random map generation

agent.py

@@ -47,7 +47,7 @@ class Agent(pygame.sprite.Sprite):
         self._layer = AGENT_LAYER
         self.damage = 50*self.level
 
-        self.artifact = "tak"
+        self.artifact = True
 
     def update(self):
         

astar.py

@@ -34,7 +34,7 @@ class Astar():
     def a_star(self, goal):
         path = []
         start = (self.g.agent.rect.x//TILE_SIZE, self.g.agent.rect.y//TILE_SIZE)
-        #print(start,goal)
+        print(start,goal)
         open_set = []
         heapq.heappush(open_set, (0, start))  # Priority queue with the start position
         came_from = {}

drzewo_decyzyjne.py

@@ -1,150 +0,0 @@
-import pandas as pd
-import numpy as np
-
-class Tree():
-
-
-    # Obliczanie entropii dla całego zbioru danych
-    def oblicz_calkowita_entropie(self,dane_treningowe, etykieta, lista_klas):
-        liczba_wierszy = dane_treningowe.shape[0]
-        calkowita_entropia = 0
-
-        for klasa in lista_klas:
-            liczba_wystapien_klasy = dane_treningowe[dane_treningowe[etykieta] == klasa].shape[0]
-            entropia_klasy = - (liczba_wystapien_klasy / liczba_wierszy) * np.log2(liczba_wystapien_klasy / liczba_wierszy)
-            calkowita_entropia += entropia_klasy
-
-        return calkowita_entropia
-
-
-    # Obliczanie entropii dla przefiltrowanego zbioru danych
-    def oblicz_entropie(self,dane_wartosci_cechy, etykieta, lista_klas):
-        liczba_wystapien_cechy = dane_wartosci_cechy.shape[0]
-        entropia = 0
-
-        for klasa in lista_klas:
-            liczba_wystapien_klasy = dane_wartosci_cechy[dane_wartosci_cechy[etykieta] == klasa].shape[0]
-            entropia_klasy = 0
-
-            if liczba_wystapien_klasy != 0:
-                prawdopodobienstwo_klasy = liczba_wystapien_klasy / liczba_wystapien_cechy
-                entropia_klasy = - prawdopodobienstwo_klasy * np.log2(prawdopodobienstwo_klasy)
-
-            entropia += entropia_klasy
-
-        return entropia
-
-
-    # Obliczanie przyrostu informacji dla danej cechy
-    def oblicz_przyrost_informacji(self,nazwa_cechy, dane_treningowe, etykieta, lista_klas):
-        unikalne_wartosci_cechy = dane_treningowe[nazwa_cechy].unique()
-        liczba_wierszy = dane_treningowe.shape[0]
-        informacja_cechy = 0.0
-
-        for wartosc_cechy in unikalne_wartosci_cechy:
-            dane_wartosci_cechy = dane_treningowe[dane_treningowe[nazwa_cechy] == wartosc_cechy]
-            liczba_wystapien_wartosci_cechy = dane_wartosci_cechy.shape[0]
-            entropia_wartosci_cechy = self.oblicz_entropie(dane_wartosci_cechy, etykieta, lista_klas)
-            prawdopodobienstwo_wartosci_cechy = liczba_wystapien_wartosci_cechy / liczba_wierszy
-            informacja_cechy += prawdopodobienstwo_wartosci_cechy * entropia_wartosci_cechy
-
-        return self.oblicz_calkowita_entropie(dane_treningowe, etykieta, lista_klas) - informacja_cechy
-
-
-    # Znajdowanie najbardziej informatywnej cechy (cechy o najwyższym przyroście informacji)
-    def znajdz_najbardziej_informatywna_ceche(self,dane_treningowe, etykieta, lista_klas):
-        lista_cech = dane_treningowe.columns.drop(etykieta)
-        # Etykieta nie jest cechą, więc ją usuwamy
-        max_przyrost_informacji = -1
-        najbardziej_informatywna_cecha = None
-
-        for cecha in lista_cech:
-            przyrost_informacji_cechy = self.oblicz_przyrost_informacji(cecha, dane_treningowe, etykieta, lista_klas)
-
-            if max_przyrost_informacji < przyrost_informacji_cechy:
-                max_przyrost_informacji = przyrost_informacji_cechy
-                najbardziej_informatywna_cecha = cecha
-
-        return najbardziej_informatywna_cecha
-
-
-    # Dodawanie węzła do drzewa
-    def generuj_poddrzewo(self,nazwa_cechy, dane_treningowe, etykieta, lista_klas):
-        slownik_licznosci_wartosci_cechy = dane_treningowe[nazwa_cechy].value_counts(sort=False)
-        drzewo = {}
-
-        for wartosc_cechy, liczba in slownik_licznosci_wartosci_cechy.items():
-            dane_wartosci_cechy = dane_treningowe[dane_treningowe[nazwa_cechy] == wartosc_cechy]
-
-            przypisany_do_wezla = False
-            for klasa in lista_klas:
-                liczba_klasy = dane_wartosci_cechy[dane_wartosci_cechy[etykieta] == klasa].shape[0]
-
-                if liczba_klasy == liczba:
-                    drzewo[wartosc_cechy] = klasa
-                    dane_treningowe = dane_treningowe[dane_treningowe[nazwa_cechy] != wartosc_cechy]
-                    przypisany_do_wezla = True
-            if not przypisany_do_wezla:
-                drzewo[wartosc_cechy] = "?"
-
-        return drzewo, dane_treningowe
-
-
-    # Wykonywanie algorytmu ID3 i generowanie drzewa
-    def generuj_drzewo(self,korzen, poprzednia_wartosc_cechy, dane_treningowe, etykieta, lista_klas):
-        if dane_treningowe.shape[0] != 0:
-            najbardziej_informatywna_cecha = self.znajdz_najbardziej_informatywna_ceche(dane_treningowe, etykieta, lista_klas)
-            drzewo, dane_treningowe = self.generuj_poddrzewo(najbardziej_informatywna_cecha, dane_treningowe, etykieta, lista_klas)
-            nastepny_korzen = None
-
-            if poprzednia_wartosc_cechy is not None:
-                korzen[poprzednia_wartosc_cechy] = dict()
-                korzen[poprzednia_wartosc_cechy][najbardziej_informatywna_cecha] = drzewo
-                nastepny_korzen = korzen[poprzednia_wartosc_cechy][najbardziej_informatywna_cecha]
-            else:
-                korzen[najbardziej_informatywna_cecha] = drzewo
-                nastepny_korzen = korzen[najbardziej_informatywna_cecha]
-
-            for wezel, galezie in list(nastepny_korzen.items()):
-                if galezie == "?":
-                    dane_wartosci_cechy = dane_treningowe[dane_treningowe[najbardziej_informatywna_cecha] == wezel]
-                    self.generuj_drzewo(nastepny_korzen, wezel, dane_wartosci_cechy, etykieta, lista_klas)
-
-
-    # Znajdowanie unikalnych klas etykiety i rozpoczęcie algorytmu
-    def id3(self,nasze_dane, etykieta):
-        dane_treningowe = nasze_dane.copy()
-        drzewo = {}
-        lista_klas = dane_treningowe[etykieta].unique()
-        self.generuj_drzewo(drzewo, None, dane_treningowe, etykieta, lista_klas)
-        return drzewo
-
-
-    # Przewidywanie na podstawie drzewa
-    def przewiduj(self,drzewo, instancja):
-        if not isinstance(drzewo, dict):
-            return drzewo
-        else:
-            korzen = next(iter(drzewo))
-            wartosc_cechy = instancja[korzen]
-            if wartosc_cechy in drzewo[korzen]:
-                return self.przewiduj(drzewo[korzen][wartosc_cechy], instancja)
-            else:
-                return 'walcz'
-            
-    def tree(self,przyklad):
-        # Wczytywanie danych
-        nasze_dane = pd.read_csv("data")
-
-        drzewo = self.id3(nasze_dane, 'akcja')
-
-        return self.przewiduj(drzewo, przyklad)
-
-
-
-    
-
-    
-
-    #print(przewiduj(drzewo, przyklad))
-    #print(drzewo)

