下面列出了java.lang.Math#atan ( ) 实例代码，或者点击链接到github查看源代码，也可以在右侧发表评论。
public Object atan(Object param)
throws ParseException
{
if (param instanceof Complex)
{
return ((Complex)param).atan();
}
else if (param instanceof Number)
{
return new Double(Math.atan(((Number)param).doubleValue()));
}
throw new ParseException("Invalid parameter type");
}
/**
* Returns the angle of a 2-dimensional vector (u,v) with the u-axis
*
* @param v v-coordinate of the vector
* @param u u-coordinate of the vector
* @return a value from (-180..180)
*/
static public double atan2(double v, double u) {
if (u==0) {
if (v>=0) return 90;
else return -90;
}
if (u>0) return Math.atan(v/u)*180/Math.PI;
if (v>=0) return 180 + Math.atan(v/u)*180/Math.PI;
return Math.atan(v/u)*180/Math.PI-180;
}
/** Inicialization of the population */
public void Initialize () {
int i, j, temp, mitad_Pob;
double Valor_Inicial_Sigma = 0.001;
if (prob_mutacion < 1.0)
Mu_next = ceil (Math.log(Randomize.Rand()) / Math.log(1.0 - prob_mutacion));
else Mu_next = 1;
Trials=0;
/* Los conjuntos difusos de los antecedentes de las reglas constituyen la
primera parte del primer cromosoma de la poblacion inicial.
Se inicializa C1 en el primer cromosoma. */
New[0].n_e = 1;
primer_gen_C2 = 0;
for (i=0; i<base_reglas.n_reglas; i++) {
for (j=0; j<base_reglas.tabla.n_var_estado; j++) {
New[0].Gene[primer_gen_C2] = base_reglas.BaseReglas[i].Ant[j].x0;
New[0].Gene[primer_gen_C2+1] = base_reglas.BaseReglas[i].Ant[j].x1;
New[0].Gene[primer_gen_C2+2] = base_reglas.BaseReglas[i].Ant[j].x3;
primer_gen_C2 += 3;
}
}
/* Se establecen los intervalos en los que varia cada gen de la primera
parte en la primera generacion */
for (i=0; i<primer_gen_C2; i+=3) {
intervalos[i].min = New[0].Gene[i] - (New[0].Gene[i+1]-New[0].Gene[i])/2.0;
intervalos[i].max = New[0].Gene[i] + (New[0].Gene[i+1]-New[0].Gene[i])/2.0;
intervalos[i+1].min = New[0].Gene[i+1] - (New[0].Gene[i+1]-New[0].Gene[i])/2.0;
intervalos[i+1].max = New[0].Gene[i+1] + (New[0].Gene[i+2]-New[0].Gene[i+1])/2.0;
intervalos[i+2].min = New[0].Gene[i+2] - (New[0].Gene[i+2]-New[0].Gene[i+1])/2.0;
intervalos[i+2].max = New[0].Gene[i+2] + (New[0].Gene[i+2]-New[0].Gene[i+1])/2.0;
}
/* Se inicializa la segunda parte del primer cromosoma con los parametros
de los consecuentes de las reglas de la BC inicial, junto con los inter-
valos correspondientes */
for (i=0; i<base_reglas.n_reglas; i++) {
for (j=0; j<base_reglas.tabla.n_variables; j++) {
temp = primer_gen_C2 + i * (base_reglas.tabla.n_variables) + j;
New[0].Gene[temp] = Math.atan (base_reglas.BaseReglas[i].Cons[j]);
intervalos[temp].min = -(Math.PI/2) + 1E-10;
intervalos[temp].max = (Math.PI/2) - 1E-10;
}
}
/* Se genera la segunda mitad de la poblacion inicial generando aleatoriamen-
te C1 y manteniendo C2 */
mitad_Pob = ceil(long_poblacion/2);
for (i=1; i<mitad_Pob; i++) {
for (j=0; j<primer_gen_C2; j++)
New[i].Gene[j] = Randomize.Randdouble(intervalos[j].min, intervalos[j].max);
for (j=primer_gen_C2; j<n_genes; j++)
New[i].Gene[j] = New[0].Gene[j];
New[i].n_e = 1;
}
/* Se genera el resto de la poblacion inicial generando aleatoriamente C1
a partir de los intervalos anteriores y mutando C2 */
for (i=mitad_Pob; i<long_poblacion; i++) {
for (j=0; j<primer_gen_C2; j++)
New[i].Gene[j] = Randomize.Randdouble(intervalos[j].min,intervalos[j].max);
for (j=primer_gen_C2; j<n_genes; j++)
/* Comprobamos que no se salgan del intervalo permitido [-PI/2,PI/2] */
