AI/LechT.md

14 KiB

Raport z części indywidualnej - podprojektu

Tomasz Lech

Omówienie projektu

Celem projektu jest znalezienie najbardziej optymalnej drogi między zajętymi regałami a miejscami odbioru paczki. Projekt wykorzystuje wcześniej opracowany algorytm AStar, który jest opisany w pliku route-planning. Moduł podprojektu uruchamia się po uruchomieniu programu oraz naciśnięciu g na klawiaturze. Omawiany moduł genetyczny podprojektu w dalszej części raportu będzie się pojawiał w skrócie jako mdg.

Opis składowych elementów wykorzystanych w mdg

  • Gen - jest to najmniejszy wykorzystywany obiekt, reprezentujący zajęty regał, kóry ma określony koszt do danego miejsca odbioru paczki.
  • Chromosom - jest to uporządkowany zbiór Genów, który reprezentuje kolejność odbioru paczek, końcowa długość wynika z ilości paczek na magazynie.
  • Populacja - jest to zbiór chromosomów.
  • Funkcja fitness - funkcja obliczająca całkowity koszt chromosomu.
  • Selekcja - składowa odpowiedzialna za wybór najlepszych chromosomów z pośród populacji.
  • Crossover - składowa odpowiedzialna za generowanie nowej populacji uwzględniając współczynnik mutacji, wielkość dziedziczonego fragmentu oraz otrzymane podczas selekcji chromosomy.

Dane wejściowe

Po uruchomieniu programu:

  • generowanie losowo rozmieszczonych paczek na regałach - po naciśnięciu r na klawiaturze.

Po naciśnięciu g na klawiaturze pojawia się okno zbierające dane wejśćiowe:

  1. Warotść definiująca liość chromosomów w każdej populacji
  2. Wardośc definiująca wielkość fragmentu genu, kótry będzie dziedziczony przy tworzeniu nowych chromosomów
  3. Wartośc definiująca jaki fragment zmutować
  4. Wartość definiująca do jakiego miejsca odwieść paczkę. (1 - miejsce oddania paczki po lewej stronie, 2 - miejsce oddania paczki po prawej stronie,
    3 - miejsce oddania paczki wybierane na podstawie kosztu)
  5. Wartość definiująca ile stworzyć generacji w trakcie działania modułu
odbioru wybierane korzystniej na podstawie kosztu

Integracja

W pliku program.py
Uruchomienie mdg:

            if event.key == pygame.K_g:
                start(self.data,self.wheel)

Po zakończeniu algorytmu, uruchamiamy moduł, który rozwiezie paczki do miejsca odbioru:

                for gen in self.data.best[0]:
                    if(gen.unboxWczesniejszegoGenu == None):
                        kordStartowy = (self.wheel.ns, self.wheel.we)
                    else:
                        kordStartowy = self.data.unbox[gen.unboxWczesniejszegoGenu]

                    zbierzBox(gen,self.data, self.moves, kordStartowy)

W pliku genetyczne.py

def start(data, wheel):

    ileGeneracji = 20
    ileWPopulacji = 16
    fragment = 0.5
    mutacja = 0.05
    unbox = 3

    data.kordyWozka = (wheel.ns, wheel.we)
    data.jakLiczycKoszt = unbox

    randomPopulation = genRandomPopulation(data, ileWPopulacji)
    for i in range(ileGeneracji):
        if i == 0:
            best2 = dwieNajlepsze(randomPopulation, data)
        else:
            x = genPopulacje(data,best2[0], best2[1], ileWPopulacji, fragment, mutacja)
            best2 = dwieNajlepsze(x, data)
            del x

            data.histZmian.append(data.best[1])


    rysujWykres(data, ileGeneracji, 0, 2000)

W celu modyfikacji danych wejściowych należy zmienić wartości zmiennych, pamiętając o podanych powyżej ograniczeniach.