drzewo_decyzyjne/data

@@ -1,5 +1,5 @@
 zdrowie_bohatera,moc_bohatera,moc_moba,lvl_wiekszy_bohater,mob_jest_strzelcem,zdrowie_moba,artefakt,akcja
-100,tak,tak,tak,tak,100,tak,walcz
+100,tak,tak,tak,tak,100,tak,zmien_kierunek
 100,tak,tak,tak,tak,100,nie,zmien_kierunek
 100,tak,tak,tak,tak,50,tak,zmien_kierunek
 100,tak,tak,tak,tak,50,nie,zmien_kierunek

drzewo_decyzyjne/drzewo_decyzyjne.py

@@ -0,0 +1,148 @@
+import pandas as pd
+import numpy as np
+
+# Wczytywanie danych
+nasze_dane = pd.read_csv("drzewo_decyzyjne\data")
+
+
+# Obliczanie entropii dla całego zbioru danych
+def oblicz_calkowita_entropie(dane_treningowe, etykieta, lista_klas):
+    liczba_wierszy = dane_treningowe.shape[0]
+    calkowita_entropia = 0
+
+    for klasa in lista_klas:
+        liczba_wystapien_klasy = dane_treningowe[dane_treningowe[etykieta] == klasa].shape[0]
+        entropia_klasy = - (liczba_wystapien_klasy / liczba_wierszy) * np.log2(liczba_wystapien_klasy / liczba_wierszy)
+        calkowita_entropia += entropia_klasy
+
+    return calkowita_entropia
+
+
+# Obliczanie entropii dla przefiltrowanego zbioru danych
+def oblicz_entropie(dane_wartosci_cechy, etykieta, lista_klas):
+    liczba_wystapien_cechy = dane_wartosci_cechy.shape[0]
+    entropia = 0
+
+    for klasa in lista_klas:
+        liczba_wystapien_klasy = dane_wartosci_cechy[dane_wartosci_cechy[etykieta] == klasa].shape[0]
+        entropia_klasy = 0
+
+        if liczba_wystapien_klasy != 0:
+            prawdopodobienstwo_klasy = liczba_wystapien_klasy / liczba_wystapien_cechy
+            entropia_klasy = - prawdopodobienstwo_klasy * np.log2(prawdopodobienstwo_klasy)
+
+        entropia += entropia_klasy
+
+    return entropia
+
+
+# Obliczanie przyrostu informacji dla danej cechy
+def oblicz_przyrost_informacji(nazwa_cechy, dane_treningowe, etykieta, lista_klas):
+    unikalne_wartosci_cechy = dane_treningowe[nazwa_cechy].unique()
+    liczba_wierszy = dane_treningowe.shape[0]
+    informacja_cechy = 0.0
+
+    for wartosc_cechy in unikalne_wartosci_cechy:
+        dane_wartosci_cechy = dane_treningowe[dane_treningowe[nazwa_cechy] == wartosc_cechy]
+        liczba_wystapien_wartosci_cechy = dane_wartosci_cechy.shape[0]
+        entropia_wartosci_cechy = oblicz_entropie(dane_wartosci_cechy, etykieta, lista_klas)
+        prawdopodobienstwo_wartosci_cechy = liczba_wystapien_wartosci_cechy / liczba_wierszy
+        informacja_cechy += prawdopodobienstwo_wartosci_cechy * entropia_wartosci_cechy
+
+    return oblicz_calkowita_entropie(dane_treningowe, etykieta, lista_klas) - informacja_cechy
+
+
+# Znajdowanie najbardziej informatywnej cechy (cechy o najwyższym przyroście informacji)
+def znajdz_najbardziej_informatywna_ceche(dane_treningowe, etykieta, lista_klas):
+    lista_cech = dane_treningowe.columns.drop(etykieta)
+    # Etykieta nie jest cechą, więc ją usuwamy
+    max_przyrost_informacji = -1
+    najbardziej_informatywna_cecha = None
+
+    for cecha in lista_cech:
+        przyrost_informacji_cechy = oblicz_przyrost_informacji(cecha, dane_treningowe, etykieta, lista_klas)
+
+        if max_przyrost_informacji < przyrost_informacji_cechy:
+            max_przyrost_informacji = przyrost_informacji_cechy
