Experiment: drift

Cieľom je merať drift rôznych metód selekcie. Ide o to, že aj v prípade, že jedince v populácii majú rovnakú vhodnosť, selekčná metóda môže uprednostňovať niektoré jedince na úkor iných jedincov. Teda aj napriek rovnakej vhodnosti niektoré jedince môžu z populácie vypadávať zatiaľ čo iné jedince môžu zvyšovať svoje zastúpenie v populácii.

Podstata experimentu

Sú dané dve skupiny jedincov, pričom každá z nich obsahuje jedince s rovnakou pridelenou vhodnosťou. Obe skupiny jedincov sú rovnako veľké.

Realizuje sa selekčný proces ako séria selekcií tvaru P -> P' -> P'' -> ... -> P''''''', pričom každá selekcia robí výber zo skupiny jedincov, ktorá vznikla ako výsledok predchádzajúcej selekcie. Toto reťazenie pokračuje vopred stanovený počet vykonaných selekcií. Môže nastať prípad, že na konci série selekcií:

1. obe skupiny jedincov budú približne rovnako veľké,
2. jedna skupina jedincov bude signifikantne väčšia ako druhá skupina,
3. v populácii sa vyskytuje iba jedna zo skupín jedincov.

Keďže sa jedná o stochastický proces, tak pre získanie priemerného chovania musí byť viackrát opakovaný pre získanie spoľahlivej vzorky dát. Avšak v tomto experimente nie je ani tak zaujímavé priemerné chovanie, pretože spriemernením dvoch extrémnych chovaní (vytlačenie raz jedného a raz druhého typu jedincov z populácie) vedie na priemerné chovanie (priemerne rovnaké počty jedincov oboch typov), ktoré môže byť výrazne odlišné od skutočného priemerného chovania.

Príprava

Pre prípravu experimentu je potrebné doplniť (nahradiť) kód v bunke venovanej selekčnej metóde. Aktuálne je v nej imlementované vzorkovanie SSwR (teda základná ruleta). Je možné meniť metódu pre:

1. premapovanie vhodnosti (aktuálne identita t.j. žiadne)
2. určenie pravdepodobnosti selekcie (aktuálne proporcionálna selekcia)
3. vzorkovanie jedného rodiča (aktuálne SSwR)
4. selekciu rodičov (aktuálne opakovaná selekcia po jednom rodičovi)

import random
from functools import reduce
from operator import add
import matplotlib.pyplot as plt

# Generovanie populácie

μ = 100  # veľkosť populácie - parne cislo
jedince = [1 for i in range(μ//2)] + [0 for i in range(μ-μ//2)]  # dva typy jedincov
#jedince

# Určenie vhodnosti jedincov

FIT = 0.2  # vhodnosť kazdeho jedinca bez ohladu na jeho typ

def Φ(jedinec):
    return FIT

populacia = [(i, Φ(i)) for i in jedince]
#populacia

# Určenie distribúcie jedincov

def distribucia(populacia):
    dist = reduce(add, map(lambda x: x[0], populacia))
    return μ-dist, dist

distribucia(populacia)

(50, 50)

# Selekčná metóda - vyberá sa toľko rodičov, koľko je jedincov v populácii

def premapovanie_vhodnosti(jedince):    # identita
    map_fun = lambda x: x
    premap_Φ = [map_fun(x) for (_,x) in jedince]
    return premap_Φ
    
def urcenie_pravdepodobnosti_selekcie(premap_Φ, jedince):   # proporcionalna selekcia
    sum_Φ = reduce(add, premap_Φ)
    ps = [Φ/sum_Φ for Φ in premap_Φ]
    return ps

def vyber_rodica(ps, jedince):       # SSwR vzorkovanie - nepresne (maximalne rozpatie)
    jazycek = μ * random.random()

    index = 0
    sum_η = ps[index] * μ
    while(sum_η < jazycek):
        index += 1
        sum_η += ps[index] * μ

    return jedince[index]

def selekcia(jedince):
    premap_Φ = premapovanie_vhodnosti(jedince)
    ps = urcenie_pravdepodobnosti_selekcie(premap_Φ, jedince)
    
    rodicia = []
    for _ in range(μ):
        rodicia.append(vyber_rodica(ps, jedince))
    return rodicia

distribucia(selekcia(populacia))

(48, 52)

# Experiment - jeden beh

POC_SELEKCII = 300

def seria_selekcii(populacia):
    pocet_jedincov_0 = [distribucia(populacia)[0]]  # pocet jedincov 0 v populacii pred seriou selekcii
    vyber_z_populacie = populacia
    for i in range(POC_SELEKCII):
        zdrojova_populacia = vyber_z_populacie
        vyber_z_populacie = selekcia(zdrojova_populacia)
        pocet_jedincov_0.append(distribucia(vyber_z_populacie)[0])
    return pocet_jedincov_0

# Experiment - opakovane sekvencie selekcii

OPAKOVANIA = 1   # 1 vs 100

vysledky = [0 for _ in range(POC_SELEKCII+1)]
for _ in range(OPAKOVANIA):
    seria = seria_selekcii(populacia)
    vysledky = map(add, vysledky, seria)
vysledky = [x / OPAKOVANIA for x in vysledky]


plt.suptitle("Distribúcia typov jedincov")
plt.xlabel("selekcia")
plt.ylabel("pomer typov jedincov")
plt.ylim([-2,102])
plt.plot(vysledky)

plt.show()