SI-projekt-smieciarka/genetics

import numpy as np
import random

# parametry
num_of_houses = 4 # ilość domków
routes_num = 10  # ilość ścieżek, które będziemy generować
#rate = 0.3 # do mutacji, by liczby były ładniejsze
houses_coordinates = [[x,y] for x,y in zip(np.random.randint(1,9,num_of_houses),np.random.randint(1,9,num_of_houses))]  # generowanie losowych współrzędnych między 1, a 9
names = np.array(['Dom A', 'Dom B', 'Dom C', 'Dom D', 'Dom E', 'Dom F', 'Dom G', 'Dom H'])  # nazwy domów
houses_info = { x:y for x,y in zip(names,houses_coordinates)}  # zawiera nazwę domu i jego współrzędne X, Y - słownik
print(houses_info)

# dystans - to się wywali i użyje astara
def house_distance(a,b):
    return ((a[0]-b[0])**2+(a[1]-b[1])**2)**0.5


def generate_routes(names, routes_num): # tu się robią te zestawy domów - routes_num różnych opcji ułożenia trasy przez wszystkie domy
    population_set = []  # tu zapisujemy trasy - losowe ułóżenia wszystkich domów na trasie śmieciarki - nasza populacja
    for i in range(routes_num):
        # losowo wygenerowane kolejności domów na trasie
        single_route = names[np.random.choice(list(range(num_of_houses)), num_of_houses, replace=False)]
        population_set.append(single_route)
    return np.array(population_set)


def sum_up_for_route(names, houses_info): # liczymy odległości między kolejnymi miastami z listy i sumujemy
    sum = 0
    for i in range(num_of_houses-1):
        sum += house_distance(houses_info[names[i]], houses_info[names[i+1]]) # wywołana funkcja, która oblicza dystans - ma być astar
    return sum


def sums_for_all_routes(population_set, houses_info): # zapisujemy na liście finalne sumy odległości(astara) dla każdej z opcji tras
    list_of_sums = np.zeros(routes_num)
    
    for i in  range(routes_num):
        list_of_sums[i] = sum_up_for_route(population_set[i], houses_info) # wywołujemy dla każdej trasy na liście

    return list_of_sums


def selection(population_set, list_of_sums):  # korzystamy z  Roulette Wheel Selection tzn. im większy fitness tym większa szansa na zostanie wybranym
    determinant = list_of_sums.sum()
    probability = list_of_sums/determinant # nasza funkcja przynależności - dzielimy każdy dystans konkretnej ścieżki przez sumę wszystkich

    progenitor_a = np.random.choice(list(range(len(population_set))), len(population_set), p=probability,
                                         replace=True) # randomowa lista złożona z liczb między 0, a routes_num - 1
    progenitor_b = np.random.choice(list(range(len(population_set))), len(population_set), p=probability,
                                         replace=True) # gdzie p to prawdopodobieństwo każdego wejścia

    progenitor_a = population_set[progenitor_a] # zmieniamy kolejność ułożenia tras
    progenitor_b = population_set[progenitor_b] # teraz nie zawierają liczb, tylko podlisty z trasami

    return np.array([progenitor_a, progenitor_b])


def mating_of_progenitors(progenitor_a, progenitor_b):
    child = progenitor_a[0:5] # bierzemy 5 domów z rodzica
    
    for house in progenitor_b:
        if not house in child: # jeżeli jakiegoś domu z rodzica b nie ma w dziecku z a to łączymy
            child = np.concatenate((child, [house]))

    return child


def population_mating(progenitor_list):
    new_population_set = []
    for i in range(progenitor_list.shape[1]):
        progenitor_a, progenitor_b = progenitor_list[0][i], progenitor_list[1][i]
        child = mating_of_progenitors(progenitor_a, progenitor_b)
        new_population_set.append(child)

    return new_population_set


def mutation_of_child(child):
    for i in range(num_of_houses): # dla każdego elementu dajemy losową szansę zamiany int *rate
        x = np.random.randint(0, num_of_houses)
        y = np.random.randint(0, num_of_houses)

        child[x], child[y] = child[y], child[x] # zamiana miejscami

    return child


def mutate_population(new_population_set):
    final_mutated_population = []
    for child in new_population_set:
        final_mutated_population.append(mutation_of_child(child)) # dodajemy zmutowane dziecko do finalnej listy
    return final_mutated_population


if __name__ == '__main__':
   
    population_set = generate_routes(names, routes_num)
    list_of_sums = sums_for_all_routes(population_set, houses_info)
    progenitor_list = selection(population_set, list_of_sums)
    new_population_set = population_mating(progenitor_list)
    final_mutated_population = mutate_population(new_population_set)
    final_route = [-1, np.inf, np.array([])] # format listy
    for i in range(20):
        list_of_sums = sums_for_all_routes(final_mutated_population, houses_info)
        # zapisujemy najlepsze rozwiązanie
        if list_of_sums.min() < final_route[1]:
            final_route[0] = i
            final_route[1] = list_of_sums.min()
            final_route[2] = np.array(final_mutated_population)[list_of_sums.min() == list_of_sums]

        progenitor_list = selection(population_set, list_of_sums)
        new_population_set = population_mating(progenitor_list)

        final_mutated_population = mutate_population(new_population_set)
    print(final_route)