do
New[i].Gene[j] = New[0].Gene[j] + ValorNormal (Valor_Inicial_Sigma);
while (New[i].Gene[j]<=-(Math.PI/2) || New[i].Gene[j]>=(Math.PI/2));
New[i].n_e=1;
}
}
/** Generates the initial population of fathers */
public void InicializaPadres () {
int i, j, y, Mu_primer_grupo, pos_ep, total_mayor;
double y_med, y_min, y_max, h_max, h_exigido, x;
double imagen;
/* we calculate the average, maximum and minimum high, and the matching with which a example is considerated in the initial population */
y_med = y_min = y_max = tabla.datos[indices_ep[0]].ejemplo[tabla.n_var_estado];
h_max = tabla.datos[indices_ep[0]].nivel_cubrimiento;
for (i=1; i<fun_adap.n_ejemplos_positivos; i++) {
if (tabla.datos[indices_ep[i]].ejemplo[tabla.n_var_estado] > y_max)
y_max = tabla.datos[indices_ep[i]].ejemplo[tabla.n_var_estado];
if (tabla.datos[indices_ep[i]].ejemplo[tabla.n_var_estado] < y_min)
y_min = tabla.datos[indices_ep[i]].ejemplo[tabla.n_var_estado];
y_med += tabla.datos[indices_ep[i]].ejemplo[tabla.n_var_estado];
if (tabla.datos[indices_ep[i]].nivel_cubrimiento > h_max)
h_max = tabla.datos[indices_ep[i]].nivel_cubrimiento;
}
y_med /= fun_adap.n_ejemplos_positivos;
h_exigido = porcentaje_h * h_max;
/* Inicialization of a individual with 'b' value same as the average high and with the 'a' values to 0 */
for (j=0; j<tabla.n_var_estado; j++) Padres[0].Gene[j] = 0;
Padres[0].Gene[tabla.n_var_estado] = Math.atan(y_med);
/* Inicialization of the porcentaje_Mu * Mu individuals with 'b' value equal to a random value in the rank [y_min,y_max] and with the 'a' values to 0 */
Mu_primer_grupo = (int) (porcentaje_Mu * Mu + 1);
for (i=1; i<Mu_primer_grupo; i++) {
for (j=0; j<tabla.n_var_estado; j++) Padres[i].Gene[j] = 0;
Padres[i].Gene[tabla.n_var_estado] = Math.atan(Randomize.Randdouble (y_min,y_max));
}
/* Inicialization of the remaining individuals with the random 'a' values and with a the 'b' value for any to example is in the plane */
for (i=Mu_primer_grupo; i<Mu; i++) {
for (j=0; j<tabla.n_var_estado; j++) {
if (Randomize.Rand ()<.5) y = -1;
else y=1;
x = Randomize.Rand ();
Padres[i].Gene[j] = f(x,y);
}
/* we select randomly a example with a matching more high than "h_exigido" */
for (total_mayor=pos_ep=0; pos_ep<fun_adap.n_ejemplos_positivos; pos_ep++)
if (tabla.datos[indices_ep[pos_ep]].nivel_cubrimiento >= h_exigido)
ind_mayor[total_mayor++] = pos_ep;
if (total_mayor==0) {
System.out.println("Error: The matching, with which a example is considerated in the initial population, isn't surmounted");
}
pos_ep = ind_mayor[Randomize.RandintClosed (0,total_mayor-1)];
for (imagen=0.0,j=0; j<tabla.n_var_estado; j++)
imagen += Math.tan (Padres[i].Gene[j]) * tabla.datos[indices_ep[pos_ep]].ejemplo[j];
Padres[i].Gene[tabla.n_var_estado] = Math.atan(tabla.datos[indices_ep[pos_ep]].ejemplo[tabla.n_var_estado]-imagen);
}
/* Inicialization of the vector of tipical desviations */
for (i=0; i<Mu; i++)
for (j=tabla.n_variables; j<tabla.n_variables+n_sigma; j++) Padres[i].Gene[j] = Valor_Inicial_Sigma;
/* Inicialization of the vector of angles: arcotangente of 1.0 */
for (i=0; i<Mu; i++)
for (j=tabla.n_variables + n_sigma; j<tabla.n_variables+n_sigma+n_alfa; j++)
Padres[i].Gene[j] = Math.atan (1.0);
}
/** Generates the initial population of fathers */
public void InicializaPadres () {
int i, j, y, Mu_primer_grupo, pos_ep, total_mayor;
double y_med, y_min, y_max, h_max, h_exigido, x;
