SI-projekt-smieciarka/genetics
Gabriela Piekarska 3e01a528d3 Add 'genetics'
Adding genetic algorithm
2022-06-08 21:45:30 +02:00

117 lines
5.1 KiB
Plaintext

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)