# Wyznaczanie trasy algorytmem genetycznym **Autor:** *Mateusz Tylka* **Uruchomienie:** *Po parametrze "ga_travel"* ## 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. Gdy agent zbierze wszystkie zioła i dojdzie do ogniska, aby odpocząć, utworzy również eliksir, który odnowi mu wszystkie statystyki pierwotnego (pełnego) stanu. ## Osobnik Traveling Osobnik jest to jednostka polegająca ewolucji za pomocą operacji genetycznych. W mojej implementacji osobnika reprezentuje obiekt [Traveling.py](https://git.wmi.amu.edu.pl/s444409/DSZI_Survival/src/wirus_dev/src/AI/GaTravelingForHerbs/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](https://git.wmi.amu.edu.pl/s444409/DSZI_Survival/src/wirus_dev/src/AI/GaTravelingForHerbs/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. ```python def listOfTravel(self): strTravel = self.run() import ast return ast.literal_eval(strTravel) ``` * Ta metoda, odpowiada za uruchomienie algorytmu oraz zwrócenie najlepszego wyniku w postaci listy koordynatów (nie jako string). ## Inicjalizacja pierwszej populacji i uruchomienie algorytmu Uruchamiając projekt za pomocą [Run.py](https://git.wmi.amu.edu.pl/s444409/DSZI_Survival/src/wirus_dev/Run.py) z użyciem parametru **ga_travel**, projekt uruchomi się tak jak w przypadku testowej wersji z dodatkiem kodu (znajduje się on w [Game.py](https://git.wmi.amu.edu.pl/s444409/DSZI_Survival/src/wirus_dev/src/game/Game.py)) zaprezentowanego poniżej; ```python # 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 firstGeneration = [Traveling(START_COORD + sample(self.travelCoords, len(self.travelCoords)) + END_COORD) for _ in range(100)] mutationProbability = float(0.1) 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)) # 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() ``` * Generujemy losową listę 10 koordynatów na mapie wolnych od entity za pomocą metody **map.movableList()** i konwertujemy ją na normalną listę (nie *string*). * Umieszczamy entity ziół w miejscach wygenerowanych koordynatów. * Tworzymy pierwszą generację w postaci 100-elementowej listy, za pomocą konstruktora obiektu **Traveling** o koordynatach ziół plus startowa pozycja gracza i pozycja ogniska, gdzie agent będzie w stanie sporządzić miksturę odnawiającą jego statystyki. * Deklarujemy algorytm genetyczny przekazując pierwszą generację oraz prawdopodobieństwo mutacji wynoszące 10% * Tworzymy listę kordynatów na których będziemy się poruszać, gdzie jej wartość co zwrócona lista przez metodę **ga.listOfTravel()** * Aby udać się po odpowiednie cele, tworzymy listę entity, które musimy zebrać, wykorzystując przy tym wcześniej stworzoną listę **movementList** oraz metodę **map.getEntityOnCoord**. * Usuwamy z listy **entityToVisitList** pierwszy element, gdyż jest to startowa pozycja gracza, na której nie ma żadnego entity. ## Poruszanie się *Zdefiniowane jest w pliku/klasie [EventManager.py](https://git.wmi.amu.edu.pl/s444409/DSZI_Survival/src/wirus_dev/src/game/EventManager.py).* ```python 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: # 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: # 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) self.player.statistics.set_thirst(-100) self.player.statistics.set_hunger(-100) self.player.readyToCrafting = False ``` Po kliknięciu przycisku **t** agent uda się po kolejne ziele do zebranie w kolejce za pomocą algorytmu **A***. Obok jest również zaimplementowane wypisywanie ilości zebranych ziół, oraz odnawianie statystyk po spożyciu eliksiru.