Powyżej fragment kodu reprezentujący działanie pętli, której iteracje odpowiadają tworzeniom nowych generacji.

Sposób działania algorytmu:

graph TD
A[<center> Generowanie  <br/> losowego <br/>chromosomu<center/>]
B[<center> Generowanie <br/> losowej <br/> populacji <center/>]

C[<center> Selekcyjny <br/> wybór najlepszych chromosomów <br/>z pośród populacji <center/>]
D[Generowanie nowej populacji z podanych chromosomów]
E[Ilość generacji]
 
 A --> B
 B --> C
 C --> D
 D --> E
 E --> C

Implementacja

Generowanie losowego chromosomu

W pliku Gene.py

Klasa Gene:

class Gene:
    def __init__(self):
        self.kordy = None
        self.unbox1 = None
        self.unbox2 = None
        self.unboxWczesniejszegoGenu = None
        self.kordyUnboxa = None

Odpowiednio:

  • kordy - krotka z koordynatami regału
  • unbox1 - koszt potrzebny do przejazdu z miejsca regału do miejsca oddania paczki po lewej stronie mapy
  • unbox2 - koszty potrzebny do przejazdu z miejsca regału do miejsca oddania paczki po prawej stronie mapy
  • unboxWczesniejszegoGenu - wartość (0 lub 1) która definiuje z jakiego miejsca oddania paczki jechał wózek do regału reprezentowanego przez ten gen
  • kordyUnboxa - koordynaty miejsca oddania paczki do którego będzie jechać wózek

Od tego momentu miejsce oddania paczki będzie określane jako unbox

W pliku genetyczne.py

def generateGeny(data):
    geny = []
    zajeteRegaly = data.zajeteRegaly[:]
    for r in zajeteRegaly:
        g = Gene()
        g.kordy = r
        g.unbox1 = policzCost(data.astarMap,r,data.unbox[0])
        if(len(data.unbox) > 1):
            g.unbox2 = policzCost(data.astarMap,r,data.unbox[1])
        geny.append(g)
    return geny

def genRandomChromosome(data):
    chromosome = generateGeny(data)
    random.shuffle(chromosome)
    unboxLastGen = None

    for gen in chromosome:
        gen.unboxWczesniejszegoGenu = unboxLastGen
        krotkaKosztJakiUnbox = wybierzUnbox(gen, data.jakLiczycKoszt)
        unboxLastGen = krotkaKosztJakiUnbox[1]
        gen.kordyUnboxa = data.unbox[krotkaKosztJakiUnbox[1]]
    return chromosome

Odpowiednio:

  • Funkcja generateGeny generuje oraz oblicza wartości unboxów dla danego regału oraz zwraca je jako listę genów
  • Funkcja genRandomChromosome losowo miesza wygenerowane geny oraz dla podanej wartości unbox (podanej przy uruchomieniu programu) zapisuje w genach wartości odpowiadające koodrynatom unboxa oraz z jakiego unboxa wózek przyjedzie. W przypadku pierwszego genu, do którego wózek będzie jechać z określonego miejsca ta wartość pozostaje None. Funkcja zwraca spójny chromosom.

Generowanie Losowej populacji

W pliku genetyczne.py

def genRandomPopulation(data, ileWPopulacji):
    populacja = []
    for i in range(ileWPopulacji):
        populacja.append(genRandomChromosome(data))
    return populacja

Odpowiednio:

  • Dla podanej wartości ileWPopulacji funkcja generuje losową populację, wykonując tyle iteracji ile wynosi wartość.