double imagen;
/* we calculate the average, maximum and minimum high, and the matching with which a example is considerated in the initial population */
y_med = y_min = y_max = tabla.datos[fun_adap.indices_ep[0]].ejemplo[tabla.n_var_estado];
h_max = tabla.datos[fun_adap.indices_ep[0]].nivel_cubrimiento;
for (i=1; i<fun_adap.n_ejemplos_positivos; i++) {
if (tabla.datos[fun_adap.indices_ep[i]].ejemplo[tabla.n_var_estado] > y_max) y_max = tabla.datos[fun_adap.indices_ep[i]].ejemplo[tabla.n_var_estado];
if (tabla.datos[fun_adap.indices_ep[i]].ejemplo[tabla.n_var_estado] < y_min) y_min = tabla.datos[fun_adap.indices_ep[i]].ejemplo[tabla.n_var_estado];
y_med += tabla.datos[fun_adap.indices_ep[i]].ejemplo[tabla.n_var_estado];
if (tabla.datos[fun_adap.indices_ep[i]].nivel_cubrimiento > h_max) h_max = tabla.datos[fun_adap.indices_ep[i]].nivel_cubrimiento;
}
y_med /= fun_adap.n_ejemplos_positivos;
h_exigido = porcentaje_h * h_max;
/* Inicialization of a individual with 'b' value same as the average high and with the 'a' values to 0 */
for (j=0; j<tabla.n_var_estado; j++) Padres[0].Gene[j] = 0;
Padres[0].Gene[tabla.n_var_estado] = Math.atan(y_med);
/* Inicialization of the porcentaje_Mu * Mu individuals with 'b' value equal to a random value in the rank [y_min,y_max] and with the 'a' values to 0 */
Mu_primer_grupo = (int) (porcentaje_Mu * Mu + 1);
for (i=1; i<=Mu_primer_grupo; i++) {
for (j=0; j<tabla.n_var_estado; j++) Padres[i].Gene[j] = 0;
Padres[i].Gene[tabla.n_var_estado] = Math.atan(Randomize.Randdouble (y_min,y_max));
}
/* Inicialization of the remaining individuals with the random 'a' values and with a the 'b' value for any to example is in the plane */
for (i=Mu_primer_grupo+1; i<Mu; i++) {
for (j=0; j<tabla.n_var_estado; j++) {
if (Randomize.Rand () < 0.5) y = -1;
else y=1;
x = Randomize.Rand ();
Padres[i].Gene[j] = f(x,y);
}
/* we select randomly a example with a matching more high than "h_exigido" */
for (total_mayor=pos_ep=0; pos_ep<fun_adap.n_ejemplos_positivos; pos_ep++)
if (tabla.datos[fun_adap.indices_ep[pos_ep]].nivel_cubrimiento >= h_exigido) ind_mayor[total_mayor++] = pos_ep;
if (total_mayor==0) {
System.out.println("Error: The matching, with which a example is considerated in the initial population, isn't surmounted");
}
pos_ep = ind_mayor[Randomize.RandintClosed (0,total_mayor-1)];
for (imagen=0.0,j=0; j<tabla.n_var_estado; j++)
imagen += Math.tan (Padres[i].Gene[j]) * tabla.datos[fun_adap.indices_ep[pos_ep]].ejemplo[j];
Padres[i].Gene[tabla.n_var_estado] = Math.atan(tabla.datos[fun_adap.indices_ep[pos_ep]].ejemplo[tabla.n_var_estado]-imagen);
}
/* Inicialization of the vector of tipical desviations */
for (i=0; i<Mu; i++)
for (j=tabla.n_variables; j<tabla.n_variables+n_sigma; j++) Padres[i].Gene[j] = Valor_Inicial_Sigma;
/* Inicialization of the vector of angles: arcotangente of 1.0 */
for (i=0; i<Mu; i++)
for (j=tabla.n_variables + n_sigma; j<tabla.n_variables+n_sigma+n_alfa; j++)
Padres[i].Gene[j] = Math.atan (1.0);
}
/** Inicialization of the population */
public void Initialize() {
int i, j, temp, mitad_Pob;
double Valor_Inicial_Sigma = 0.001;
if (prob_mutacion < 1.0) {
Mu_next = (int) Math.ceil(Math.log(Randomize.Rand()) / Math.log(1.0 - prob_mutacion));
}
else {
Mu_next = 1;
}
Trials = 0;
/* Los conjuntos difusos de los antecedentes de las reglas constituyen la
primera parte del primer cromosoma de la poblacion inicial.
