Zaktualizowany raport geneticalgorithm.md

geneticalgorithm.md

@@ -30,7 +30,7 @@ Algorytm genetyczny, z powodów wymienionych na początku raportu, jako rodzaj a
 ### Algorytm 
 
 ```
-    def main(self):
+def main(self):
 	self.algorytm_genetyczny()
 	self.wykonanie_trasy()
 ```
@@ -38,7 +38,7 @@ Algorytm genetyczny, z powodów wymienionych na początku raportu, jako rodzaj a
 Cały algorytm jest wykonywany w funckji self.algorytm_genetyczny, natomiast funkcja self.wykonanie_trasy odpowiada integrację podprojektu w projekcie, realizując wyznaczoną przez algorytm trasę wraz z odpowiednią akcją agenta. 
 
 ```
-self.pola_buraczane = self.wspolrzedne()
+self.znalezione_pola = self.wspolrzedne()
 ```
 
 Pierwszy krokiem całego programu jest wyznaczenie współrzędnych pól, przez które będziemy chcieli przejść w najkrótszej trasie. Współrzedne te są reprezentowane macierzą zawierającą liczby dwucyfrową [0,99]: np. pole 32 oznacza współrzędne [2,3].
@@ -52,10 +52,81 @@ Następnie wyznaczany jest pierwotny koszt trasy wiodącej przez wszystkie pola
 Poniżej przestawiony został już właściwy algorytm: 
 
 ```
+# Utworzenie pokolenia 
+self.pierwsze_pokolenie = self.tworzenie_pokolenia(self.znalezione_pola,10)
 
+# Funkcja przystosowania
+self.przystosowanie, self.najnizszy_koszt, self.najwyzszy_koszt, self.srednie_przystosowanie_pierwszego_pokolenia, self.najtanszy_osobnik = self.ocena_przystosowania(self.pierwsze_pokolenie)
+
+# Populacja pośrednia wybrana metodą ruletki
+self.populacja_posrednia = self.wybor_populacji_posredniej(self.pierwsze_pokolenie, self.przystosowanie)
+
+# Krzyżowanie populacji pośredniej
+self.populacja_po_krzyzowaniu = self.krzyzowanie(self.populacja_posrednia)
+
+# Mutacja populacji pośredniej 
+self.populacja_po_mutacji = self.mutacja(self.populacja_po_krzyzowaniu)
+
+# Optymalizacja populacji pośredniej 
+self.populacja_po_optymalizacji = self.optymalizacja(self.populacja_po_mutacji,self.znalezione_pola)
+
+if (self.min_koszt)/(self.srednie_przystosowanie_pierwszego_pokolenia) < (0.69):
+	print("Zakończono wykonywanie algorytmu po " + str(i) + " pokoleniach")
+	break 
 ```
 
+Pierwszym krokiem każdego algorytmu genetycznego jest utworzenie pierwszego pokolenia osobników. Każde pokolenie w podprojekcie liczy sobie 10 osobników, z których każdy jest permutacją bez powtórzeń współrzędnych zawartych w tablicy self.znalezione_pola wraz z dodaną na koniec współrzędną 0, jako polem, do którego agent ma powrócić na końcu. 
+Następnie wykonywana jest tzw. funkcja przystosowania, której zadaniem jest ocenić jakość każdego osobnika (czyli potencjalnego rozwiazania):
 
 ```
+przystosowanie_osobnikow.append(round(((srednie_przystosowanie/koszty_tras_osobnikow[l])*10),2))
+```
+
+Przystosowanie każdego z osobników przechowywane jest w tablicy przystosowanie_osobnikow i wyliczane za pomocą ilorazu średniego przystosowania wszystkich osobników w danym pokoleniu i kosztu konkretnego osobnika. Im lepsza jakość osobnika (czyli im niższy koszt proponowanej przez niego trasy), tym wyższy wynik funkcji przystosowania. 
+Po ocenie przystosowania dokonuje się wyboru osobników do populacji pośredniej, z której otrzymamy potomków osobników obecnego pokolenia. Tutaj zdecydowano się na wybór tzw. metodą ruletki, w której każdemu osobnikowi przydziela się zakres należący do przedziału [1,100], proporcjonalny do jego przystosowania. Im większe przystosowanie, tym większy przedział zostanie danemu osobnikowy przydzielony. Następnie losowane jest pięć liczb, właśnie z przedziału [1,100] i do populacji pośredniej trafiają osobnicy, w których zakresach mieszczą się wylosowane liczby. Grupa takich pięciu osobników (do której osobnik może trafić więcej niż raz) staje się populacją pośrednią, która przystąpi do operacji genetycznych w celu poprawienia genotypu. 
+Tymi operacjami genetycznymi są krzyżowanie, mutacja i dodatkowa optymalizacja.
 
