import numpy as np
import skfuzzy as fuzz
import matplotlib.pyplot as plt

# Określenie dziedziny dla zmiennych:wejściowej i wyjściowej
temp = np.arange(-10, 40, 1)
customers = np.arange(0, 35, 1)

# Przyjęto 3 wartości lingwistyczne dla temperatury: hot, mederate, cool
# Funkcja przynależności dla temperatury
t_hot = fuzz.trimf(temp, [25, 40, 40]) #funkcja trójkątna
t_moderate = fuzz.trimf(temp, [10, 25, 40]) #funkcja trójkątna
t_cool = fuzz.trapmf(temp, [-10, -10, 10, 25]) #funkcja trapezoidalna
# Użycie innego rodzaju f. przynalżności: gaussa
# t_hot = fuzz.gauss2mf(temp, 30, 5, 40, 5)
# t_moderate = fuzz.gaussmf(temp, 20, 5)
# t_cool = fuzz.gauss2mf(temp, -10, 5, 0, 5)

# Przyjęto 3 wartości lingwistyczne dla liczby klientów: crowded, busy, quiet
# Funkcja przynależności dla dla liczby klientów
c_crowded = fuzz.trimf(customers, [24, 35, 35])
c_busy = fuzz.trimf(customers, [0, 24, 35])
c_quiet = fuzz.trimf(customers, [0, 0, 24])

# Wizualizacja przynależności dla temperatury
fig, [ax1, ax2] = plt.subplots(nrows=2, ncols=1)

ax1.plot(temp, t_hot, 'r', temp, t_moderate, 'm', temp, t_cool, 'b')
ax1.set_ylabel('Przynależność')
ax1.set_xlabel('Temperatura (Celsius)')
ax1.set_ylim(-0.1, 1.1)

# Wizualizacja przynależności dla liczby klientów
ax2.plot(customers, c_quiet, 'c', customers, c_busy, 'm', customers, c_crowded, 'ForestGreen')
ax2.set_ylabel('Przynależność')
ax2.set_xlabel('Liczba klientów')
ax2.set_ylim(-0.1, 1.1)

plt.show()

# Reguły rozmyte iloczyn (nie ma znaczenia, bo na wejściu jest 1 zmienna)
# R1 - Jeżeli gorąco, to tłoczno
R1 = fuzz.relation_product(t_hot, c_crowded)
# R2 - Jeżeli umiarkowanie, to normalne zainteresowanie
R2 = fuzz.relation_product(t_moderate, c_busy)
# R3 - Jeżeli zimno, to pusto
R3 = fuzz.relation_product(t_cool, c_quiet)

# R1 = fuzz.relation_min(t_hot, c_crowded)
# R2 = fuzz.relation_min(t_moderate, c_busy)
# R3 = fuzz.relation_min(t_cool, c_quiet)

# Złożenie reguł (agregacja) z użyciem operatora max
R_combined = np.fmax(R1, np.fmax(R2, R3))

# Wizualizacja w postaci powierzchni decyzyjnej/modelu/prognostycznej
plt.figure(2)
plt.imshow(R_combined)
cbar = plt.colorbar()
cbar.set_label('Przynależność')
plt.yticks([i * 10 for i in range(6)], [str(i * 10 - 10) for i in range(6)])
plt.ylabel('Temperatura')
plt.xlabel('Liczba klientów')
plt.show()

# Wysotrzanie by uzyskać wartości ostre
# fuzz.defuzz Wyostrzanie metodą środka ciężkości 'centroid'
print("Liczba klientów przy temp. 35 st. Celsiusza:",
      fuzz.defuzz(customers, R_combined[temp == 35], 'centroid').round())

#Wyniki dla całej przestrzeni wejść
predicted_customers = np.zeros_like(temp)

for i in range(len(temp)):
    predicted_customers[i] = fuzz.defuzz(customers, R_combined[i, :], 'centroid')

# Wizualizacja
plt.figure(3)
plt.subplot(1, 2, 1)
# Liczba klientów dla temp. 35 st C
plt.plot(temp, predicted_customers, 'k')
plt.vlines(35, 5, predicted_customers[temp == 35], color='DarkOrange', linestyle='dashed', lw=2)
plt.hlines(predicted_customers[temp == 35], -10, 35, color='DarkOrange', linestyle='dashed', lw=2)
plt.xlabel('Temp')
plt.ylabel('Liczba klientów')

plt.subplot(1, 2, 2)
# Liczba klientów dla temp. -1 st C
plt.plot(temp, predicted_customers, 'k')
plt.vlines(-1, 5, predicted_customers[temp == -1], color='DarkOrange', linestyle='dashed', lw=2)
plt.hlines(predicted_customers[temp == -1], -10, -1, color='DarkOrange', linestyle='dashed', lw=2)
plt.xlabel('Temp')
plt.ylabel('Liczba klientów')

plt.show()