labes-correction

ID3.py

@@ -0,0 +1,185 @@
+import pandas as pd
+import numpy as np
+from data import dataset
+
+training_data = pd.DataFrame(data=dataset.training_data, columns=dataset.header)
+testing_data = pd.DataFrame(data=dataset.testing_data, columns=dataset.header)
+
+
+def entropy(target_col):
+    """
+    Obliczenie warości entropii dla wskazanej kolumny
+    """
+    values, counts = np.unique(target_col, return_counts=True)
+    entropy = np.sum(
+        [(-counts[i] / np.sum(counts)) * np.log2(counts[i] / np.sum(counts)) for i in range(len(values))])
+    return entropy
+
+
+def info_gain(data, split_attribute_name, target_name="label"):
+    """
+    Obliczenie wartości przyrostu informacji dla wskazanego atrybutu (split_attribute_name)
+     w podanym zbiorze (data)
+    """
+
+    # Wartość entropii zbioru
+    total_entropy = entropy(data[target_name])
+
+    # Wyodrębnienie poszczególnych "podzbiorów"
+    vals, counts = np.unique(data[split_attribute_name], return_counts=True)
+
+    # Średnia ważona entropii każdego podzbioru
+    weighted_entropy = np.sum(
+        [(counts[i] / np.sum(counts)) * entropy(data.where(data[split_attribute_name] == vals[i]).dropna()[target_name])
+         for i in range(len(vals))])
+
+    # Przyrost informacji
+    information_gain = total_entropy - weighted_entropy
+
+    return information_gain
+
+
+def ID3(data, original_data, features, target_attribute_name="label", parent_node_class=None):
+    """
+    Algorytm ID3
+
+    parametry:
+        data                    zbiór danych, dla którego poszukujemy drzewa decyzyjnego
+        original_data           oryginalny zbiór danych (zwracany gdy data == None)
+        features                lista atrybutów wejściowego zbioru
+        target_attribute_name   docelowy atrybut, który chcemy przewidzieć
+        parent_node_class       nadrzędna wartość
+    """
+
+    # Jeżeli wszystkie atrybuty są takie same, zwracamy liść z pierwszą napotkaną wartością
+
+    if len(np.unique(data[target_attribute_name])) <= 1:
+        return np.unique(data[target_attribute_name])[0]
+
+    elif len(data) == 0:
+        return np.unique(original_data[target_attribute_name])[
+            np.argmax(np.unique(original_data[target_attribute_name], return_counts=True)[1])]
+
+    elif len(features) == 0:
+        return parent_node_class
+
+    else:
+
+        # Aktualizacja nadrzędnej wartości
+        parent_node_class = np.unique(data[target_attribute_name])[
+            np.argmax(np.unique(data[target_attribute_name], return_counts=True)[1])]
+
+        # Obliczenie przyrostu informacji dla każdego potencjalnego atrybutu,
+        # według którego nastąpi podział zbioru
+        item_values = [info_gain(data, feature, target_attribute_name) for feature in
+                       features]
+
+        # Najlepszym atrybutem jest ten o największym przyroście informacji
+        best_feature_index = np.argmax(item_values)
+        best_feature = features[best_feature_index]
+
+        # Struktura drzewa
+        tree = {best_feature: {}}
+
+        # Aktualizacja zbioru atrybutów
+        features = [i for i in features if i != best_feature]
+
+        # Dla każdej wartości wybranego atrybutu budujemy kolejne poddrzewo
+        for value in np.unique(data[best_feature]):
+
+            sub_data = data.where(data[best_feature] == value).dropna()
+            subtree = ID3(sub_data, data, features, target_attribute_name, parent_node_class)
+
+            tree[best_feature][value] = subtree
+
+        return (tree)
+
+
+def predict(query, tree, default='none'):
+    """
+    Przeszukiwanie drzewa w celu przewidzenia wartości atrybutu "label".
+    W przypadku, gdy dane wejściowe nie pokrywają się z żadnymi wartościami w drzewie
+    (np pH ziemi zostanie sklasyfikowane jako 'strongly acidic', a dane uczące nie obejmują rekordów dla takiej wartości),
+    wówczas przewidywana zostaje wartość domyślna.
+    """
+
+    for key in list(query.keys()):
+        if key in list(tree.keys()):
+            try:
+                result = tree[key][query[key]]
+            except:
+                return default
+            result = tree[key][query[key]]
+            if isinstance(result, dict):
+                return predict(query, result)
+
+            else:
+                return result
+
+
+def test(data, tree):
+    # Wartości docelowych atrybutów (nazwy warzyw) zostają usunięte
+    queries = data.iloc[:, :-1].to_dict(orient="records")
+
+    # Przewidywane wartości atrybutów
+    predicted = pd.DataFrame(columns=["predicted"])
+
+    # Obliczenie precyzji przewidywań
+    for i in range(len(data)):
+        predicted.loc[i, "predicted"] = predict(queries[i], tree, 'mushroom')
+    print('Precyzja przewidywań: ', (np.sum(predicted["predicted"] == data["label"]) / len(data)) * 100, '%')
+
+
+def predict_data(data):
+    """
+    Funkcja dostosowana do formatu danych, jakimi dysponuje traktor
+    'data' jest tutaj listą, która zostaje przekonwertowana do postaci słownika,
+    aby możliwe było wywołanie procedury 'predict'.
+    Wyniki zostają zwrócone w postaci listy.
+    """
+    parse_data = [[data[0], categorize_pH(data[1]), categorize_dry_level(data[2]), '']]
+    #print(parse_data)
+
+    queries = pd.DataFrame(data=parse_data, columns=dataset.header)
+    predicted = pd.DataFrame(columns=["predicted"])
+    dict = queries.iloc[:, :-1].to_dict(orient="records")
+
+    for i in range(len(parse_data)):
+        predicted.loc[i, "predicted"] = predict(dict[i], tree, 'mushroom')
+
+    predicted_list = predicted.values.tolist()
+    print("Planted: ", predicted_list[0][0])
+    return predicted_list[0][0]
+
+
+def categorize_pH(pH):
+    if pH <= 4.5:
+        return 'strongly acidic'
+    if 4.5 < pH <= 5.5:
+        return 'acidic'
+    if 5.5 < pH <= 6.5:
+        return 'slightly acidic'
+    if 6.5 < pH <= 7.2:
+        return 'neutral'
+    if 7.2 < pH:
+        return 'alkaline'
+
+
+def categorize_dry_level(dry_level):
+    if dry_level <= 0.1:
+        return 'soaking wet'
+    if 0.1 < dry_level <= 0.4:
+        return 'wet'
+    if 0.4 < dry_level <= 0.6:
+        return 'medium wet'
+    if 0.6 < dry_level <= 0.8:
+        return 'dry'
+    if 0.8 < dry_level:
+        return 'very dry'
+
+
+# tworzenie, wyświetlanie i testowanie drzewa
+
+tree = ID3(training_data, training_data, training_data.columns[:-1])
+#pprint(tree)
+#test(testing_data, tree)

