Describe changes, and raport progress

gaTraveling.md

@@ -1,2 +1,131 @@
 # Wyznaczanie trasy algorytmem genetycznym
-**Autor:** Mateusz Tylka  
+**Autor:** *Mateusz Tylka*  
+
+## Cel algorytmu
+Celem tego algorytmu jest wyznaczenie optymalnej trasy w zbieraniu ziół o konkretnych pozycjach, które
+są generowane losowo. Algorytm decyduje po które zioło udać się najpierw, starając się, aby końcowa suma odległości
+pomiędzy odwiedzonymi pozycjami była jak najmniejsza.
+
+## Osobnik Traveling
+Osobnik jest to jednostka polegająca ewolucji za pomocą operacji genetycznych. 
+W mojej implementacji osobnika reprezentuje obiekt [Traveling.py](). Ten obiekt przechowuje następujące metody:
+
+```python
+class Traveling:
+    def __init__(self, coords):
+        self.coords = coords
+        self.fitness = self.evaluate()
+```
+* W konstruktorze przyjmowany jako parametr jest zestaw koordynatów, który zostaje zapisany jako atrybut, 
+następnie tworzymy atrybut reprezentujący sprawność danego osobnika, który jest wynikiem metody określającej
+poprawność danej trasy.
+
+```python
+def evaluate(self):
+    sum = 0
+    for i, c in enumerate(self.coords):
+        if i + 1 > len(self.coords) - 1:
+            break
+        nextCoord = self.coords[i + 1]
+        # calculate distance
+        sum += sqrt((nextCoord[0] - c[0]) ** 2 + (nextCoord[1] - c[1]) ** 2)
+    return sum
+```
+* Metoda **evaluate** odpowiedzialna jest za ocenę osobnika. Liczymy w niej odległość od punktu startu do
+pierwszego punktu, następnie odległość między drugim a trzecim miejscem i tak dalej..., aż do końca listy pozycji
+ziół z rozważanej trasy. Uzyskane wyniki sumujemy, czyli uzyskujemy długość konretnej drogi.
+
+```python
+def crossover(self, parentCoords):
+    childCoords = self.coords[1:int(len(self.coords) / 2)]
+    for coord in parentCoords.coords:
+        if coord not in childCoords and coord not in END_COORD + START_COORD:
+            childCoords.append(coord)
+
+        if len(childCoords) == len(parentCoords.coords):
+            break
+    return Traveling(START_COORD + childCoords + END_COORD)
+```
+* Metoda **crossover** reprezentuję operację genetyczną krzyżowania osobników. Bierzemy w niej z pierwszego osobnika
+część punktów jego trasy (w naszym przypadku połowę) i dobieramy w pętli kolejne koordynaty z drugiego osobnika
+tak, aby się one nie powtarzały. Gdy już osiągniemy odpowiednią długość nowego osobnika kończymy pętlę i zwracamy go.
+
+```python
+def mutation(self):
+    first = randint(1, len(self.coords) - 2)
+    second = randint(1, len(self.coords) - 2)
+    self.coords[first], self.coords[second] = self.coords[second], self.coords[first]
+    self.fitness = self.evaluate()
+```
+* Ta metoda przedstawia proces mutacji. Polega on po prostu na zamianę miejscami dwóch losowych koordynatów
+na trasie.
+
+```python
+def __repr__(self):
+    return str(self.coords)
+```
+* Obiekt ten zwracany jest w formie tekstowej listy koordynatów.
+
+## Obiekt GeneticAlgorithm
+W pliku [GeneticAlgorithm.py]() znajduje się model selekcji osobników, warunek stopu, oraz główna pętla
+algorytmu.
+
+```python
+class GeneticAlgorithm:
+    def __init__(self, firstPopulation, mutationProbability):
+        self.firstPopulation = firstPopulation
+        self.mutationProbability = mutationProbability
+```
+* Obiekt ten przyjmuje pierwszą populację oraz prawdopodobieństwo mutacji jako parametry i zapisuje je
+w odpowiednich atrybutach.
+
+```python
+def selectionModel(self, generation):
+    max_selected = int(len(generation) / 10)
+    sorted_by_assess = sorted(generation, key=lambda x: x.fitness)
+    return sorted_by_assess[:max_selected]
+```
+
+* Model w mojej implementacji opiera się na elitaryzmie - czyli wybraniu pewnej ilości najlepszych chromosomów,
+które z pewnością przetrwają do następnej generacji. Definiujemy w niej 10% spośród przyjętej generacji jako parametr.
+Sortujemy naszą generację według odległości (metody *evaluate*) czyli wartości atrybutu **fitness**.
+
+```python
+def stopCondition(self, i):
+    return i == 64
+```
+
+* Warunkiem końca algorytmu jest osiągnięcie 64 generacji.
+
+```python
+def run(self):
+    population = self.firstPopulation
+    population.sort(key=lambda x: x.fitness)
+    populationLen = len(population)
+    i = 0
+    while True:
+        selected = self.selectionModel(population)
+        newPopulation = selected.copy()
+        while len(newPopulation) != populationLen:
+            child = choice(population).crossover(choice(population))
+            if random() <= self.mutationProbability:
+                child.mutation()
+            newPopulation.append(child)
+
+        population = newPopulation
+        theBestMatch = min(population, key=lambda x: x.fitness)
+        print("Generation: {} S: {} fitness: {}".format(i+1, theBestMatch, theBestMatch.fitness))
+
+        i += 1
+        if self.stopCondition(i):
+            return str(theBestMatch)
+```
+* W metodzie **run** zaimplementowana jest główna pętla algorytmu
+genetycznego. Na początku wskazujemy pierwszą populację i sortujemy ją według dopasowania **fitness**,
+a następnie obliczamy długość populacji i deklarujemy iterator pętli, która przebiega w następujących krokach;
+    * Wybieramy najlepszych osobników według modelu selekcji (metody **selectionModel**)
+    * Tworzymy nową populację z najlepszych wybranych osobników, jednak do pełnej populacji brakuje nam kilku chromosomów
+    * Dopełniamy do pełnej liczności populacji, poprzez operację krzyżowania (metoda **crossover**), oraz
+    ewentualną mutację (metodą **mutation**).
+    * Wybieramy najlepszego osobnika z populacji po minimalnej odległości, oraz wyświetlamy wynik.
+    * Przeprowadzamy w ten sposób kolejną generację dopóki nie będzie ich 64.