Selekcyjny wybór najlepszych chromosomów z pośród populacji na podstawie funkcji fitness

W pliku genetyczne.py

def fitness(chromosome, data):
    koszt = 0
    unboxPoprzedniegoGenu = None

    for item, gen in enumerate(chromosome):
        if(item == 0):
            koszt += policzCost(data.astarMap, data.kordyWozka, gen.kordy)
            krotkaKosztJakiUnbox = wybierzUnbox(gen, data.jakLiczycKoszt)
            koszt += krotkaKosztJakiUnbox[0]
            unboxPoprzedniegoGenu = krotkaKosztJakiUnbox[1]

        else:
            if unboxPoprzedniegoGenu == 0:
                koszt += gen.unbox1
            elif unboxPoprzedniegoGenu == 1:
                koszt += gen.unbox2

            krotkaKosztJakiUnbox = wybierzUnbox(gen, data.jakLiczycKoszt)
            koszt += krotkaKosztJakiUnbox[0]
            unboxPoprzedniegoGenu = krotkaKosztJakiUnbox[1]


    return koszt

Odpowiednio:

  • Zmienna koszt jest sumą całkowitą kosztów przejechania trasy.

  • Pętla for iteruje się tyle razy ile jest genów w chromosomie.

  • W pierwszej iteracji koszt jest liczony dla pierwszego genu w chromosomie wywołując AStar, z pozycji początkowej wózka, do miejsca regału.

  • Dla reszty iteracji jest sprawdzane do którego unboxa będzie jechać wózek, i taka wartość kosztu jest dodawana co całkowitej sumy oraz koszt przejechania od unboxa poprzedniego genu do regału (zmienna unboxPoprzedniegoGenu)

    def dwieNajlepsze(populacja, data):
    tmpPopulacja = populacja[:] chromFitness = []

      for chrom in populacja:
          chromFitness.append(fitness(chrom,data))
    
      bestValue = min(chromFitness)
      bestChromIndex = chromFitness.index(bestValue)
      pierwsza = tmpPopulacja[bestChromIndex]
      if (data.best == None):
          data.best = (pierwsza[:],bestValue)
      elif(data.best[1] > bestValue):
          data.best = (pierwsza[:],bestValue)
      data.doWykresu.append(bestValue)
    
      tmpPopulacja.pop(bestChromIndex)
      chromFitness.pop(bestChromIndex)
    
      bestValue = min(chromFitness)
      bestChromIndex = chromFitness.index(bestValue)
      druga = tmpPopulacja[bestChromIndex]
      tmpPopulacja.pop(bestChromIndex)
      chromFitness.pop(bestChromIndex)
    
    
      return (pierwsza, druga)
    

Funkcja selekcji dla której odpowiednio:

  • W pierwszej pętli for tworzy się lista chromFitness przetrzymująca wartości kosztów dla danego chromosomu. Wartości w chromFitness odpowiadają chromosomom na tych samych indeksach w liście populacja.
  • Zmienna bestValue reprezentuje najlepszy koszt z danej populacji
  • Zmienna pierwsza reprezentuje chromosom o najkorzystniejszym koszcie.
  • Zmienna druga reprezentuje chromosom o drugim co do wartości najkorzystniejszym koszcie.
  • W zmiennej best klasy obiektu data zapisywana jest krotka odpowiednio (chromosom,koszt) najlepszego chromosomu.
  • Funkcja zwraca krotkę z dwoma najlepszymi chromosomami w populacji.

Generowanie nowej populacji - Crossover

W pliku genetyczne.py

def crossover(data,pierwszy, drugi, fragmentLiczba, wspMutacji):
    ileWChrom = len(pierwszy)
    tmp = random.randint(0, ileWChrom-fragmentLiczba)
    kordyFragment = (tmp,tmp+fragmentLiczba)
    nowyChrom = [Gene() for q in range(ileWChrom)]
    iterator = kordyFragment[1]
    pomIterator = kordyFragment[1]
    usedKordy = []
    for i in range(kordyFragment[0],kordyFragment[1]):
        nowyChrom[i].kordy = pierwszy[i].kordy
        nowyChrom[i].unbox1 = pierwszy[i].unbox1
        nowyChrom[i].unbox2 = pierwszy[i].unbox2
        usedKordy.append(pierwszy[i].kordy)