Se inicializa C1 en el primer cromosoma. */
New[0].n_e = 1;
primer_gen_C2 = 0;
for (i = 0; i < base_reglas.n_reglas; i++) {
for (j = 0; j < tabla.n_var_estado; j++) {
New[0].Gene[primer_gen_C2] = base_reglas.BaseReglas[i].Ant[j].x0;
New[0].Gene[primer_gen_C2 + 1] = base_reglas.BaseReglas[i].Ant[j].x1;
New[0].Gene[primer_gen_C2 + 2] = base_reglas.BaseReglas[i].Ant[j].x3;
primer_gen_C2 += 3;
}
}
/* Se establecen los intervalos en los que varia cada gen de la primera
parte en la primera generacion */
for (i = 0; i < primer_gen_C2; i += 3) {
intervalos[i].min = New[0].Gene[i] - (New[0].Gene[i + 1] - New[0].Gene[i]) / 2.0;
intervalos[i].max = New[0].Gene[i] + (New[0].Gene[i + 1] - New[0].Gene[i]) / 2.0;
intervalos[i + 1].min = New[0].Gene[i + 1] - (New[0].Gene[i + 1] - New[0].Gene[i]) / 2.0;
intervalos[i + 1].max = New[0].Gene[i + 1] + (New[0].Gene[i + 2] - New[0].Gene[i + 1]) / 2.0;
intervalos[i + 2].min = New[0].Gene[i + 2] - (New[0].Gene[i + 2] - New[0].Gene[i + 1]) / 2.0;
intervalos[i + 2].max = New[0].Gene[i + 2] + (New[0].Gene[i + 2] - New[0].Gene[i + 1]) / 2.0;
}
/* Se inicializa la segunda parte del primer cromosoma con los parametros
de los consecuentes de las reglas de la BC inicial, junto con los inter-
valos correspondientes */
for (i = 0; i < base_reglas.n_reglas; i++) {
for (j = 0; j < tabla.n_variables; j++) {
temp = primer_gen_C2 + i * (tabla.n_variables) + j;
New[0].Gene[temp] = Math.atan(base_reglas.BaseReglas[i].Cons[j]);
intervalos[temp].min = (-1.0 * PI / 2.0) + 1E-10;
intervalos[temp].max = (PI / 2.0) - 1E-10;
}
}
/* Se genera la segunda mitad de la poblacion inicial generando aleatoriamen-
te C1 y manteniendo C2 */
mitad_Pob = (int) Math.ceil(long_poblacion / 2.0);
for (i = 1; i < mitad_Pob; i++) {
for (j = 0; j < primer_gen_C2; j++) {
New[i].Gene[j] = intervalos[j].min + Randomize.Randdouble(intervalos[j].min, intervalos[j].max);
}
for (j = primer_gen_C2; j < n_genes; j++) {
New[i].Gene[j] = New[0].Gene[j];
}
New[i].n_e = 1;
}
/* Se genera el resto de la poblacion inicial generando aleatoriamente C1
a partir de los intervalos anteriores y mutando C2 */
for (i = mitad_Pob; i < long_poblacion; i++) {
for (j = 0; j < primer_gen_C2; j++) {
New[i].Gene[j] = intervalos[j].min + Randomize.Randdouble(intervalos[j].min, intervalos[j].max);
}
for (j = primer_gen_C2; j < n_genes; j++) {
/* Comprobamos que no se salgan del intervalo permitido [-PI/2,PI/2] */
do {
New[i].Gene[j] = New[0].Gene[j] + ValorNormal(Valor_Inicial_Sigma);
}
while (New[i].Gene[j] <= (-1.0 * PI / 2.0) || New[i].Gene[j] >= (PI / 2.0));
}
New[i].n_e = 1;
}
}
/** Generates the initial population of fathers */
public void InicializaPadres() {
int i, j, y, Mu_primer_grupo, pos_ep, total_mayor;
double y_med, y_min, y_max, h_max, h_exigido, x;
double imagen;
/* we calculate the average, maximum and minimum high, and the matching with which a example is considerated in the initial population */
y_med = y_min = y_max = tabla.datos[fun_adap.indices_ep[0]].ejemplo[tabla.