README.md

@@ -1,5 +1,8 @@
 # AIProjekt
 
+## Final
+[final-evaluation](final-evaluation.md)
+
 ## Spis treści
 * [Uruchomienie](#uruchomienie)
 * [Wykrywanie roślin](#wykrywanie-roślin)

beetroot.py

@@ -1,38 +0,0 @@
-from plant import Plant
-from datetime import datetime
-
-class Beetroot(Plant):
-    
-    def __init__(self):
-        super().__init__()
-        self._wasFertilized = False #roslina nie byla nawozona przy tworzeniu
-
-    def add_soil(self, soil):
-        super().add_soil()
-        self._starttime = datetime.now()
-
-    #zwraca czy zbierać rośline
-    def collect(self):
-        if self.have_soil():
-            self.__growing()
-            if self._collect < 95:
-                return 'False'
-            elif 95 <= self._collect <= 115:
-                return 'True'
-            elif self._collect > 115:
-                return 'Delete'
-
-    #zwraca czy nawozić
-    def fertillizing(self):
-        if 35 <= self._collect <= 50:
-            return True
-        else:
-            return False
-        
-    #każde iles czasu zwieksza wzrost rosliny, wywolywana w momencie sprawdzania czy roslina jest gotowa do zbiorow
-    def __growing(self):
-        checktime = datetime.now()
-        delta = checktime - self._starttime
-        a = delta // 40
-        self._collect += a
-        self._starttime = checktime

cabbage.py

@@ -1,38 +0,0 @@
-from plant import Plant
-from datetime import datetime
-
-class Cabbage(Plant):
-    
-    def __init__(self):
-        super().__init__()
-        self._wasFertilized = False #roslina nie byla nawozona przy tworzeniu
-
-    def add_soil(self, soil):
-        super().add_soil()
-        self._starttime = datetime.now()
-
-    #zwraca czy zbierać rośline
-    def collect(self):
-        if self.have_soil():
-            self.__growing()
-            if self._collect < 85:
-                return 'False'
-            elif 85 <= self._collect <= 100:
-                return 'True'
-            elif self._collect > 100:
-                return 'Delete'
-
-    #zwraca czy nawozić
-    def fertillizing(self):
-        if 30 <= self._collect <= 45:
-            return True
-        else:
-            return False
-        
-    #każde iles czasu zwieksza wzrost rosliny, wywolywana w momencie sprawdzania czy roslina jest gotowa do zbiorow
-    def __growing(self):
-        checktime = datetime.now()
-        delta = checktime - self._starttime
-        a = delta // 70
-        self._collect += a
-        self._starttime = checktime

carrot.py

@@ -1,38 +0,0 @@
-from plant import Plant
-from datetime import datetime
-
-class Carrot(Plant):
-    
-    def __init__(self, name, ID):
-        super().__init__(name, ID)
-        self._wasFertilized = False #roslina nie byla nawozona przy tworzeniu
-
-    def add_soil(self, soil):
-        super().add_soil()
-        self._starttime = datetime.now()
-
-    #zwraca czy zbierać rośline
-    def collect(self):
-        if self.have_soil():
-            self.__growing()
-            if self._collect < 90:
-                return 'False'
-            elif 90 <= self._collect <= 105:
-                return 'True'
-            elif self._collect > 105:
-                return 'Delete'
-
-    #zwraca czy nawozić
-    def fertillizing(self):
-        if 30 <= self._collect <= 50:
-            return True
-        else:
-            return False
-        
-    #każde iles czasu zwieksza wzrost rosliny, wywolywana w momencie sprawdzania czy roslina jest gotowa do zbiorow
-    def __growing(self):
-        checktime = datetime.now()
-        delta = checktime - self._starttime
-        a = delta // 60
-        self._collect += a
-        self._starttime = checktime