    for x in range(ileWChrom):
        if(iterator > ileWChrom - 1):
            iterator = 0
        if(pomIterator > ileWChrom - 1):
            pomIterator = 0
        if(nowyChrom[iterator].kordy == None and drugi[pomIterator].kordy not in usedKordy):
            nowyChrom[iterator].kordy = drugi[pomIterator].kordy
            nowyChrom[iterator].kordy = drugi[pomIterator].kordy
            nowyChrom[iterator].unbox1 = drugi[pomIterator].unbox1
            nowyChrom[iterator].unbox2 = drugi[pomIterator].unbox2
            iterator += 1
            pomIterator += 1
        else:
            pomIterator +=1

    nowyChrom = mutate(wspMutacji, nowyChrom)
    unboxLastGen = None
    
    for gen in nowyChrom:
        gen.unboxWczesniejszegoGenu = unboxLastGen
        krotkaKosztJakiUnbox = wybierzUnbox(gen, data.jakLiczycKoszt)
        unboxLastGen = krotkaKosztJakiUnbox[1]
        gen.kordyUnboxa = data.unbox[krotkaKosztJakiUnbox[1]]

    return nowyChrom

Odpowiednio:

  • Dane wejściowe są to:
    • pierwszy, drugi - wybrane najkorzystniejsze chromosomy, z których ma powstać nowy chromosom
    • fragmentLiczba - jest to liczba reprezentująca jaki fragment z pierwszego chromosomu zostanie bezpośrednio skopiowany do nowego chromosomu, ten fragment jest wybierany losowo spośród chromosomu natomiast jego długość jest określona procentowo i zależy od podanej wartości (oraz ilości genów w chromosomoie)
    • wspMutacji - jest to liczba reprezentująca jak wiele par w chromosomie zostanie zamienionych miejscami.
  • Zmienne pomocnicze:
    • iterator, pomIterator - w pierwszych dwóch instrukcjach warunkowych jest pilnowane aby iterując się nie przekroczyły dopuszczalnej wartości (odpowiadają one indeksom w kolejce). Iterator jest indeksem w nowym, tworzonym chromosomie. pomIterator jest indeksem który przechodzi przez drugi podany chromosom.
    • lista usedKordy - do niej są dodawane koordynaty genów, które zostały skopiowane z pierwszego chromosomu, aby geny o tych samych koordynatach z drugiego chromosomu nie zostały zapisane w nowym chromosomie.
  • Następuje skopiowanie fagmentu z pierwszego chromosomu, w pierwszej pętli for wykonuje się przepisanie wartości do powstającego chromosomu. W drugiej pętli for następuje przepisanie pozostałych wartości z drugiego chromosomu do powstającego chromosomu.
  • Po przepisaniu wartości według wspMutacji jest dokonywana zamiana genów w nowym chromosomie.
  • Ostatnia pętla for łączy geny ze sobą (zapisując unbox poprzedniego genu)

W pliku genetyczne.py

def genPopulacje(data,pierwszy, drugi, ileWPopulacji, fragmentLiczba, wspMutacji):
    ileWChrom = len(pierwszy)
    fragment = round(fragmentLiczba*ileWChrom)
    if(fragment == 1):
        fragment +=1
    nowaPopulacja = []

    for i in range(ileWPopulacji):
        nowaPopulacja.append(crossover(data,pierwszy,drugi,fragment, wspMutacji))

    return nowaPopulacja

Odpowiednio:

  • W pętli for tworzone są nowe chromosomy z pierwszego oraz drugiego najlepszego chromosomu z poprzedniej generacji.
  • Nowe chromosomy zapisywane są do nowaPopulacja
  • Z powstałej populacji na nowo selekcjonowane są dwa najlepsze, z których będą powstawać nowe populacje w zależności od wartości podanych generacji.

Dalsze działanie programu

Po zakończeniu mdg wózek zaczyna rozwozić paczki do miejsc oddania paczki.