cruzamento que deseja utilizar: (3) Ponto de corte (4) Uniforme Resposta -> 3 Escolha o tipo de mutação que deseja utilizar: (5) Bit (6) Bit a Bit Resposta -> 5 Deseja utilizar o elitismo no algoritmo: (7) Sim (8) Não Resposta -> 7 Defina a taxa de cruzamento: Resposta -> 25 Defina a taxa de mutação: Resposta -> 25 Defina a quantidade de indivíduos da população: Resposta -> 25 Defina a quantidade de gerações: Resposta -> 25 INICIALIZAÇÃO DO ALGORITMO GENÉTICO Traceback (most recent call last): File "<ipython-input-2-97c0d83afc6d>", line 1, in <module> runfile('C:/Users/Alex/Desktop/arquivos solidworks e imagens/Algoritmos_Geneticos_Python-master/ag_caixa_preta.py', wdir='C:/Users/Alex/Desktop/arquivos solidworks e imagens/Algoritmos_Geneticos_Python-master') File "C:\Users\Alex\Anaconda3\lib\site-packages\spyder\utils\site\sitecustomize.py", line 705, in runfile execfile(filename, namespace) File "C:\Users\Alex\Anaconda3\lib\site-packages\spyder\utils\site\sitecustomize.py", line 102, in execfile exec(compile(f.read(), filename, 'exec'), namespace) File "C:/Users/Alex/Desktop/arquivos solidworks e imagens/Algoritmos_Geneticos_Python-master/ag_caixa_preta.py", line 64, in <module> Populacao_Selecionada = np.zeros(Tam_Populacao, Tam_Individuo) TypeError: data type not understood runfile('C:/Users/Alex/Desktop/arquivos solidworks e imagens/Algoritmos_Geneticos_Python-master/ag_caixa_preta.py', wdir='C:/Users/Alex/Desktop/arquivos solidworks e imagens/Algoritmos_Geneticos_Python-master') MENU DE CONFIGURAÇÃO DO SISTEMA Escolha o tipo de seleção que deseja utilizar: (1) Roleta (2) Torneio Resposta -> 1 Escolha o tipo de cruzamento que deseja utilizar: (3) Ponto de corte (4) Uniforme Resposta -> 3 Escolha o tipo de mutação que deseja utilizar: (5) Bit (6) Bit a Bit Resposta -> 5 Deseja utilizar o elitismo no algoritmo: (7) Sim (8) Não Resposta -> 7 Defina a taxa de cruzamento: Resposta -> 25 Defina a taxa de mutação: Resposta -> 25 Defina a quantidade de indivíduos da população: Resposta -> 25 Defina a quantidade de gerações: Resposta -> 25 INICIALIZAÇÃO DO ALGORITMO GENÉTICO Traceback (most recent call last): File "<ipython-input-3-97c0d83afc6d>", line 1, in <module> runfile('C:/Users/Alex/Desktop/arquivos solidworks e imagens/Algoritmos_Geneticos_Python-master/ag_caixa_preta.py', wdir='C:/Users/Alex/Desktop/arquivos solidworks e imagens/Algoritmos_Geneticos_Python-master') File "C:\Users\Alex\Anaconda3\lib\site-packages\spyder\utils\site\sitecustomize.py", line 705, in runfile execfile(filename, namespace) File "C:\Users\Alex\Anaconda3\lib\site-packages\spyder\utils\site\sitecustomize.py", line 102, in execfile exec(compile(f.read(), filename, 'exec'), namespace) File "C:/Users/Alex/Desktop/arquivos solidworks e imagens/Algoritmos_Geneticos_Python-master/ag_caixa_preta.py", line 66, in <module> Populacao_Selecionada = np.zeros(Tam_Populacao, Tam_Individuo) TypeError: data type not understood runfile('C:/Users/Alex/Desktop/arquivos solidworks e imagens/Algoritmos_Geneticos_Python-master/ag_caixa_preta.py', wdir='C:/Users/Alex/Desktop/arquivos