data.csv

@@ -0,0 +1,209 @@
+PLANT,HUMIDITY,GROWTH,DRYNESS,DEC
+CAULIFLOWER,43,94,4,YES
+CABBAGE,17,99,9,NO
+CABBAGE,25,106,11,NO
+CABBAGE,47,118,17,NO
+CABBAGE,22,103,19,NO
+CABBAGE,55,112,20,NO
+CABBAGE,13,110,22,NO
+CABBAGE,20,100,22,NO
+CABBAGE,11,113,25,NO
+CABBAGE,55,95,26,NO
+CABBAGE,12,109,27,NO
+CABBAGE,18,119,28,NO
+CABBAGE,29,90,29,NO
+CAULIFLOWER,23,99,30,NO
+MUSHROOM,53,94,30,NO
+CAULIFLOWER,28,120,31,NO
+MUSHROOM,29,91,34,NO
+CAULIFLOWER,34,121,34,NO
+CAULIFLOWER,33,110,36,NO
+MUSHROOM,52,102,36,NO
+CAULIFLOWER,52,116,36,NO
+CAULIFLOWER,26,118,37,NO
+MUSHROOM,59,112,41,NO
+MUSHROOM,51,90,42,NO
+MUSHROOM,22,91,43,NO
+CAULIFLOWER,62,114,43,NO
+CAULIFLOWER,78,97,43,NO
+MUSHROOM,60,92,44,NO
+CAULIFLOWER,88,112,44,NO
+CAULIFLOWER,12,111,45,NO
+CAULIFLOWER,53,113,48,NO
+CAULIFLOWER,68,104,51,NO
+MUSHROOM,7,117,52,NO
+CAULIFLOWER,51,113,54,NO
+PUMPKIN,20,89,69,YES
+CAULIFLOWER,16,102,55,NO
+PUMPKIN,21,63,23,YES
+MUSHROOM,13,111,56,NO
+CAULIFLOWER,22,95,57,NO
+MUSHROOM,8,104,58,NO
+PUMPKIN,23,26,19,YES
+CAULIFLOWER,58,106,62,NO
+PUMPKIN,24,68,7,YES
+PUMPKIN,25,66,96,NO
+CAULIFLOWER,55,99,63,NO
+MUSHROOM,74,104,67,NO
+PUMPKIN,28,34,68,YES
+CAULIFLOWER,57,102,68,NO
+PUMPKIN,29,29,61,YES
+PUMPKIN,46,90,70,NO
+CABBAGE,46,93,70,NO
+CAULIFLOWER,29,105,71,NO
+PUMPKIN,30,28,31,YES
+MUSHROOM,30,67,24,YES
+PUMPKIN,30,96,30,NO
+CABBAGE,30,89,30,YES
+CABBAGE,31,62,40,YES
+PUMPKIN,31,65,34,YES
+MUSHROOM,31,81,17,YES
+MUSHROOM,31,89,29,YES
+MUSHROOM,32,20,19,YES
+CABBAGE,32,25,50,YES
+MUSHROOM,32,90,22,NO
+MUSHROOM,32,56,7,YES
+CABBAGE,33,15,50,YES
+MUSHROOM,33,32,14,YES
+PUMPKIN,33,47,59,YES
+PUMPKIN,19,99,72,NO
+MUSHROOM,33,63,30,NO
+CABBAGE,33,65,64,YES
+CABBAGE,34,27,44,YES
+CABBAGE,34,44,93,NO
+MUSHROOM,34,44,22,YES
+PUMPKIN,51,99,72,NO
+CABBAGE,34,56,70,NO
+MUSHROOM,34,56,18,YES
+CABBAGE,35,21,63,YES
+PUMPKIN,35,42,48,YES
+CAULIFLOWER,35,74,12,YES
+PUMPKIN,35,76,71,NO
+CAULIFLOWER,36,58,28,YES
+CABBAGE,36,57,54,YES
+CAULIFLOWER,36,72,84,NO
+CAULIFLOWER,36,83,71,NO
+CABBAGE,36,67,64,YES
+PUMPKIN,36,82,53,YES
+CABBAGE,37,47,57,YES
+MUSHROOM,37,59,13,YES
+CAULIFLOWER,37,40,15,YES
+CAULIFLOWER,37,69,16,YES
+CABBAGE,37,63,60,YES
+PUMPKIN,37,72,46,YES
+CABBAGE,38,62,79,NO
+CAULIFLOWER,38,98,12,NO
+CAULIFLOWER,38,59,22,YES
+PUMPKIN,38,73,56,YES
+CABBAGE,38,74,52,YES
+PUMPKIN,38,90,39,NO
+MUSHROOM,38,78,9,YES
+CABBAGE,39,86,64,NO
+PUMPKIN,39,31,45,YES
+PUMPKIN,39,102,53,NO
+CAULIFLOWER,39,49,14,YES
+CAULIFLOWER,39,54,81,NO
+CABBAGE,39,87,57,NO
+CABBAGE,40,8,32,YES
+PUMPKIN,40,57,63,YES
+CABBAGE,40,92,61,NO
+CAULIFLOWER,40,52,27,YES
+PUMPKIN,41,8,29,YES
+CABBAGE,41,25,48,YES
+CABBAGE,41,43,51,YES
+CABBAGE,41,52,60,YES
+CAULIFLOWER,41,20,24,YES
+MUSHROOM,41,83,25,YES
+CABBAGE,41,85,37,YES
+CABBAGE,42,64,41,YES
+MUSHROOM,42,66,26,YES
+CABBAGE,42,69,59,YES
+CAULIFLOWER,42,38,9,YES
+MUSHROOM,43,15,9,YES
+MUSHROOM,43,93,22,NO
+CABBAGE,43,60,38,YES
+PUMPKIN,43,78,43,YES
+CAULIFLOWER,43,29,18,YES
+CAULIFLOWER,43,96,20,NO
+CAULIFLOWER,43,84,4,YES
+CABBAGE,61,130,72,NO
+CABBAGE,44,59,31,YES
+PUMPKIN,44,64,44,YES
+CAULIFLOWER,44,62,19,YES
+CABBAGE,45,35,69,YES
+MUSHROOM,45,65,27,YES
+MUSHROOM,45,71,2,YES
+PUMPKIN,45,83,57,YES
+CAULIFLOWER,45,31,26,YES
+CAULIFLOWER,45,61,10,YES
+CAULIFLOWER,45,76,85,NO
+MUSHROOM,46,48,24,YES
+MUSHROOM,10,96,73,NO
+CABBAGE,62,123,74,NO
+MUSHROOM,47,37,16,YES
+MUSHROOM,47,42,41,NO
+CAULIFLOWER,47,50,11,YES
+PUMPKIN,11,99,75,NO
+CABBAGE,16,98,75,NO
+MUSHROOM,48,77,12,YES
+CABBAGE,48,106,75,NO
+CAULIFLOWER,48,32,23,YES
+CAULIFLOWER,48,44,19,YES
+CAULIFLOWER,48,98,14,NO
+CABBAGE,8,124,76,NO
+MUSHROOM,49,64,4,YES
+PUMPKIN,59,114,76,NO
+PUMPKIN,50,119,77,NO
+CABBAGE,55,116,77,NO
+MUSHROOM,50,74,21,YES
+CAULIFLOWER,50,47,25,YES
+CABBAGE,53,117,78,NO
+PUMPKIN,55,91,78,NO
+PUMPKIN,49,91,79,NO
+CABBAGE,56,125,79,NO
+MUSHROOM,57,95,79,NO
+PUMPKIN,8,123,80,NO
+MUSHROOM,16,99,80,NO
+PUMPKIN,55,93,80,NO
+CABBAGE,60,99,80,NO
+MUSHROOM,13,114,81,NO
+CAULIFLOWER,20,100,81,NO
+CABBAGE,49,100,81,NO
+PUMPKIN,54,92,81,NO
+CABBAGE,10,94,83,NO
+PUMPKIN,17,91,83,NO
+CAULIFLOWER,17,95,84,NO
+PUMPKIN,53,92,84,NO
+MUSHROOM,65,110,85,NO
+PUMPKIN,73,101,85,NO
+PUMPKIN,18,102,88,NO
+PUMPKIN,47,120,88,NO
+PUMPKIN,48,102,89,NO
+MUSHROOM,60,98,89,NO
+CABBAGE,68,120,89,NO
+CABBAGE,58,16,26,NO
+MUSHROOM,53,107,90,NO
+CABBAGE,8,92,92,NO
+MUSHROOM,11,97,92,NO
+PUMPKIN,14,98,92,NO
+CAULIFLOWER,58,103,92,NO
+CABBAGE,59,131,92,NO
+PUMPKIN,57,104,93,NO
+MUSHROOM,67,97,93,NO
+CABBAGE,3,107,94,NO
+PUMPKIN,17,104,94,NO
+PUMPKIN,17,94,96,NO
+CABBAGE,56,101,96,NO
+PUMPKIN,58,95,97,NO
+MUSHROOM,80,93,97,NO
+PUMPKIN,10,105,99,NO
+PUMPKIN,50,121,99,NO
+PUMPKIN,9,97,100,NO
+PUMPKIN,12,95,102,NO
+PUMPKIN,16,97,103,NO
+PUMPKIN,60,107,107,NO
+PUMPKIN,58,107,109,NO
+PUMPKIN,13,96,111,NO
+PUMPKIN,61,111,113,NO
+PUMPKIN,49,110,116,NO
+PUMPKIN,64,112,120,NO

