1
0
forked from s444399/AI
AI/WGoracy.md

5.4 KiB

Podprojekt indywidualny - Weronika Gorący

Wykorzystane metody uczenia

Do realizacji podprojektu wykorzystano drzewa decyzyjne do decydowania, na które regały należy umieścić paczkę na podstawie jej cech. Do implementacji drzew decyzyjnych w Pythonie wykorzystane zostały biblioteki sklearn i pandas.

Omówienie kodu

Kod podprojektu znajduje się w klasie whereDecision w pliku whereDecision.py. Wywołanie metody recognize odbywa się w klasie program w pliku program.py.

whatIsIt = self.neurons.whatIsIt(easygui.fileopenbox("Wybierz zdjęcie paczki", "Wybierz zdjęcie paczki", filetypes = [["*.jpg", "*.jpeg", "*.png", "Pliki graficzne"]]))
where = self.whereDecision.recognize(whatIsIt, self.regalsik())

Do zmiennej whatIsIt zostaje zapisany typ otrzymanej paczki, który został rozpoznany dzięki innemu podprojektowi, następnie wywoływana jest metoda recognize z parametrami whatIsIt i self.regalsik().

Do tablicy regals zapisywane są dane wszystkich regałów wygenerowanych na planszy.

self.regals.append((i, j, (self.map[i][j]-3)//4))

Metoda regalsik() sprawdza czy regał z tablicy regals jest pusty i jeżeli tak, to umieszcza go w tablicy wyjściowej, która ostatecznie jest tablicą krotek zawierajacych informacje o wszystkich pustych regałach na planszy. Każda krotka zawiera informacje o współrzędnej Y i X regału oraz typ paczki jaki może być na niej przechowywany.

    def regalsik(self):
        tmp = []
        for regal in self.regals:
            if self.map[regal[0]][regal[1]].isOccupied()==False:
                tmp.append(regal)
        return tmp

Uczenie modelu

Metoda recognize rozpoczyna od utworzenia zbioru uczącego na podstawie tabeli zawierającej informacje o pustych półkach na planszy. Dla każdego regału sprawdzany jest typ paczki, który może być na niej przechowywany, a następnie jest on dodawany do odpowiedniej kolumny. Tablica lokacja zawiera położenia wszystkich regałów na planszy.

    def recognize(self, recognize, regals):
        zwykle = []
        kruche = []
        latwopalne = []
        radioaktywne = []
        niebezpieczne = []
        lokacja = []
        for regal in regals:
            if (regal[2] == 1):
                zwykle.append(0)
                kruche.append(1)
                latwopalne.append(0)
                radioaktywne.append(0)
                niebezpieczne.append(0)
                lokacja.append(str("("+str(regal[0])+", "+str(regal[1])+")"))
            elif (regal[2] == 2):
                zwykle.append(0)
                kruche.append(0)
                latwopalne.append(1)
                radioaktywne.append(0)
                niebezpieczne.append(0)
                lokacja.append(str("("+str(regal[0])+", "+str(regal[1])+")"))
            elif (regal[2] == 3):
                zwykle.append(0)
                kruche.append(0)
                latwopalne.append(0)
                radioaktywne.append(1)
                niebezpieczne.append(0)
                lokacja.append(str("("+str(regal[0])+", "+str(regal[1])+")"))
            elif (regal[2] == 4):
                zwykle.append(0)
                kruche.append(0)
                latwopalne.append(0)
                radioaktywne.append(0)
                niebezpieczne.append(1)
                lokacja.append(str("("+str(regal[0])+", "+str(regal[1])+")"))
            else:
                zwykle.append(1)
                kruche.append(0)
                latwopalne.append(0)
                radioaktywne.append(0)
                niebezpieczne.append(0)
                lokacja.append(str("("+str(regal[0])+", "+str(regal[1])+")"))

Jeżeli wszystkie półki są zajęte, wózek zatrzyma się w swojej wyjściowej pozycji.

        if len(zwykle) == 0:
            return [1, 2]

Do zmiennej z zapisywany jest nasz zbiór uczący, zaś do zmiennej y zapisujemy tabelę prenumeratorzy typu DataFrame z biblioteki pandas, która zawiera dane lokalizacji.

        z = list(zip(zwykle, kruche, latwopalne, radioaktywne, niebezpieczne))
        prenumeratorzy = pd.DataFrame({"lokacja": lokacja})
        prenumeratorzy["lokacja"], lokacja_kody = pd.factorize(prenumeratorzy["lokacja"])
        y = prenumeratorzy["lokacja"]

Implementacja

Do zmiennej drzewko zapisujemy drzewo decyzyjne z biblioteki sklearn utworzone za pomocą metody DecisionTreeClassifier z parametrem criterion ustawionym na "entropy", który pozwala na uzyskiwanie informacji. Na drzewie wywołujemy metodę fit, która dopasowuje do drzewa zbiór uczący zadany w tablicach z i y.Po dopasowaniu danych możemy przewidzieć przynależność nowych przykładów, co robimy wywołując na drzewie metodę predict z parametrem uzyskanym na samym początku, który zawiera informację o rodzaju otrzymanej paczki. W ostateczności zwracamy kod lokalizacji na której zostanie umieszczona paczka.

        drzewko = DecisionTreeClassifier(criterion="entropy")
        drzewko.fit(X=z, y=y)
        return list(make_tuple(lokacja_kody[drzewko.predict(recognize)][0]))

Lokalizacja, którą zwróciła metoda recognize zapisywana jest do zmiennej where (klasa program) i na tej podstawie wózek z pomocą algorytmu AStar wybiera odpowiednią ścieżkę do umieszczenia paczki.