src/entities/Interactable.py

@@ -32,6 +32,7 @@ class Interactable(Entity):
     def on_interaction(self, player):
         """
         Applies outcome to the Player
+        Add some ifs to handle collect herbs (traveling ga algorithm)
 
         :param Player: Player object
         """
@@ -46,6 +47,5 @@ class Interactable(Entity):
         if player.herbs == 10 and self.classifier == Classifiers.REST:
             player.readyToCrafting = True
 
-
     def __str__(self):
         return "Entity - ID:{}, pos:({}x, {}y), {}".format(self.id, self.x, self.y, self.classifier.name)

src/entities/Player.py

@@ -22,8 +22,8 @@ class Player(Entity):
         super().__init__("player.png", size, spawnpoint, False)
 
         self.statistics = Statistics(100, 0, 0, 100)
-        self.herbs = 0
-        self.readyToCrafting = False
+        self.herbs = 0  # Need to collect herbs (traveling ga algorithm)
+        self.readyToCrafting = False  # Need to reset statistics (traveling ga algorithm)
         # How many steps has the player taken through its lifetime
         self.movePoints = 0
         # Tracks how much time has passed since the player is alive
@@ -52,7 +52,7 @@ class Player(Entity):
     def applyWalkingFatigue(self):
         """
         Lowers player's statistics. Applied every few steps.
-
+        Modify to not die until collect all herbs.
         """
         # looses hunger
         # self.statistics.set_hunger(1.7)

src/game/EventManager.py

@@ -116,17 +116,17 @@ class EventManager:
                 target = pickEntity(self.player, self.game.map)
                 self.player.gotoToTarget(target, self.game.map)
 