data/data.csv

@@ -0,0 +1,209 @@
+PLANT,FEED,GROWTH,DRYNESS,DEC
+BEETROOT,43,94,4,YES
+CABBAGE,17,99,9,NO
+CABBAGE,25,106,11,NO
+CABBAGE,47,118,17,NO
+CABBAGE,22,103,19,NO
+CABBAGE,55,112,20,NO
+CABBAGE,13,110,22,NO
+CABBAGE,20,100,22,NO
+CABBAGE,11,113,25,NO
+CABBAGE,55,95,26,NO
+CABBAGE,12,109,27,NO
+CABBAGE,18,119,28,NO
+CABBAGE,29,90,29,NO
+BEETROOT,23,99,30,NO
+CARROT,53,94,30,NO
+BEETROOT,28,120,31,NO
+CARROT,29,91,34,NO
+BEETROOT,34,121,34,NO
+BEETROOT,33,110,36,NO
+CARROT,52,102,36,NO
+BEETROOT,52,116,36,NO
+BEETROOT,26,118,37,NO
+CARROT,59,112,41,NO
+CARROT,51,90,42,NO
+CARROT,22,91,43,NO
+BEETROOT,62,114,43,NO
+BEETROOT,78,97,43,NO
+CARROT,60,92,44,NO
+BEETROOT,88,112,44,NO
+BEETROOT,12,111,45,NO
+BEETROOT,53,113,48,NO
+BEETROOT,68,104,51,NO
+CARROT,7,117,52,NO
+BEETROOT,51,113,54,NO
+PUMPKIN,20,89,69,YES
+BEETROOT,16,102,55,NO
+PUMPKIN,21,63,23,YES
+CARROT,13,111,56,NO
+BEETROOT,22,95,57,NO
+CARROT,8,104,58,NO
+PUMPKIN,23,26,19,YES
+BEETROOT,58,106,62,NO
+PUMPKIN,24,68,7,YES
+PUMPKIN,25,66,96,NO
+BEETROOT,55,99,63,NO
+CARROT,74,104,67,NO
+PUMPKIN,28,34,68,YES
+BEETROOT,57,102,68,NO
+PUMPKIN,29,29,61,YES
+PUMPKIN,46,90,70,NO
+CABBAGE,46,93,70,NO
+BEETROOT,29,105,71,NO
+PUMPKIN,30,28,31,YES
+CARROT,30,67,24,YES
+PUMPKIN,30,96,30,NO
+CABBAGE,30,89,30,YES
+CABBAGE,31,62,40,YES
+PUMPKIN,31,65,34,YES
+CARROT,31,81,17,YES
+CARROT,31,89,29,YES
+CARROT,32,20,19,YES
+CABBAGE,32,25,50,YES
+CARROT,32,90,22,NO
+CARROT,32,56,7,YES
+CABBAGE,33,15,50,YES
+CARROT,33,32,14,YES
+PUMPKIN,33,47,59,YES
+PUMPKIN,19,99,72,NO
+CARROT,33,63,30,NO
+CABBAGE,33,65,64,YES
+CABBAGE,34,27,44,YES
+CABBAGE,34,44,93,NO
+CARROT,34,44,22,YES
+PUMPKIN,51,99,72,NO
+CABBAGE,34,56,70,NO
+CARROT,34,56,18,YES
+CABBAGE,35,21,63,YES
+PUMPKIN,35,42,48,YES
+BEETROOT,35,74,12,YES
+PUMPKIN,35,76,71,NO
+BEETROOT,36,58,28,YES
+CABBAGE,36,57,54,YES
+BEETROOT,36,72,84,NO
+BEETROOT,36,83,71,NO
+CABBAGE,36,67,64,YES
+PUMPKIN,36,82,53,YES
+CABBAGE,37,47,57,YES
+CARROT,37,59,13,YES
+BEETROOT,37,40,15,YES
+BEETROOT,37,69,16,YES
+CABBAGE,37,63,60,YES
+PUMPKIN,37,72,46,YES
+CABBAGE,38,62,79,NO
+BEETROOT,38,98,12,NO
+BEETROOT,38,59,22,YES
+PUMPKIN,38,73,56,YES
+CABBAGE,38,74,52,YES
+PUMPKIN,38,90,39,NO
+CARROT,38,78,9,YES
+CABBAGE,39,86,64,NO
+PUMPKIN,39,31,45,YES
+PUMPKIN,39,102,53,NO
+BEETROOT,39,49,14,YES
+BEETROOT,39,54,81,NO
+CABBAGE,39,87,57,NO
+CABBAGE,40,8,32,YES
+PUMPKIN,40,57,63,YES
+CABBAGE,40,92,61,NO
+BEETROOT,40,52,27,YES
+PUMPKIN,41,8,29,YES
+CABBAGE,41,25,48,YES
+CABBAGE,41,43,51,YES
+CABBAGE,41,52,60,YES
+BEETROOT,41,20,24,YES
+CARROT,41,83,25,YES
+CABBAGE,41,85,37,YES
+CABBAGE,42,64,41,YES
+CARROT,42,66,26,YES
+CABBAGE,42,69,59,YES
+BEETROOT,42,38,9,YES
+CARROT,43,15,9,YES
+CARROT,43,93,22,NO
+CABBAGE,43,60,38,YES
+PUMPKIN,43,78,43,YES
+BEETROOT,43,29,18,YES
+BEETROOT,43,96,20,NO
+BEETROOT,43,84,4,YES
+CABBAGE,61,130,72,NO
+CABBAGE,44,59,31,YES
+PUMPKIN,44,64,44,YES
+BEETROOT,44,62,19,YES
+CABBAGE,45,35,69,YES
+CARROT,45,65,27,YES
+CARROT,45,71,2,YES
+PUMPKIN,45,83,57,YES
+BEETROOT,45,31,26,YES
+BEETROOT,45,61,10,YES
+BEETROOT,45,76,85,NO
+CARROT,46,48,24,YES
+CARROT,10,96,73,NO
+CABBAGE,62,123,74,NO
+CARROT,47,37,16,YES
+CARROT,47,42,41,NO
+BEETROOT,47,50,11,YES
+PUMPKIN,11,99,75,NO
+CABBAGE,16,98,75,NO
+CARROT,48,77,12,YES
+CABBAGE,48,106,75,NO
+BEETROOT,48,32,23,YES
+BEETROOT,48,44,19,YES
+BEETROOT,48,98,14,NO
+CABBAGE,8,124,76,NO
+CARROT,49,64,4,YES
+PUMPKIN,59,114,76,NO
+PUMPKIN,50,119,77,NO
+CABBAGE,55,116,77,NO
+CARROT,50,74,21,YES
+BEETROOT,50,47,25,YES
+CABBAGE,53,117,78,NO
+PUMPKIN,55,91,78,NO
+PUMPKIN,49,91,79,NO
+CABBAGE,56,125,79,NO
+CARROT,57,95,79,NO
+PUMPKIN,8,123,80,NO
+CARROT,16,99,80,NO
+PUMPKIN,55,93,80,NO
+CABBAGE,60,99,80,NO
+CARROT,13,114,81,NO
+BEETROOT,20,100,81,NO
+CABBAGE,49,100,81,NO
+PUMPKIN,54,92,81,NO
+CABBAGE,10,94,83,NO
+PUMPKIN,17,91,83,NO
+BEETROOT,17,95,84,NO
+PUMPKIN,53,92,84,NO
+CARROT,65,110,85,NO
+PUMPKIN,73,101,85,NO
+PUMPKIN,18,102,88,NO
+PUMPKIN,47,120,88,NO
+PUMPKIN,48,102,89,NO
+CARROT,60,98,89,NO
+CABBAGE,68,120,89,NO
+CABBAGE,58,16,26,NO
+CARROT,53,107,90,NO
+CABBAGE,8,92,92,NO
+CARROT,11,97,92,NO
+PUMPKIN,14,98,92,NO
+BEETROOT,58,103,92,NO
+CABBAGE,59,131,92,NO
+PUMPKIN,57,104,93,NO
+CARROT,67,97,93,NO
+CABBAGE,3,107,94,NO
+PUMPKIN,17,104,94,NO
+PUMPKIN,17,94,96,NO
+CABBAGE,56,101,96,NO
+PUMPKIN,58,95,97,NO
+CARROT,80,93,97,NO
+PUMPKIN,10,105,99,NO
+PUMPKIN,50,121,99,NO
+PUMPKIN,9,97,100,NO
+PUMPKIN,12,95,102,NO
+PUMPKIN,16,97,103,NO
+PUMPKIN,60,107,107,NO
+PUMPKIN,58,107,109,NO
+PUMPKIN,13,96,111,NO
+PUMPKIN,61,111,113,NO
+PUMPKIN,49,110,116,NO
+PUMPKIN,64,112,120,NO