+            najbardziej_informatywna_cecha = cecha
+
+    return najbardziej_informatywna_cecha
+
+
+# Dodawanie węzła do drzewa
+def generuj_poddrzewo(nazwa_cechy, dane_treningowe, etykieta, lista_klas):
+    slownik_licznosci_wartosci_cechy = dane_treningowe[nazwa_cechy].value_counts(sort=False)
+    drzewo = {}
+
+    for wartosc_cechy, liczba in slownik_licznosci_wartosci_cechy.items():
+        dane_wartosci_cechy = dane_treningowe[dane_treningowe[nazwa_cechy] == wartosc_cechy]
+
+        przypisany_do_wezla = False
+        for klasa in lista_klas:
+            liczba_klasy = dane_wartosci_cechy[dane_wartosci_cechy[etykieta] == klasa].shape[0]
+
+            if liczba_klasy == liczba:
+                drzewo[wartosc_cechy] = klasa
+                dane_treningowe = dane_treningowe[dane_treningowe[nazwa_cechy] != wartosc_cechy]
+                przypisany_do_wezla = True
+        if not przypisany_do_wezla:
+            drzewo[wartosc_cechy] = "?"
+
+    return drzewo, dane_treningowe
+
+
+# Wykonywanie algorytmu ID3 i generowanie drzewa
+def generuj_drzewo(korzen, poprzednia_wartosc_cechy, dane_treningowe, etykieta, lista_klas):
+    if dane_treningowe.shape[0] != 0:
+        najbardziej_informatywna_cecha = znajdz_najbardziej_informatywna_ceche(dane_treningowe, etykieta, lista_klas)
+        drzewo, dane_treningowe = generuj_poddrzewo(najbardziej_informatywna_cecha, dane_treningowe, etykieta, lista_klas)
+        nastepny_korzen = None
+
+        if poprzednia_wartosc_cechy is not None:
+            korzen[poprzednia_wartosc_cechy] = dict()
+            korzen[poprzednia_wartosc_cechy][najbardziej_informatywna_cecha] = drzewo
+            nastepny_korzen = korzen[poprzednia_wartosc_cechy][najbardziej_informatywna_cecha]
+        else:
+            korzen[najbardziej_informatywna_cecha] = drzewo
+            nastepny_korzen = korzen[najbardziej_informatywna_cecha]
+
+        for wezel, galezie in list(nastepny_korzen.items()):
+            if galezie == "?":
+                dane_wartosci_cechy = dane_treningowe[dane_treningowe[najbardziej_informatywna_cecha] == wezel]
+                generuj_drzewo(nastepny_korzen, wezel, dane_wartosci_cechy, etykieta, lista_klas)
+
+
+# Znajdowanie unikalnych klas etykiety i rozpoczęcie algorytmu
+def id3(nasze_dane, etykieta):
+    dane_treningowe = nasze_dane.copy()
+    drzewo = {}
+    lista_klas = dane_treningowe[etykieta].unique()
+    generuj_drzewo(drzewo, None, dane_treningowe, etykieta, lista_klas)
+    return drzewo
+
+
+# Przewidywanie na podstawie drzewa
+def przewiduj(drzewo, instancja):
+    if not isinstance(drzewo, dict):
+        return drzewo
+    else:
+        korzen = next(iter(drzewo))
+        wartosc_cechy = instancja[korzen]
+        if wartosc_cechy in drzewo[korzen]:
+            return przewiduj(drzewo[korzen][wartosc_cechy], instancja)
+        else:
+            return 'walcz'
+
+
+drzewo = id3(nasze_dane, 'akcja')
+
+przyklad = {'zdrowie_bohatera': '100',
+            'moc_bohatera': 'nie',
+            'moc_moba': 'nie',
+            'lvl_wiekszy_bohater': 'tak',
+            'mob_jest_strzelcem': 'nie',
+            'zdrowie_moba': '1',
+            'artefakt': 'tak'}
+
+print(przewiduj(drzewo, przyklad))
+print(drzewo)