n_var_estado];
h_max = tabla.datos[fun_adap.indices_ep[0]].nivel_cubrimiento;
for (i = 1; i < fun_adap.n_ejemplos_positivos; i++) {
if (tabla.datos[fun_adap.indices_ep[i]].ejemplo[tabla.n_var_estado] > y_max) {
y_max = tabla.datos[fun_adap.indices_ep[i]].ejemplo[tabla.n_var_estado];
}
if (tabla.datos[fun_adap.indices_ep[i]].ejemplo[tabla.n_var_estado] < y_min) {
y_min = tabla.datos[fun_adap.indices_ep[i]].ejemplo[tabla.n_var_estado];
}
y_med += tabla.datos[fun_adap.indices_ep[i]].ejemplo[tabla.n_var_estado];
if (tabla.datos[fun_adap.indices_ep[i]].nivel_cubrimiento > h_max) {
h_max = tabla.datos[fun_adap.indices_ep[i]].nivel_cubrimiento;
}
}
if (fun_adap.n_ejemplos_positivos > 0) {
y_med /= fun_adap.n_ejemplos_positivos;
}
else {
y_med = Double.MAX_VALUE;
}
h_exigido = porcentaje_h * h_max;
/* Inicialization of a individual with 'b' value same as the average high and with the 'a' values to 0 */
for (j = 0; j < tabla.n_var_estado; j++) {
Padres[0].Gene[j] = 0;
}
Padres[0].Gene[tabla.n_var_estado] = Math.atan(y_med);
/* Inicialization of the porcentaje_Mu * Mu individuals with 'b' value equal to a random value in the rank [y_min,y_max] and with the 'a' values to 0 */
Mu_primer_grupo = (int) (porcentaje_Mu * Mu + 1);
for (i = 1; i <= Mu_primer_grupo; i++) {
for (j = 0; j < tabla.n_var_estado; j++) {
Padres[i].Gene[j] = 0;
}
Padres[i].Gene[tabla.n_var_estado] = Math.atan(Randomize.Randdouble(y_min,
y_max));
}
/* Inicialization of the remaining individuals with the random 'a' values and with a the 'b' value for any to example is in the plane */
for (i = Mu_primer_grupo + 1; i < Mu; i++) {
for (j = 0; j < tabla.n_var_estado; j++) {
if (Randomize.Rand() < 0.5) {
y = -1;
}
else {
y = 1;
}
x = Randomize.Rand();
Padres[i].Gene[j] = f(x, y);
}
/* we select randomly a example with a matching more high than "h_exigido" */
for (total_mayor = pos_ep = 0; pos_ep < fun_adap.n_ejemplos_positivos;
pos_ep++) {
if (tabla.datos[fun_adap.indices_ep[pos_ep]].nivel_cubrimiento >= h_exigido) {
ind_mayor[total_mayor++] = pos_ep;
}
}
if (total_mayor == 0) {
System.out.println("Error: The matching, with which a example is considerated in the initial population, isn't surmounted");
}
pos_ep = ind_mayor[Randomize.RandintClosed(0, total_mayor - 1)];
for (imagen = 0.0, j = 0; j < tabla.n_var_estado; j++) {
imagen += Math.tan(Padres[i].Gene[j]) *
tabla.datos[fun_adap.indices_ep[pos_ep]].ejemplo[j];
}
Padres[i].Gene[tabla.n_var_estado] = Math.atan(tabla.datos[fun_adap.indices_ep[
pos_ep]].ejemplo[tabla.n_var_estado] - imagen);
}
/* Inicialization of the vector of tipical desviations */
for (i = 0; i < Mu; i++) {
for (j = tabla.n_variables; j < tabla.n_variables + n_sigma; j++) {
Padres[i].Gene[j] = Valor_Inicial_Sigma;
}
}
/* Inicialization of the vector of angles: arcotangente of 1.0 */
for (i = 0; i < Mu; i++) {
for (j = tabla.n_variables + n_sigma;
j < tabla.n_variables + n_sigma + n_alfa; j++) {
Padres[i].Gene[j] = Math.atan(1.0);
}
}
}
public static MR_double atan ( MR_double x ) { return new MR_double(Math.atan(x.get())); }