-        if keys[pygame.K_t]:
+        if keys[pygame.K_t]:  # Handle traveling movement to collect herbs
             if self.player.movementTarget is None and self.iterator <= 10:
                 target = self.game.entityToVisitList[self.iterator]
                 self.player.gotoToTarget(target, self.game.map)
                 self.iterator += 1
 
-        if self.player.herbs > self.takenHerbs:
+        if self.player.herbs > self.takenHerbs:  # Console log when player collect herb
             self.game.screen.ui.console.printToConsole("Ziele zebrane! Ilość: " + str(self.player.herbs))
             self.takenHerbs = self.player.herbs
 
-        if self.player.readyToCrafting:
+        if self.player.readyToCrafting:  # Console log and reset statistics because of collect all herbs
             self.game.screen.ui.console.printToConsole("Eliksir został utworzony i spożyty!")
             self.player.statistics.set_hp(100)
             self.player.statistics.set_stamina(100)

src/game/Game.py

@@ -101,6 +101,7 @@ class Game:
                 filesPath) + os.sep + "data" + os.sep + "AI_data" + os.sep + "dt_exmpls" + os.sep + "dt_examples"
             dtExampleManager = ExamplesManager(examplesFilePath)
             dtExampleManager.generateExamples()
+        # Traveling ga algorithm
         elif argv[1] == "ga_travel":
             self.travelRun(filesPath)
         # Invalid game mode
@@ -394,7 +395,7 @@ class Game:
         avg = sum(scores) / iterations
         print("Average: {}".format(str(avg)))
 
-    def travelRun(self, filesPath):
+    def travelRun(self, filesPath):  # Run game with traveling ga algorithm
         self.running = True
         print("Initializing screen, params: " + str(self.config["window"]) + "...", end=" ")
 
@@ -420,10 +421,12 @@ class Game:
         self.map.addEntity(self.player, DONTADD=True)
         self.eventManager = EventManager(self, self.player)
 
+        # Generate random travel list
         self.travelCoords = random.sample(self.map.movableList(), 10)
         import ast
         self.travelCoords = ast.literal_eval(str(self.travelCoords))
 
+        # Insert herbs on random travel coordinates
         self.map.insertHerbs(self.travelCoords)
 
         # Initialize genetic algorithm
@@ -433,12 +436,15 @@ class Game:
         ga = GeneticAlgorithm(firstGeneration, mutationProbability)
         self.movementList = ga.listOfTravel()
 
+        # Define list of entities which player should pass to collect herbs
         self.entityToVisitList = []
         for i in self.movementList:
             self.entityToVisitList.append(self.map.getEntityOnCoord(i))
 
-        self.screen.ui.console.printToConsole("First generation: " + str(firstGeneration[0]))
+        # Remove first element, because start coordinates is None
         self.entityToVisitList.remove(self.entityToVisitList[0])
+
+        self.screen.ui.console.printToConsole("First generation: " + str(firstGeneration[0]))
         self.screen.ui.console.printToConsole("The best generation: " + str(self.entityToVisitList))
 
         self.mainLoop()

src/game/Map.py

@@ -243,7 +243,7 @@ class Map:
                     return True
             return False
 
-    def insertHerbs(self, coordsList):
+    def insertHerbs(self, coordsList):  # Insert herbs on right coordinates
         nr = 1
         for i in range(10):
             entity = Pickupable("herb" + str(nr) + ".png", self.tileSize, coordsList[i], Statistics(0, 0, 0, 0), "herb")
@@ -252,6 +252,10 @@ class Map:
             nr += 1
 
     def movableList(self):
+        """
+        Return list which is movable on beginning of game,
+        that is terrainTilesList without entity on self
+        """
         terrainList = self.terrainTilesList
         for i in self.entities:
             terrainList.remove(self.getTileOnCoord((i.x, i.y)))

src/game/TerrainTile.py

@@ -2,6 +2,7 @@ from pathlib import Path
 
 import pygame
 
+
 # TODO: Relative coords
 class TerrainTile(pygame.sprite.Sprite):
     def __init__(self, x, y, texture, tileSize, cost):
@@ -27,4 +28,4 @@ class TerrainTile(pygame.sprite.Sprite):
 
     def __repr__(self):
         coords = (self.x, self.y)
-        return str(coords)
+        return str(coords)