genetic.py

@@ -0,0 +1,52 @@
+# wygenerowanie populacji polozenia mobow na mapie - Archer, Infantry, Flower, Rocks, Grass, Blank 
+# Fitness
+# Crossover
+# Mutation
+
+
+
+import random
+import pygame
+
+
+TILE_SIZE = 64
+TYPES = ['A', 'I', "F", 'R', 'G', 'B']
+MAP_TILES_LIST = list()
+population = list()
+max_population = 168 - 1
+population_size = 50
+
+class Genetic():
+
+    def generate_population():
+        if population_size > 168:
+                print("GENETIC: Podana populacja przekracza limit miejsc na mapie")
+                pygame.quit()
+            
+        for i in range(155):
+            MAP_TILES_LIST.append(i)
+            random.shuffle(MAP_TILES_LIST)
+        if 14 in MAP_TILES_LIST:
+             MAP_TILES_LIST.remove(14)
+        if 131 in MAP_TILES_LIST:
+             MAP_TILES_LIST.remove(131)
+
+        for i in range(population_size):
+            tile = MAP_TILES_LIST.pop()
+            type = random.choice(TYPES)
+            object = (tile,type)
+            population.append(object)
+
+            if type == 'A':
+                 TYPES.remove('A')
+            if type == 'I':
+                 TYPES.remove('I')
+
+        print(population)
+        return population
+
+    def get_cell_x_y_cord(x,y):
+        cell_x = x // TILE_SIZE
+        cell_y = y // TILE_SIZE
+        return cell_x, cell_y
+    

main.py

@@ -7,9 +7,8 @@ from mobs import *
 from bfs import *
 from nn import *
 from astar import *
-import math
-import random
-from drzewo_decyzyjne import *
+from genetic import *
+
 
 class Game:
 