data/dataset.py

@@ -0,0 +1,71 @@
+header = ['previous', 'soil pH', 'dry level', 'label']
+
+training_data = [
+    ['mushroom', 'alkaline', 'dry', 'cauliflower'],
+    ['mushroom', 'slightly acidic', 'dry', 'cauliflower'],
+    ['cabbage', 'alkaline', 'dry', 'cauliflower'],
+    ['none', 'alkaline', 'dry', 'cauliflower'],
+    ['mushroom', 'slightly acidic', 'medium wet', 'cauliflower'],
+    ['none', 'slightly acidic', 'dry', 'cauliflower'],
+    ['pumpkin', 'neutral', 'dry', 'cauliflower'],
+    ['cauliflower', 'neutral', 'dry', 'cauliflower'],
+    ['cabbage', 'alkaline', 'medium wet', 'cauliflower'],
+    ['none', 'slightly acidic', 'medium wet', 'cauliflower'],
+    ['cabbage', 'acidic', 'dry', 'mushroom'],
+    ['none', 'acidic', 'medium wet', 'mushroom'],
+    ['mushroom', 'neutral', 'dry', 'mushroom'],
+    ['cauliflower', 'slightly acidic', 'dry', 'mushroom'],
+    ['pumpkin', 'acidic', 'medium wet', 'mushroom'],
+    ['cauliflower', 'acidic', 'medium wet', 'mushroom'],
+    ['mushroom', 'neutral', 'dry', 'mushroom'],
+    ['pumpkin', 'slightly acidic', 'medium wet', 'mushroom'],
+    ['cauliflower', 'neutral', 'wet', 'pumpkin'],
+    ['none', 'neutral', 'wet', 'pumpkin'],
+    ['mushroom', 'slightly acidic', 'wet', 'pumpkin'],
+    ['pumpkin', 'neutral', 'wet', 'pumpkin'],
+    ['cabbage', 'slightly acidic', 'medium wet', 'pumpkin'],
+    ['mushroom', 'neutral', 'wet', 'pumpkin'],
+    ['cabbage', 'neutral', 'wet', 'pumpkin'],
+    ['none', 'slightly acidic', 'wet', 'pumpkin'],
+    ['cauliflower', 'slightly acidic', 'medium wet', 'pumpkin'],
+    ['mushroom', 'neutral', 'medium wet', 'cabbage'],
+    ['pumpkin', 'alkaline', 'wet', 'cabbage'],
+    ['none', 'alkaline', 'medium wet', 'cabbage'],
+    ['cauliflower', 'neutral', 'medium wet', 'cabbage'],
+    ['cabbage', 'slightly acidic', 'wet', 'cabbage'],
+    ['none', 'neutral', 'medium wet', 'cabbage'],
+    ['cabbage', 'neutral', 'medium wet', 'cabbage'],
+    ['mushroom', 'alkaline', 'wet', 'cabbage'],
+    ['none', 'alkaline', 'wet', 'cabbage'],
+    ['pumpkin', 'neutral', 'medium wet', 'cabbage'],
+    ['mushroom', 'neutral', 'soaking wet', 'none'],
+    ['cauliflower', 'alkaline', 'very dry', 'none'],
+    ['none', 'alkaline', 'soaking wet', 'none'],
+    ['cabbage', 'acidic', 'medium wet', 'none'],
+    ['pumpkin', 'acidic', 'soaking wet', 'none'],
+    ['cabbage', 'slightly acidic', 'soaking wet', 'none'],
+    ['none', 'slightly acidic', 'soaking wet', 'none'],
+    ['mushroom', 'neutral', 'very dry', 'none'],
+    ['mushroom', 'acidic', 'medium wet', 'none'],
+    ['pumpkin', 'neutral', 'soaking wet', 'none']
+]
+
+testing_data = [
+
+    ['cauliflower', 'neutral', 'dry', 'cauliflower'],
+    ['cabbage', 'alkaline', 'medium wet', 'cauliflower'],
+    ['none', 'slightly acidic', 'medium wet', 'cauliflower'],
+    ['cabbage', 'acidic', 'dry', 'mushroom'],
+    ['none', 'acidic', 'medium wet', 'mushroom'],
+    ['mushroom', 'neutral', 'dry', 'mushroom'],
+    ['cauliflower', 'neutral', 'wet', 'pumpkin'],
+    ['none', 'neutral', 'wet', 'pumpkin'],
+    ['mushroom', 'slightly acidic', 'wet', 'pumpkin'],
+    ['mushroom', 'neutral', 'medium wet', 'cabbage'],
+    ['pumpkin', 'alkaline', 'wet', 'cabbage'],
+    ['none', 'alkaline', 'medium wet', 'cabbage'],
+    ['mushroom', 'neutral', 'soaking wet', 'none'],
+    ['cauliflower', 'alkaline', 'very dry', 'none'],
+    ['none', 'alkaline', 'soaking wet', 'none'],
+
+]

