import numpy as np
import skfuzzy as fuzz
from numpy.core._multiarray_umath import ndarray
from skfuzzy import control as ctrl
import matplotlib.pyplot as plt
from matplotlib import cm

# # Wejścia do systemu - deklarowana dziedzina dla zmiennych
# obiekt Antecedent przechowuje wartość dziedziny dla zmiennych wejściowych
# obiekt Consequent przechowuje wartość dziedziny dla zmiennych wyjściowych
quality = ctrl.Antecedent(np.arange(0, 11, 1), 'quality')
service = ctrl.Antecedent(np.arange(0, 11, 1), 'service')
tip = ctrl.Consequent(np.arange(0, 31, 1), 'tip')

# Automatyczne generowanie funkcji przynależności  dla wejść w liczbie .automf(3, 5, or 7)
# Liczba funkcji wpływa na liczbę reguł
quality.automf(3)
service.automf(3)

# Ręczne budowanie funkcji przynależności dla wyjścia
tip['low'] = fuzz.trimf(tip.universe, [0, 5, 10])
tip['medium'] = fuzz.trimf(tip.universe, [10, 15, 20])
tip['high'] = fuzz.trimf(tip.universe, [20, 25, 30])

# Wizualizacja wejść i wyjścia
service.view()
quality.view()
tip.view()

# Baza wiedzy z regułami rozmytymi
rule1 = ctrl.Rule(quality['poor'] | service['poor'], tip['low'])
rule2 = ctrl.Rule(service['average'], tip['medium'])
rule3 = ctrl.Rule(quality['good'] | service['good'], tip['high'])

# rule1 = ctrl.Rule(quality['poor'] & service['poor'], tip['low'])
# rule2 = ctrl.Rule(quality['poor'] & service['average'], tip['low'])
# rule3 = ctrl.Rule(service['average'] & quality['average'], tip['medium'])
# rule4 = ctrl.Rule(service['good'] & quality['good'], tip['high'])
# rule5 = ctrl.Rule(service['average'] & quality['good'], tip['high'])
# rule6 = ctrl.Rule(service['good'] & quality['average'], tip['high'])

#rule1.view()

# Model rozmyty w oparciu o trzy reguły
tipping_ctrl = ctrl.ControlSystem([rule1, rule2, rule3])

#Obliczenie wyjść (symulacja systemu) dla obiektu tipping_ctrl
tipping = ctrl.ControlSystemSimulation(tipping_ctrl)

# Przekazuj dane wejściowe do ControlSystem używając etykiet Antecedent
# Jeśli chcesz przekazać wiele danych wejściowych naraz, użyj .inputs(dict_of_data)
tipping.input['quality'] = 6.5
tipping.input['service'] = 9.8

# Oblicz wyjście
tipping.compute()

print ("Obliczony napiwek wynosi:",  tipping.output['tip'].round(2))
tip.view(sim=tipping)

# Wykreślenie płaszczyzny modelu
qu = np.arange(0, 10.25, 0.25)
ser = np.arange(0, 10.25, 0.25)
qu, ser = np.meshgrid(qu, ser)

predicted_val: ndarray = np.zeros(shape=(len(ser),len(qu)))
for i in range(len(qu)):
    for j in range(len(ser)):
        #print(qu[i,j],ser[i,j])
        tipping.input['quality'] = qu[i,j]
        tipping.input['service'] = ser[i,j]
        tipping.compute()
        predicted_val[i,j] = tipping.output['tip']

# Wykreślenie wykresu trójwymiarowego
fig = plt.figure()
ax = fig.gca(projection='3d')
surf = ax.plot_surface(qu, ser, predicted_val, cmap=cm.coolwarm,
                       linewidth=0, antialiased=False)

fig.colorbar(surf, shrink=0.5, aspect=5)

plt.show()