@@ -31,7 +30,8 @@ class Game:
         self.bfs = Bfs(self)
         self.nn = NeuralN()
         self.astar = Astar(self)
-        self.tree = Tree()
+        self.genetic = Genetic()
+
         self.cell_costs = [[1 for _ in range(TILE_SIZE)] for _ in range(TILE_SIZE)]
         self.obstacles = [[False for _ in range(TILE_SIZE)] for _ in range(TILE_SIZE)]
 
@@ -50,232 +50,42 @@ class Game:
         self.flowers = pygame.sprite.LayeredUpdates()
         self.little_rock_sprites = pygame.sprite.LayeredUpdates()
     
-        #Agent,Archer_ork,infantry_ork,sauron,flower,grass x6, rocks x5  tablica 16 elementowa y=0-11 x=0-12 random.randint(x, y) = od x do y downolny int
-        self.allpositions=[]
-        self.allpositionsSet=set()
-        while(len(self.allpositionsSet)<100):
-            self.positions=[] #.append
-            self.positionsSet=set() #.add
-            for x in range(16):
-                while len(self.positionsSet)<16:
-                    pos1=random.randint(0,12) #x
-                    pos2=random.randint(0,11) #y
-                    pom=(pos1,pos2)
-                    lenSetBefore=len(self.positionsSet)
-                    self.positionsSet.add(pom)
-                    lenSetAfter=len(self.positionsSet)
-                    if(lenSetAfter>lenSetBefore):
-                        self.positions.append(pom)
-            AllPositionsSetB=len(self.allpositionsSet)
-            self.allpositionsSet.add(tuple(self.positions))
-            AllPositionsSetA=len(self.allpositionsSet)
-            if(AllPositionsSetA>AllPositionsSetB):
-                self.positions.append((1000))
-                self.allpositions.append(self.positions)
-        #print("TO SA KOLEJNE po randomowaniu")
-        #print(self.allpositions)
-        def sprawdz_powtorzenia(tablica):
-            wystapienia = set()
-            for element in tablica[:-1]:
-                if tuple(element) in wystapienia:
-                    return True  # Powtórzenie znalezione
-                wystapienia.add(tuple(element))
-            return False  # Brak powtórzeń
-        def ocena_tablicy(dane):
-            for x in range(100):
-                grade=0
-                if(sprawdz_powtorzenia(dane[x])):
-                    dane[x][-1]=10000000
-                else:
-                    x1,y1=dane[x][0]
-                    x2,y2=dane[x][1]
-                    x3,y3=dane[x][2]
-                    x4,y4=dane[x][3]
-                    x5,y5=dane[x][4]
-
-
-
-                    r1=math.sqrt((x1 - x4)**2 + (y1 - y4)**2)
-                    r2=math.sqrt((x4 - x2)**2 + (y4 - y2)**2)
-                    r3=math.sqrt((x2 - x3)**2 + (y2 - y3)**2)
-                    r4=math.sqrt((x3 - x5)**2 + (y3 - y5)**2)
-                    r5=math.sqrt((x5 - x4)**2 + (y5 - y4)**2)
-                    r12=math.sqrt((x1 - x3)**2 + (y1 - y3)**2)
-                    r13=math.sqrt((x1 - x2)**2 + (y1 - y2)**2)
-                    r14=math.sqrt((x1 - x5)**2 + (y1 - y5)**2)
-                    spr=math.sqrt((x2 - x3)**2 + (y2 - y3)**2)
-                    spr1=math.sqrt((x2 - x4)**2 + (y2 - y4)**2)
-                    spr2=math.sqrt((x2 - x5)**2 + (y2 - y5)**2)
-                    spr3=math.sqrt((x3 - x4)**2 + (y3 - y4)**2)
-                    spr4=math.sqrt((x3 - x5)**2 + (y3 - y5)**2)
-                    spr5=math.sqrt((x4 - x5)**2 + (y4 - y5)**2)
-                    avg=(r1+r2+r3+r4+r5)/5
-                    grade=abs(r1-avg)+abs(r2-avg)+abs(r3-avg)+abs(r4-avg)+abs(r5-avg)
-                    if(r1<5):
-                        grade=grade+2
-                    if(r12<5):
-                        grade=grade+2
-                    if(r13<5):
-                        grade=grade+2
-                    if(r14<5):
-                        grade=grade+2
-                    if(spr<5 or spr1<5 or spr2<5 or spr3<5 or spr4<5 or spr5<5):
-                        grade=grade+5
-
-
-                    x6,y6=dane[x][-2]
-                    x7,y7=dane[x][-3]
-                    x8,y8=dane[x][-4]
-                    x9,y9=dane[x][-5]
-                    x0,y0=dane[x][-6]
-                    rock1=math.sqrt((x6 - x7)**2 + (y6 - y7)**2)
-                    rock2=math.sqrt((x6 - x8)**2 + (y6 - y8)**2)
-                    rock3=math.sqrt((x6 - x9)**2 + (y6 - y9)**2)
-                    rock4=math.sqrt((x6 - x0)**2 + (y6 - y0)**2)
-
-                    rock5=math.sqrt((x7 - x8)**2 + (y7 - y8)**2)
-                    rock6=math.sqrt((x7 - x9)**2 + (y7 - y9)**2)
-                    rock7=math.sqrt((x7 - x0)**2 + (y7 - y0)**2)
-
-                    rock8=math.sqrt((x8 - x9)**2 + (y8 - y9)**2)
-                    rock9=math.sqrt((x8 - x0)**2 + (y8 - y0)**2)
-
-                    rock0=math.sqrt((x9 - x0)**2 + (y9 - y0)**2)
-                    if(rock1<2 or rock2<2 or rock3<2 or rock4<2 or rock5<2 or rock6<2 or rock7<2 or rock8<2 or rock9<2 or rock0<2):
-                        grade=grade+3
-                    
-
-                    grade=round(grade,2)*100
-                    dane[x][-1]=grade
-            return dane
-        def sort_tablicy(dane):
-            posortowana_tablica = sorted(dane, key=lambda x: x[-1])
-            return posortowana_tablica
-        def generuj_pary(n):
-            pary = []
-            for i in range(1, n+1):
-                for j in range(i+1, n+1):
-                    pary.append([i, j])
-            return pary