 ```
+czy_krzyzowac = random.randint(1,100)
+	if (czy_krzyzowac < 11) and (rodzic_1 != rodzic_2):
+```
+
+Prawdopodobieństwo krzyżowania dwóch kolejnych osobników populacji pośredniej wyznaczono na 10%. Jeśli krzyżowanie nie nastąpi lub osobnicy są identyczni, wówczas przechodzą oni do kolejnego etapu w niezmienionej postaci. 
+Jeśli krzyżowanie dojdzie do skutki, wówczas dla obu osobników wykonuje się następującą operację: wybiera się losowe miejsce krzyżowania w tablicy zawierającej genotyp, sprzed którego wszystkie geny przechodzą w niezmienionej kolejności do potomka. Następnie brakujące geny potomka uzupełnia się genami drugiego osobnika, których jeszcze nie zawiera potomek (tak by geny, czyli współrzędne, się nie powtórzyły w genotypie)
+
+```
+k = len(populacja_po_krzyzowaniu) - 1
+	while k >= 0:
+		czy_mutacja = random.randint(0,100) 
+        if czy_mutacja < 3: 
+			kogo_mutujemy = populacja_po_krzyzowaniu[k]
+```
+
+Jeśli chodzi o mutację, tu prawdopodobieństwo jej zajścia dla każdego osobnika ustalono na 2%. Mutacja polega na wylosowaniu dwóch różnych genów osobnika i zamienieniu ich miejscami. 
+Na koniec procesu tworzenia potomków dochodzi do opcjonalnej operacji optymalizacji. Jest to nieobowiązkowa funkcja zaimplemetowana w celu dywersyfikacji potomków. Polega ona na usunięciu z populacji pośredniej potwórzeń wśród osobników i uzupełnienie braku nowym, losowym osobnikiem. Po optymalizacji, pokolenie nadal będzie liczyło 10 osobników, lecz każdy z nich z pewnością będzie różny od pozostałych. 
+Te 10 osobników storzy nową populację potomków. Tę populację poddaje się ocenie, czyli sprawdzeniu warunku końca działania algorytmu. 
+
+```
+if (self.min_koszt)/(self.srednie_przystosowanie_pierwszego_pokolenia) < (0.69):
+	print("Zakończono wykonywanie algorytmu po " + str(i) + " pokoleniach")
+	break 
+```
+
+Jeśli zostanie spełniony warunek znacznego poprawienia kosztu najtańszej trasy najnowszego pokolenia względem średniej długości tras pierwszego pokolenia, wówczas można uznać, że znalezione rozwiazanie jest zadowalające i algorytm zostaje przerwany. 
+Jeśli jednak warunek nie jest spełniony, wtedy algorytm wykonuje się na nowo, począwszy od etapu oceny przystosowania nowego pokolenia. 
+
+```
+def wykonanie_trasy(self):
+	i = len(self.najtansza_trasa) - 1
+	l = 0
+	while l < i:
+		self.pathfinding_tractor.pathfinding_tractor(self.field, self.traktor, self.ui, self.najtansza_trasa, l)
+		l = l + 1
+```
+
+Ostatnim elementem mojego programu jest ,,wcielenie w życie" znalezionej trasy. Taką trasę podaje się funkcji pathfinding_tractor, która następnie egzekwuje agentem wykonanie konkretnej akcji na polach danego typu w zadanej kolejności. 
+
+
+### Dobrane parametry 
+
+