decisiontree.py

@@ -0,0 +1,51 @@
+import pandas as pd
+#NIE AKTULAIZOWAĆ scikit / sklearn
+from sklearn import tree
+from sklearn.tree import DecisionTreeClassifier
+from sklearn.tree.export import export_text
+from sklearn.tree import export_graphviz
+
+
+
+def decision(plant,humidity,growth,dryness):
+
+    # czytanie pliku csv 
+    df = pd.read_csv("./data.csv")
+    #print(df)
+    
+    #zmiana słów na cyfry, ponieważ drzewo decyzyjne opiera się na cyfrach
+    z = {'CABBAGE': 2, 'PUMPKIN':4, 'MUSHROOM':3, 'CAULIFLOWER': 1}
+    df['PLANT'] = df['PLANT'].map(z)
+
+    d = {'NO': 0, 'YES': 1}
+    df['DEC'] = df['DEC'].map(d)
+
+    #print(df)
+    
+    features_rest = ['PLANT','HUMIDITY','GROWTH','DRYNESS'] #dane, na których opiera się decyzja
+    features_dec = ['DEC'] #kolumna z decyją
+
+    X = df[features_rest]
+    y = df[features_dec]
+
+    #wyświetlkanie kolumn
+    #print(X)
+    #print(y)
+
+    #tworzenie drzewa
+    dtree = DecisionTreeClassifier()
+    #przypisanie danych
+    dtree = dtree.fit(X, y)
+    #eksport drzewa do tekstu
+    r = export_text(dtree, feature_names=features_rest)
+    #print("\nDrzewo decyzyjne\n")
+    #print(r)
+
+    a = dtree.predict([[plant,humidity,growth,dryness]])
+    #return a
+    #print("\n[1] means FEED THE PLANT")
+    #print("[0] means NOT FEED THE PLANT\n")
+    print ("Decision for: ",plant,", humidity: ", humidity,", growth: ", growth,", dryness:", dryness," is ", a,"\n")
+    
+
+

final-evaluation.md

@@ -0,0 +1,25 @@
+# Inteligentny traktor
+## Opis
+W finalnej wersji naszego projektu połączyliśmy wszyskie części w całość. Lista podprojektów:
+* Agata Lenz - decyzja o zebraniu i posadzeniu nowej rośliny,
+* Mikołaj Paterka - decyzja o nawozeniu rośliny,
+* Jakub Adamski - wykrywanie typu rośliny.
+
+## Działanie
+Traktorem mozemy sterować samodzielnie lub wybierając odpowiednie pola - planowanie ruchu. Agent poruszając się po planszy, polu, podejmuje następujące działania.
+1) Wykrywa typ rośliny na podstawie podanego zdjęcia;
+2) Podejmuje decyzję czy daną roślinę zebrać, jeśli tak sadzi równiez nową;
+3) Na podstawie między innymi danych o wilgotności gleby, podejmuje decyzję czy nawozić daną roślinę;
+
+Projekt spełnia zadane na początku załozenia oraz implementuje kazdy z podprojektów.
+
+## Zdjęcia
+
+Uruchomienie - wybór czy uzywamy planowania ruchu.
+
+![start](ss/final2.png)
+
+Działanie programu.<br>
+Posadzona nowa roślina - grzyb. Wykryta roślina na podstawie zdjęcia - grzyb (indeks 2 zaczynając od zera dla kategorii podanych ponizej). Roślina została nawieziona - wynik [1] na podstawie danych o statusie otoczenia i rośliny. 
+
+![dzialanie](ss/final1.png)

main.py

@@ -1,6 +1,8 @@
 import pygame, sys
 from traktor import Traktor
 import dijkstra as di
+import decisiontree as dt
+from ID3 import predict_data
 
 import matplotlib.pyplot as plt
 from tensorflow.keras.preprocessing import image
@@ -45,12 +47,16 @@ class Game(object):
 
         #ładowanie tablicy ze zdjeciami
         imgs = []
+        data_plant = []
+        data_soil = []
         img_dir = './imgs'
         for _ in lokalizacje:
+            data_plant.append([random.randrange(5, 90),random.randrange(0, 120),random.randrange(5, 90)])
+            data_soil.append([random.randrange(44, 75)/10, random.randrange(0, 100)/100])
             imgs.append(img_dir + '/' + random.choice(os.listdir(img_dir)))
 
         #model do rozpoznawania
-        model = load_model('moj_model.h5')
+        model = load_model('data/moj_model.h5')
 
         #inicjalizacja
         pygame.init()
@@ -122,7 +128,7 @@ class Game(object):
             pygame.display.update()
 
             #rysowanie
-            self.pole.fill((0,0,0))
+            self.pole.fill((157, 128, 48))
             self.krata()
             self.rysowanie()
             pygame.display.flip()
@@ -139,10 +145,35 @@ class Game(object):
                 #detektor roslin, 5 rezultatow
                 plt.imshow(img)
                 preds = model.predict(x)
+                list_of_preds = preds.tolist()[0]
+                index = list_of_preds.index(max(list_of_preds))
+                #print(index)
+
+                names = ['cabbage', 'cauliflower', 'mushroom', 'pumpkin']
+
+                # decyzja o posadzeniu nowej rośliny następuje wtedy, gdy jest ona dojrzała przynajmniej w 90%
+                if(data_plant[pt][1] > 90):
+
+                    new_plant = predict_data([names[index], data_soil[pt][0], data_soil[pt][1]])
+                    if(new_plant != 'none'):
+                        index = names.index(new_plant)
+                        imgs[pt] = img_dir + '/' + (os.listdir(img_dir))[index]
+                        data_plant[pt] = [0, 0, 50]
+                else:
+                    print("Planted: none")
+
+                if index == 0:
+                    dt.decision(4, data_plant[pt][0],data_plant[pt][1],data_plant[pt][2])
+                if index == 1:
+                    dt.decision(1, data_plant[pt][0],data_plant[pt][1],data_plant[pt][2])
+                if index == 2:
+                    dt.decision(2, data_plant[pt][0],data_plant[pt][1],data_plant[pt][2])
+                if index == 3:
+                    dt.decision(3, data_plant[pt][0],data_plant[pt][1],data_plant[pt][2])
+
                 print("kapusta, kalafior, grzyb, dynia\n {}\n".format(preds) )
                 plt.show()
 
-
     def krata(self):
         #wymiary
         w= 500

plant.py

@@ -1,65 +0,0 @@
-from abc import ABC, abstractmethod
-
-class Plant:
-
-    #tworzymy jakas rosline co ma nazwe,i id. ID powiedzmy ze buraki beda mialy 1, marchewki 2 itd. gleby powiedzmy tez damy 4 i beda mialy id 5-8
-    def __init__(self, name, ID):
-        super().__init__()
-        self._soil = -1 #jak tworzymy rosline to nie bedzie ona miala gleby
-        self._name = name #to nazwa rosliny będzie np. burak1
-        self._id = ID #id rosliny buraki bedą mialy 1, i po tym inne obiekty beda rozpoznawac ten obiekt
-        self._collect = 0 #nowa roslina jest w 0% dojrzala
-
-    #to jest jakbysmy usuneli obiekt. zabezpieczenie, zeby gleba pozniej byla wolna
-    def __del__(self):
-        self.leave_soil()
-
-    #to sie drukuje jak zapytamy o stworzony obiekt
-    def __str__(self):
-        return f'Plant: {self._name}, Soil: {self._soil}, Status: {self.collect()}'
-
-    #metoda abstrakcyjna, kazda roslina ma inny czas rosniecia wiec pass
-    @abstractmethod
-    def collect(self):
-        pass
-    
-    @abstractmethod
-    def fertillizing(self):
-        pass
-    
-    @abstractmethod
-    def growing(self):
-        pass
-
-    #pobieramy wspolrzedne roslinki
-    def get_coordinates(self):
-        if self.have_soil():
-            a = self.get_soil()
-            a.get_coordinates(self) #get coordinates jest metoda w glebie
-
-    #pobieramy id roślinki
-    def get_id(self):
-        return self._id
-
-    #dodajemy glebe
-    def add_soil(self, soil):
-        self._soil = soil
-
-    #zwraca czy roslinka znajduje sie w ziemii obecnie - jak nie ma gleby to znaczy ze nie jest zasadzona jeszcze albo już.
-    def have_soil(self):
-        return self._soil is not -1
-    
-    #pobieramy jaka ma glebe, gleba tutaj będzie obiektem
-    def get_soil(self):
-        return self._soil
-
-    #to w przypadku jak bedziemy wyciagac z ziemii roslinke
-    def leave_soil(self):
-        if self.have_soil():
-            a = self.get_soil()
-            a.plant_remove() #to bedzie metoda w klasie Soil, bedzie usuwac roslinke z gleby
-            self._soil = -1
-            
-    
-
-