-        self.WszystkiePary=generuj_pary(7)
-        #print("")
-        #print("")
-        #print("WszystkiePary")
-        #print(self.WszystkiePary)
-
-        def polacz_tablice(tablica1, tablica2,n):
-            nowa_tablica = tablica1[:n] + tablica2[n:]
-            return nowa_tablica        
-        self.positionsAfterGrade=ocena_tablicy(self.allpositions)
-        #print("")
-        #print("")
-        #print("")
-        #print("Po ocenie ")
-        #print(self.positionsAfterGrade)
-        self.sortedAfterGrade=sort_tablicy(self.positionsAfterGrade)
-        #print("")
-        #print("")
-        #print("")
-        #print("Po sortowaniu ")
-        #print(self.sortedAfterGrade)
-        n=100
-        self.licznik=0
-       
-        while(self.sortedAfterGrade[0][16]!=0 and self.licznik <n):
-            #print("NUMER ITERACJI: "+str(self.licznik))
-            #print("")
-            #print("")
-            
-            self.WynikKombinacji=[]
-            pomWynikInt=0
-            pomWszystkieParyInt=0
-
-            while(len(self.WynikKombinacji)<20 and pomWszystkieParyInt<21):
-                
-                
-                gen1=self.sortedAfterGrade[self.WszystkiePary[pomWszystkieParyInt][0]-1]
-                gen1[-1]=9966
-                #print("gen1")
-                #print(gen1)
-                gen2=self.sortedAfterGrade[self.WszystkiePary[pomWszystkieParyInt][1]-1]
-                gen2[-1]=9966
-                #print("gen2")
-                #print(gen2)
-                rollKombinacja=random.randint(0,100)# chance 60%
-                
-                #print("rollKombinacja:"+str(rollKombinacja))
-               
-                if(rollKombinacja<61):
-                    KombInt=random.randint(1,4)
-                    #print("KombInt:"+str(KombInt))
-                    #print("Przed append")
-                    #print(self.WynikKombinacji)
-                    losujKtoGen1=random.randint(0,100)
-                    #print("")
-                    #print(losujKtoGen1)
-                    if(losujKtoGen1>50):
-                        self.WynikKombinacji.append(polacz_tablice(gen1,gen2,KombInt))
-                    else:
-                        self.WynikKombinacji.append(polacz_tablice(gen2,gen1,KombInt))
-                    #print("Po append")
-                    #print(self.WynikKombinacji)
-                    rollMutacja=random.randint(0,100)# chance 10%
-                    #print("rollMutacja:"+str(rollMutacja))
-                    if(rollMutacja<90):
-                        #print("rolowanie mutacji")
-                        MutacjaInt=random.randint(0,4)
-                        #print(MutacjaInt)
-                        xPoMutacji=random.randint(0,12) #x
-                        yPoMutacji=random.randint(0,11) #y
-                        #print("rolowanie x y")
-                        #print(xPoMutacji,yPoMutacji)
-                        self.WynikKombinacji[pomWynikInt][MutacjaInt]=[xPoMutacji,yPoMutacji]
-                        pomWynikInt=pomWynikInt+1
-                pomWszystkieParyInt=pomWszystkieParyInt+1
-            laczenieGeneracji=self.sortedAfterGrade[:(100-len(self.WynikKombinacji))]+self.WynikKombinacji
-            #print("pewna czesc ")
-            #print(self.sortedAfterGrade[:(100-len(self.WynikKombinacji))])
-            #print("reszta ")
-            #print("")
-            #print(self.WynikKombinacji)
-            
-            OcenaWszystkich=ocena_tablicy(laczenieGeneracji)
-            #print("Przed DODANIEM GENERACJI")
-            #print(self.sortedAfterGrade)
-            #print("")
-            #print("")
-            self.sortedAfterGrade=sort_tablicy(OcenaWszystkich)
-            #print("Po DODANIU GENERACJI")
-            #print(self.sortedAfterGrade)
-            self.licznik=self.licznik+1  
-        #self.sortedAfterGrade[0] najlepszy
-        #print("")
-        #print("")
-        print(self.sortedAfterGrade)
-        self.najlepszaGeneracja=self.sortedAfterGrade[0] #Agent,Archer_ork,infantry_ork,sauron,flower,grass x6, rocks x5  tablica 16 elementowa y=0-11 x=0-12 random.randint(x, y) = od x do y downolny int
-        
-        
-        self.agent = Agent(self,self.najlepszaGeneracja[0][0],self.najlepszaGeneracja[0][1])
-        self.archer_ork = Archer_ork(self,self.najlepszaGeneracja[1][0],self.najlepszaGeneracja[1][1])
-        self.obstacles[self.najlepszaGeneracja[1][0]][self.najlepszaGeneracja[1][1]] = True
-        self.bfs.enemy_cells.append(self.bfs.get_cell_number(self.archer_ork.x,self.archer_ork.y))
-        self.infantry_ork = Infantry_ork(self,self.najlepszaGeneracja[2][0],self.najlepszaGeneracja[2][1])
-        self.obstacles[self.najlepszaGeneracja[2][0]][self.najlepszaGeneracja[2][1]] = True
-        self.bfs.enemy_cells.append(self.bfs.get_cell_number(self.infantry_ork.x,self.infantry_ork.y))
-       
-        self.sauron = Sauron(self, self.najlepszaGeneracja[3][0], self.najlepszaGeneracja[3][1])
-        self.obstacles[self.najlepszaGeneracja[3][0]][self.najlepszaGeneracja[3][1]] = True
+        self.agent = Agent(self,1,1)
+        self.sauron = Sauron(self, 1, 10)
+        self.obstacles[1][10] = True
         self.bfs.enemy_cells.append(self.bfs.get_cell_number(self.sauron.x,self.sauron.y))
-        self.flower = Health_flower(self, self.najlepszaGeneracja[4][0],self.najlepszaGeneracja[4][1])
         