solidworks e imagens/Algoritmos_Geneticos_Python-master') MENU DE CONFIGURAÇÃO DO SISTEMA Escolha o tipo de seleção que deseja utilizar: (1) Roleta (2) Torneio Resposta -> 1 Escolha o tipo de cruzamento que deseja utilizar: (3) Ponto de corte (4) Uniforme Resposta -> 3 Escolha o tipo de mutação que deseja utilizar: (5) Bit (6) Bit a Bit Resposta -> 5 Deseja utilizar o elitismo no algoritmo: (7) Sim (8) Não Resposta -> 7 Defina a taxa de cruzamento: Resposta -> 25 Defina a taxa de mutação: Resposta -> 25 Defina a quantidade de indivíduos da população: Resposta -> 25 Defina a quantidade de gerações: Resposta -> 25 INICIALIZAÇÃO DO ALGORITMO GENÉTICO Traceback (most recent call last): File "<ipython-input-4-97c0d83afc6d>", line 1, in <module> runfile('C:/Users/Alex/Desktop/arquivos solidworks e imagens/Algoritmos_Geneticos_Python-master/ag_caixa_preta.py', wdir='C:/Users/Alex/Desktop/arquivos solidworks e imagens/Algoritmos_Geneticos_Python-master') File "C:\Users\Alex\Anaconda3\lib\site-packages\spyder\utils\site\sitecustomize.py", line 705, in runfile execfile(filename, namespace) File "C:\Users\Alex\Anaconda3\lib\site-packages\spyder\utils\site\sitecustomize.py", line 102, in execfile exec(compile(f.read(), filename, 'exec'), namespace) File "C:/Users/Alex/Desktop/arquivos solidworks e imagens/Algoritmos_Geneticos_Python-master/ag_caixa_preta.py", line 66, in <module> Populacao_Selecionada = np.dtype(Tam_Populacao, Tam_Individuo) TypeError: data type not understood Fiz várias tentativas e sem sucesso. Eis os erros. Quando fiz esta alteração Prob_Cruzamento=int(Prob_Cruzamento) Taxa_Mutacao=int(Taxa_Mutacao) Tam_Populacao=int(Tam_Populacao) Maximo_Geracoes=int(Maximo_Geracoes) aparece outro erro. TypeError: data type not understood

import numpy as np import matplotlib as mpl import os from scipy.stats.mstats import mquantiles #Limpeza da tela do shell Python os.system('cls') print ('MENU DE CONFIGURAÇÃO DO SISTEMA \n') print ('Escolha o tipo de seleção que deseja utilizar: (1) Roleta (2) Torneio') Op_Selecao = input('Resposta -> ') print ('Escolha o tipo de cruzamento que deseja utilizar: (3) Ponto de corte (4) Uniforme') Op_Cruzamento =input('Resposta -> ') print ('Escolha o tipo de mutação que deseja utilizar: (5) Bit (6) Bit a Bit ') Op_Mutacao= input('Resposta -> ') print ('Deseja utilizar o elitismo no algoritmo: (7) Sim (8) Não') Op_Elitismo = input('Resposta -> ') print ('Defina a taxa de cruzamento: ') Prob_Cruzamento = input('Resposta -> ') print ('Defina a taxa de mutação: ') Taxa_Mutacao = input('Resposta -> ') print ('Defina a quantidade de indivíduos da população: ') Tam_Populacao = input('Resposta -> ') print ('Defina a quantidade de gerações: ') Maximo_Geracoes =input('Resposta -> ') #Inicialização do código genético print ('\n') print ('INICIALIZAÇÃO DO ALGORITMO GENÉTICO\n') #Declaração das variáveis iniciais Num_Execucoes = 100 Tam_Individuo = 36 Maior_Fitness = 0 Menor_Fitness = 0 Num_sucessos = 0 Solucao_Otima = 0 Execucao = 1 Linha = 0 Coluna = 0 Somatoria_Fitness = 0 