pumpkin.py

@@ -1,38 +0,0 @@
-from plant import Plant
-from datetime import datetime
-
-class Pumpkin(Plant):
-    
-    def __init__(self):
-        super().__init__()
-        self._wasFertilized = False #roslina nie byla nawozona przy tworzeniu
-
-    def add_soil(self, soil):
-        super().add_soil()
-        self._starttime = datetime.now()
-
-    #zwraca czy zbierać rośline
-    def collect(self):
-        if self.have_soil():
-            self.__growing()
-            if self._collect < 90:
-                return 'False'
-            elif 90 <= self._collect <= 110:
-                return 'True'
-            elif self._collect > 110:
-                return 'Delete'
-
-    #zwraca czy nawozić
-    def fertillizing(self):
-        if 20 <= self._collect <= 45:
-            return True
-        else:
-            return False
-        
-    #każde iles czasu zwieksza wzrost rosliny, wywolywana w momencie sprawdzania czy roslina jest gotowa do zbiorow
-    def __growing(self):
-        checktime = datetime.now()
-        delta = checktime - self._starttime
-        a = delta // 50
-        self._collect += a
-        self._starttime = checktime

raporty/adamski_raport.md

@@ -22,8 +22,8 @@ Klasyfikator działa w głównej pętli while w pliku main.py. Uruchamia się gd
 Gdy klasyfikator zakończy swoje działanie, w konsoli pojawia się najbardziej prawdopodobny obiekt znajdujący się na zdjęciu. Zdjęcie pojawia się w osobnym oknie. Po zamknięciu okna mozemy kontynuować sterowanie traktorem za pomocą strzałek.
 
 ## Działanie
-![uczenie](ss/adamski2.png) <br>
-![dzialanie](ss/adamski1.png)
+![uczenie](../ss/adamski2.png) <br>
+![dzialanie](../ss/adamski1.png)
 
 ## Uruchomienie
 Instalacja tensorflow <br>

raporty/lenz_raport.md

@@ -0,0 +1,132 @@
+# Agata Lenz - drzewa decyzyjne, algorytm ID3
+
+## Wymagania
+Importowane biblioteki:
+* numpy
+* pandas
+
+## Opis podprojektu
+Podprojekt implementuje algorytm ID3 pozwalający wyznaczyć drzewo decyzyjne, przy użyciu którego agent (traktor) podejmie decyzję co posadzić w danym miejscu, na podstawie:
+* *previous* - gatunku rośliny, która poprzednio rosła w danym miejscu
+* *pH* - pH gleby
+* *dry_level* - suchości gleby
+
+## Uczenie modelu
+
+### Dane
+Dane uczące jak i testowe znajdują się w pliku data.py. Dane uczące są zapisane w postaci listy, której elementy to przykładowe dane w formacie ['previous', 'pH', 'dry_level', 'label'], gdzie *label* oznacza posadzoną w wymienionych warunkach roślinę.
+Łącznie zestaw uczący zawiera 47 elementów, a zestaw testowy - 15.
+
+Przykładowe elementy zestawu uczącego:
+```
+ ['pumpkin', 'neutral', 'dry', 'beetroot'],
+ ['none', 'neutral', 'wet', 'pumpkin'],
+ ['cabbage', 'alkaline', 'soaking wet', 'none']
+```
+
+### Implementacja algorytmu ID3
+
+Za budowę drzewa decyzyjnego odpowiada rekurencyjna funkcja *ID3(data, original_data, features, target_attribute_name="label", parent_node_class=None)*:
+
+```
+def ID3(data, original_data, features, target_attribute_name="label", parent_node_class=None):
+    """
+    Algorytm ID3
+
+    parametry:
+        data                    zbiór danych, dla którego poszukujemy drzewa decyzyjnego
+        original_data           oryginalny zbiór danych (zwracany gdy data == None)
+        features                lista atrybutów wejściowego zbioru
+        target_attribute_name   docelowy atrybut, który chcemy przewidzieć
+        parent_node_class       nadrzędna wartość
+    """
+
+    # Jeżeli wszystkie atrybuty są takie same, zwracamy liść z pierwszą napotkaną wartością
+
+    if len(np.unique(data[target_attribute_name])) <= 1:
+        return np.unique(data[target_attribute_name])[0]
+
+    elif len(data) == 0:
+        return np.unique(original_data[target_attribute_name])[
+            np.argmax(np.unique(original_data[target_attribute_name], return_counts=True)[1])]
+
+    elif len(features) == 0:
+        return parent_node_class
+
+    else:
+
+        # Aktualizacja nadrzędnej wartości
+        parent_node_class = np.unique(data[target_attribute_name])[
+            np.argmax(np.unique(data[target_attribute_name], return_counts=True)[1])]
+
+        # Obliczenie przyrostu informacji dla każdego potencjalnego atrybutu,
+        # według którego nastąpi podział zbioru
+        item_values = [info_gain(data, feature, target_attribute_name) for feature in
+                       features]
+
+        # Najlepszym atrybutem jest ten o największym przyroście informacji
+        best_feature_index = np.argmax(item_values)
+        best_feature = features[best_feature_index]
+
+        # Struktura drzewa
+        tree = {best_feature: {}}
+
+        # Aktualizacja zbioru atrybutów
+        features = [i for i in features if i != best_feature]
+
+        # Dla każdej wartości wybranego atrybutu budujemy kolejne poddrzewo
+        for value in np.unique(data[best_feature]):
+
+            sub_data = data.where(data[best_feature] == value).dropna()
+            subtree = ID3(sub_data, data, features, target_attribute_name, parent_node_class)
+
+            tree[best_feature][value] = subtree
+
+        return (tree)
+```
+
+Do obliczenia przyrostu informacji służy funkcja *info_gain(data, split_attribute_name, target_name="label")*, która dla wejściowego zestawu danych (*data*), oblicza jego entropię oraz średnią ważoną entropii każdego podzestawu (wyznaczanego przez unikalne wartości atrybutu *split_attribute_name*):
+
+```
+def info_gain(data, split_attribute_name, target_name="label"):
+
+    total_entropy = entropy(data[target_name])
+    vals, counts = np.unique(data[split_attribute_name], return_counts=True)
+
+    weighted_entropy = np.sum(
+        [(counts[i] / np.sum(counts)) * entropy(data.where(data[split_attribute_name] == vals[i]).dropna()[target_name])
+         for i in range(len(vals))])
+
+    information_gain = total_entropy - weighted_entropy
+
+    return information_gain
+```
+
+## Implementacja w projekcie głównym
+
+Funkcja, z której będzie korzystał traktor, aby podjąć decyzję o posadzeniu rośliny, to *def decide_to_plant(soil)*
+
+```
+def decide_to_plant(soil):
+
+    if soil.have_plant():
+        plant = soil.get_plant()
+        if plant.collect() == 'True':
+            info = get_info(soil)
+            plant.leave_soil()
+        else:
+            return [['none']]
+    else:
+        info = get_info(soil)
+
+    data = []
+    data.append(info)
+
+    predicted = predict_data(data)
+    grow_a_plant(soil,predicted[0][0])
+
+    return predicted
+```
+Pierwszym krokiem jest sprawdzenie, czy w danej ziemi już coś rośnie - jeżeli jest to roślina dojrzała, zostaje ona zebrana, a jej nazwa staje się wartością atrybutu *previous*. Jeżeli nie, nie przewiduje się sadzenia w tym miejscu żadnej rośliny w danym momencie.
+Funkcja *get_info(soil)* zwraca listę parametrów obiektu *Soil*, potrzebną do poszukiwań w drzewie decyzyjnym.
+W pliku *dataset.py* znajduje się funkcja *create_data_soil()* pozwalająca przetestować działanie algorytmu na obiektach typu *Soil*