-        for y in range (6):
-                self.grass = Grass(self,self.najlepszaGeneracja[y+5][0],self.najlepszaGeneracja[y+5][1])
-                self.cell_costs[self.najlepszaGeneracja[y+5][0]][self.najlepszaGeneracja[y+5][1]] = 5
 
-        for y in range(5):
-            self.rock = Rocks(self,self.najlepszaGeneracja[y+11][0],self.najlepszaGeneracja[y+11][1])
-            self.obstacles[self.najlepszaGeneracja[y+11][0]][self.najlepszaGeneracja[y+11][1]] = True
+        self.list_object = list()
+        self.list_object = Genetic.generate_population()
+        l = len(self.list_object)
+        while l > 0:
+            obj = self.list_object.pop()
+            x,y = self.bfs.get_coordinates(obj[0])
+            cell_x, cell_y = Genetic.get_cell_x_y_cord(x,y)
+            l=l-1
+            if obj[1] == 'A':
+                self.archer_ork = Archer_ork(self,cell_x,cell_y)
+                self.obstacles[cell_x][cell_y] = True
+                self.bfs.enemy_cells.append(self.bfs.get_cell_number(self.archer_ork.x,self.archer_ork.y))
+            if obj[1] == 'I':
+                self.infantry_ork = Infantry_ork(self,cell_x,cell_y)
+                self.obstacles[cell_x][cell_y] = True
+                self.bfs.enemy_cells.append(self.bfs.get_cell_number(self.infantry_ork.x,self.infantry_ork.y))
+            if obj[1] == 'F':
+                self.flower = Health_flower(self,cell_x,cell_y)
+            if obj[1] == 'R':
+                self.rock = Rocks(self,cell_x,cell_y)
+                self.obstacles[cell_x][cell_y] = True
                 self.bfs.wall_cells.append(self.bfs.get_cell_number(self.rock.x,self.rock.y))
+            if obj[1] == 'G':
+                self.grass = Grass(self,cell_x,cell_y)
+                self.cell_costs[cell_x][cell_y] = 5
+            if obj[1] == 'B':
+                continue
+
+
+
   