Populacao_Selecionada = np.zeros(Tam_Populacao, Tam_Individuo) Populacao_Cruzamento = np.zeros(Tam_Populacao, Tam_Individuo) Populacao_Mutacao = np.zeros(Tam_Populacao, Tam_Individuo) Mascara_Bits= np.zeros(1,Tam_Individuo) Media_Fitness_Geracao = np.zeros(Maximo_Geracoes,1) Melhor_Fitness_Geracao = np.zeros(Maximo_Geracoes,1) Melhor_individuo_Geracao = np.zeros(Maximo_Geracoes,Tam_Individuo) Maior_Fitness_Execucao = np.zeros(Num_Execucoes,1) Menor_Fitness_Execucao = np.zeros(Num_Execucoes,1) Media_Fitness_Execucao = np.zeros(Num_Execucoes,1) #Laço de repetição das execuções solicitadas para o trabalho while (Execucao <= Num_Execucoes): Populacao_Inicial = np.ones(Tam_Populacao, Tam_Individuo) #Geração da população inicial for Linha in range(Tam_Populacao): for Coluna in range(Tam_Individuo): Populacao_Inicial[Linha,Coluna] = round(np.random.rand(1,1)) # Laço de repetição das gerações para a evoluççao do Algoritmo Genético Geracao = 1 Media_Fitness_Geracao = np.zeros(Maximo_Geracoes+1,1) Melhor_Fitness_Geracao = np.zeros(Maximo_Geracoes+1,1) Melhor_Individuo = np.zeros(Maximo_Geracoes+1,Tam_Individuo) while (Geracao <= Maximo_Geracoes): #Função que gera o fitness dos indivíduos Fitness = np.zeros(Tam_Populacao,1) for Linha in range(Tam_Populacao): b01 = Populacao_Inicial[Linha,1] * Populacao_Inicial[Linha,4]; b02 = Populacao_Inicial[Linha,22] * Populacao_Inicial[Linha,13]; b03 = Populacao_Inicial[Linha,23] * Populacao_Inicial[Linha,3]; b04 = Populacao_Inicial[Linha,20] * Populacao_Inicial[Linha,9]; b05 = Populacao_Inicial[Linha,35] * Populacao_Inicial[Linha,14]; b06 = Populacao_Inicial[Linha,10] * Populacao_Inicial[Linha,25]; b07 = Populacao_Inicial[Linha,15] * Populacao_Inicial[Linha,16]; b08 = Populacao_Inicial[Linha,2] * Populacao_Inicial[Linha,32]; b09 = Populacao_Inicial[Linha,27] * Populacao_Inicial[Linha,18]; b10 = Populacao_Inicial[Linha,11] * Populacao_Inicial[Linha,33]; b11 = Populacao_Inicial[Linha,30] * Populacao_Inicial[Linha,31]; b12 = Populacao_Inicial[Linha,21] * Populacao_Inicial[Linha,24]; b13 = Populacao_Inicial[Linha,34] * Populacao_Inicial[Linha,26]; b14 = Populacao_Inicial[Linha,28] * Populacao_Inicial[Linha,6]; b15 = Populacao_Inicial[Linha,7] * Populacao_Inicial[Linha,12]; b16 = Populacao_Inicial[Linha,5] * Populacao_Inicial[Linha,8]; b17 = Populacao_Inicial[Linha,17] * Populacao_Inicial[Linha,19]; b18 = Populacao_Inicial[Linha,0] * Populacao_Inicial[Linha,29]; b19 = Populacao_Inicial[Linha,22] * Populacao_Inicial[Linha,3]; b20 = Populacao_Inicial[Linha,20] * Populacao_Inicial[Linha,14]; b21 = Populacao_Inicial[Linha,25] * Populacao_Inicial[Linha,15]; b22 = Populacao_Inicial[Linha,30] * Populacao_Inicial[Linha,11]; b23 = Populacao_Inicial[Linha,24] * Populacao_Inicial[Linha,18]; b24 = Populacao_Inicial[Linha,6] * Populacao_Inicial[Linha,7]; b25 = Populacao_Inicial[Linha,8] * Populacao_Inicial[Linha,17]; b26 = Populacao_Inicial[Linha,0] * Populacao_Inicial[Linha,32]; Fitness[Linha, 0] = 9 + b01 - b02 + b03 - b04 + b05 - b06 + b07 + b08 + b09 + b10 \ - b11 - b12 + b13 - b14 + b15 - b16 + b17 - b18 + b19 + b20 + b21 + b22 \ + b23 + b24 + b25 + b26 #---------------------------------------------------------------------------------------------- #Função de elitismo if Op_Elitismo == 7: Media_Fitness_Geracao[Geracao,0] = np.mean(Fitness) #valor = np.max(Fitness) idc = np.argmax(Fitness) Melhor_Individuo[Geracao,:] = Populacao_Inicial[idc,:] Melhor_Fitness_Geracao[Geracao,0] = Fitness[idc,0] if Geracao > 1: if Melhor_Fitness_Geracao[Geracao,0] < Melhor_Fitness_Geracao[Geracao-1]: Melhor_Individuo[Geracao,:] = Melhor_Individuo[Geracao-1,:] Melhor_Fitness_Geracao[Geracao,0] = Melhor_Fitness_Geracao[Geracao-1,0] Populacao_Inicial[1,:] = Melhor_Individuo[Geracao,:] Fitness[1,0] = Melhor_Fitness_Geracao[Geracao,0] #---------------------------------------------------------------------------------------------- #Funções de Seleçao if Op_Selecao == 1: Linha_Selecao = 2 Somatoria_Fitness = np.sum(Fitness) for Linha_Selecao in range(Tam_Populacao): Num_Randomico = round(np.random.random()) Acumulo = 0 j = 1 for j in range(Tam_Populacao): Acumulo = Acumulo + Fitness[j,0] if Acumulo >= Num_Randomico: Populacao_Selecionada[Linha_Selecao,:] = Populacao_Inicial[j,:] break elif Op_Selecao == 2: for Linha in range(Tam_Populacao): num1 = round(np.random.random()) num2 = round(np.random.random()) if Fitness[num1,0] > Fitness[num2,0]: Populacao_Selecionada[Linha,:] = Populacao_Inicial[num1,:] elif Fitness[num1,0] < Fitness[num2,0]: Populacao_Selecionada[Linha,:] = Populacao_Inicial[num2,:] elif Fitness[num1,0] == Fitness[num2,0]: Populacao_Selecionada[Linha,:] = Populacao_Inicial[num2,:] #---------------------------------------------------------------------------------------------- #Funções de Cruzamento if Op_Cruzamento == 3: Ponto_Corte = np.random.randint(1,Tam_Individuo) for i in range(Tam_Individuo): if i < Ponto_Corte: Mascara_Bits[0,i] = 0 elif i >= Ponto_Corte: Mascara_Bits[0,i] = 1 Primeiro_Individuo = 0; Segundo_Individuo = 0; cont = 0 while (cont < Tam_Populacao): while (Primeiro_Individuo == Segundo_Individuo): Primeiro_Individuo = np.random.randint(0, Tam_Populacao) Segundo_Individuo = np.random.randint(0, Tam_Populacao) Taxa_Cruzamento = np.random.random() if Taxa_Cruzamento <= Prob_Cruzamento: for j in range (Tam_Individuo): if Mascara_Bits[0,j] == 0: Populacao_Cruzamento[cont,j] = Populacao_Selecionada[Primeiro_Individuo,j] Populacao_Cruzamento[cont+1,j] = Populacao_Selecionada[Segundo_Individuo,j] elif Mascara_Bits[0,j] == 1: Populacao_Cruzamento[cont,j]=Populacao_Selecionada[Segundo_Individuo,j] Populacao_Cruzamento[cont+1,j]=Populacao_Selecionada[Primeiro_Individuo,j] elif Taxa_Cruzamento > Prob_Cruzamento: Populacao_Cruzamento[cont] = Populacao_Selecionada[Primeiro_Individuo] Populacao_Cruzamento[cont+1] = Populacao_Selecionada[Segundo_Individuo] cont = cont + 2 elif Op_Cruzamento == 4: for i in range(Tam_Individuo): Mascara_Bits[0,i] = np.random.choice([0,1]) # print Mascara_Bits Primeiro_Individuo = 0; Segundo_Individuo = 0; cont = 0 while (cont < Tam_Populacao): while (Primeiro_Individuo == Segundo_Individuo): Primeiro_Individuo = np.random.randint(0,Tam_Populacao) Segundo_Individuo = np.random.randint(0,Tam_Populacao) Taxa_Cruzamento = np.random.random() if Taxa_Cruzamento <= Prob_Cruzamento: for j in range(Tam_Individuo): if Mascara_Bits[0,j] == 0: Populacao_Cruzamento[cont,j] = Populacao_Selecionada[Primeiro_Individuo,j] Populacao_Cruzamento[cont+1,j] = Populacao_Selecionada[Segundo_Individuo,j] elif Mascara_Bits[0,j] == 1: Populacao_Cruzamento[cont,j]=Populacao_Selecionada[Segundo_Individuo,j] Populacao_Cruzamento[cont+1,j]=Populacao_Selecionada[Primeiro_Individuo,j] elif Taxa_Cruzamento > Prob_Cruzamento: Populacao_Cruzamento[cont] = Populacao_Selecionada[Primeiro_Individuo] Populacao_Cruzamento[cont+1] = Populacao_Selecionada[Segundo_Individuo] cont = cont + 2 #--------------------------------------------------------------------------------------------- #Funções de Mutação if Op_Mutacao == 5: Populacao_Mutacao = Populacao_Cruzamento i = 0 while (i < Tam_Populacao): Prob_Mutacao = np.random.randint(0,Tam_Individuo) if Prob_Mutacao <= Taxa_Mutacao: Bit = round(np.random.random()) if Populacao_Mutacao[i, Bit] == 1: Populacao_Mutacao[i, Bit] = 0 else: Populacao_Mutacao[i, Bit] = 1 i = i + 1 elif Op_Mutacao == 6: Populacao_Mutacao = Populacao_Cruzamento i = 0 while (i < Tam_Populacao): for j in range(Tam_Individuo): Prob_Mutacao = np.random.randint(0,Tam_Individuo) if Prob_Mutacao <= Taxa_Mutacao: if Populacao_Mutacao[i, j] == 1: Populacao_Mutacao[i,j] = 0 else: Populacao_Mutacao[i, j] = 1 i = i + 1 #---------------------------------------------------------------------------------------------- Populacao_Inicial[:,:] = Populacao_Mutacao[:,:] Geracao = Geracao + 1 #---------------------------------------------------------------------------------------------- #Funções que geram os resultados solicitados Maior_Fitness_Execucao[Execucao-1,0] = np.max(Fitness) Menor_Fitness_Execucao[Execucao-1,0] = np.min(Fitness) Media_Fitness_Execucao[Execucao-1,0] = np.mean(Fitness) if np.max(Fitness) == 27: Num_sucessos = Num_sucessos + 1 Execucao = Execucao + 1 print ('ALGORTIMO GENÉTICO FINALIZADO. GERANDO OS RESULTADOS...\n') print ('Quantidade de sucessos: ' + str(Num_sucessos)) print ('Maior valor de Fitness: ' + str(np.max(Maior_Fitness_Execucao))) print ('Menor valor de Fitness: ' + str(np.min(Menor_Fitness_Execucao))) print ('Valor Médio dos Fitness: ' + str(np.mean(Media_Fitness_Execucao))) print ('Desvio padrão: ' + str(np.std(Maior_Fitness_Execucao))) print ('Primeiro, segundo e terceiro quartil: ' + str(mquantiles(Fitness))) mpl.pyplot.boxplot(Maior_Fitness_Execucao) mpl.pyplot.title('Melhores Fitness obtidos nas 100 execuções') Quando vou compilar compila normalmente e na hora de executar pede para computar os dados mas quando comuto o ultimo dado aparece este erro e não consigo corrigir. A versão do programa que eu uso é o spyder 3.6. Se for possivel tenta corrigir e me mostra o motivo de estar dando erro. Claro sou leigo em python. Peguei este codigo pra ver como funciona o algoritmo genético e não roda na minha ide.