raporty/route-planning.md

@@ -0,0 +1,56 @@
+# Route planning
+
+## Spis treści
+* [Informacje](#informacje)
+* [Pętla główna](#pętla%20główna)
+* [Funkcja następnika](#funkcja%20następnika)
+* [Heurystyka](#heurystyka)
+
+
+## Informacje
+
+Omawiane fragmenty kodu znajdują się w pliku ```dijkstra.py```.
+Po uruchomieniu programu, użytkownik ma do wyboru samodzielne sterowanie traktorem przy pomocy strzałek (1) lub podawanie punktów wykorzystujące planowanie ruchu (0). Przy wyborze drugiej z opcji, aby wykonać ruch, użytkownik w aktywnym oknie programu naciska spację, po czym podaje dwa punkty.
+
+## Pętla główna
+
+Implementacja algorytmu Dijkstry:
+
+```
+def dijkstra(src):
+    dist = [sys.maxsize] * len(graph)
+    dist[src] = 0
+    sptSet = [False] * len(graph)
+
+    for cout in range(len(graph)): 
+        u = minDistance(dist, sptSet) 
+        sptSet[u] = True
+        for v in range(len(graph)):
+            if graph[u][v] > 0 and sptSet[v] == False and dist[v] > dist[u] + graph[u][v]: 
+                dist[v] = dist[u] + graph[u][v]
+
+    return dist
+```
+
+Dla ```src``` będącego wierzchołkiem źródłowym, funkcja zwraca koszt przejścia do każdego punktu w grafie w postaci listy ```dist```.
+
+Dopóki nie zostaną rozpatrzone wszystkie wierzchołki, pętla:
+* za wierzchołek ```u``` przyjmuje wierzchołek najbliższy źródła, który nie został jeszcze rozważony
+* dla każdego sąsiada ```v``` wierzchołka ```u```, jeżeli przez ```u``` da się dojść do ```v``` szybciej niż dotychczasową ścieżką, to wykonuje podstawienie: ```dist[v] = dist[u] + graph[u][v]```.
+
+
+## Funkcja następnika
+
+```
+def minDistance(dist, sptSet): 
+    mini = sys.maxsize 
+    for v in range(len(graph)): 
+        if dist[v] < mini and sptSet[v] == False: 
+            mini = dist[v] 
+            min_index = v 
+    return min_index 
+```
+
+Funkcja zwraca indeks wierzchołka, który jest najbliższej źródła, a nie został jeszcze rozważony, przeszukując w tym celu pozostałe wierzchołki grafu.
+
+## Heurystyka

soil.py

@@ -1,67 +0,0 @@
-from datetime import datetime
-
-class Soil:
-
-    def __init__(self, x, y, ID):
-        super().__init__()
-        self._id = ID
-        self._x = x
-        self._y = y
-        self._plant = -1 #nowa gleba nie ma roślinki
-        self._dry = 0 #procent wysuszenia gleby, tworząc nową jest nawodniona w 100%
-        self._starttime = datetime.now()
-
-    def __del__(self):
-        self.plant_remove()
-
-    def __str__(self):
-      return f'{self._x}, {self._y}), Plant: {self._plant}'
-
-    # współrzędne pola
-    def get_coordinates(self):
-        return self._x, self._y
-
-    # id gleby
-    def get_id(self):
-        return self._id
-
-    # zasadzenie roślinki
-    def add_plant(self, plant):
-        if not self.have_plant():
-            plant.add_soil(self)
-            self._plant = plant
-
-    # zwraca czy w ziemi znajduje się roślinka
-    def have_plant(self):
-        return self._plant is not -1
-    
-    # zwraca roślinkę znajdującą się w ziemii
-    def get_plant(self):
-        return self._soil
-
-    #sprawdza w ilu procentach ziemia jest sucha
-    def is_dry(self):
-        self.__drying()
-        if self._dry < 30:
-            return 'False'
-        elif 30 <= self._dry < 70:
-            return 'Medium'
-        else:
-            return 'True'
-
-    #metoda wysuszajaca ziemie. dodaje wysuszenie do ziemi, wywolywana w momencie sprawdzania czy ziemia jest sucha
-    def __drying(self):
-        checktime = datetime.now()
-        delta = checktime - self._starttime
-        a = delta //60
-        self._dry += a
-        self._starttime = checktime
-        self.__is_dry()
-
-
-    # usuwa roślinkę z ziemi i ją zwraca
-    def plant_remove(self):
-        if self.have_plant():
-            a = self.get_plant()
-            a.leave_soil()
-            self._plant = -1

traktor.py

@@ -10,8 +10,12 @@ class Traktor(object):
         self.y = 0
         self.punkt = 0
         self.canSteer = True
+        self.myimage = pygame.image.load("./assets/player.png").convert()
+        self.myimage = pygame.transform.scale(self.myimage, (99, 99))
+        self.screen = pygame.display.set_mode((500, 500))
             
         
     def rysowanie(self):
-        obje = pygame.Rect(self.x, self.y ,99,99)
-        pygame.draw.rect(self.game.pole, (0,100,255), obje)
+        rect = self.myimage.get_rect()
+        rect.center = (self.x+50, self.y+50)
+        self.screen.blit(self.myimage, rect)