Add 'src/gen_algorithms'

src/gen_algorithms

@@ -0,0 +1,122 @@
+import numpy as np
+import random
+
+# parametry
+num_of_houses = 8  # ilość domków
+routes_num = 40  # 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_coordinates)
+
+
+# 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)
+