 
     def update(self):
@@ -289,8 +99,8 @@ class Game:
                 pygame.quit()
             if event.type == pygame.KEYDOWN:
                 if event.key == pygame.K_SPACE:
-                    self.goal_cell = self.bfs.get_cell_number(self.flower.x, self.flower.y)
-                    self.move_agent(self.bfs.bfs(self.goal_cell))
+                    self.goal_pos = (self.flower.x//TILE_SIZE, self.flower.y//TILE_SIZE)
+                    self.move_agent(self.astar.a_star(self.goal_pos))
                    
 
 
@@ -298,55 +108,34 @@ class Game:
                 mouse_presses = pygame.mouse.get_pressed()
                 if mouse_presses[0]:
                    
+                    gx = self.archer_ork.x
+                    gy = self.archer_ork.y
+                    a_cell_x, a_cell_y = Genetic.get_cell_x_y_cord(gx,gy)
+                    gx2 = self.infantry_ork.x
+                    gy2 = self.infantry_ork.y
+                    i_cell_x, i_cell_y = Genetic.get_cell_x_y_cord(gx2,gy2)
+
+
                     x = self.sauron.x
                     y = self.sauron.y
                     goal = x//TILE_SIZE,y//TILE_SIZE
                     mob_image = self.sauron.image_path
                     prediction = self.prediction_road(x,y,mob_image)
-                    #prediction = "SAURON"
-                    while True:   #do poprawienia poprawne rozpoznawanie
-                        print("goal: ",goal)
-                        if prediction == "SAURON":
-                            if self.agent.level < self.sauron.level:
-                                lvl = 'nie'
-                            else:
-                                lvl = 'tak'
-                            przyklad = {'zdrowie_bohatera': '100',
-                'moc_bohatera': 'tak',
-                'moc_moba': 'tak',
-                'lvl_wiekszy_bohater': lvl,
-                'mob_jest_strzelcem': self.sauron.archer,
-                'zdrowie_moba': '50',
-                'artefakt': self.agent.artifact}
-                            decision = self.tree.tree(przyklad)
-                            print(decision)
-                            if decision == "walcz":
-                                self.obstacles[self.najlepszaGeneracja[3][0]][self.najlepszaGeneracja[3][1]] = False
-                                self.move_agent(self.astar.a_star(goal))
-                            else:
-                                x = self.archer_ork.x
-                                y = self.archer_ork.y
+                    prediction = "SAURON"
+                    while True:   #do poprawienia poprawne rozpoznawanie póki co nie będzie działać dobrze, program się będzie zawieszać
+                        if prediction == "SAURON" and self.agent.level < 3:
+                            x = self.archer_ork.x,
+                            y = self.archer_ork.y,
                             goal = x//TILE_SIZE,y//TILE_SIZE
                             mob_image = self.archer_ork.image_path
                             prediction = self.prediction_road(x,y,mob_image)
                             prediction = "ORK_ARCHER"
+                        elif prediction == "SAURON" and self.agent.level >= 3:
+                            self.obstacles[1][10] = False
+                            self.move_agent(self.astar.a_star(goal))
 
-                        elif prediction == "ORK_MELEE":
-                            if self.agent.level < self.infantry_ork.level:
-                                lvl = 'nie'
-                            else:
-                                lvl = 'tak'
-                            przyklad = {'zdrowie_bohatera': '100',
-                'moc_bohatera': 'tak',
-                'moc_moba': 'tak',
-                'lvl_wiekszy_bohater': lvl,
-                'mob_jest_strzelcem': self.infantry_ork.archer,
-                'zdrowie_moba': '50',
-                'artefakt': self.agent.artifact}
-                            decision = self.tree.tree(przyklad)
-                            print(decision)
-                            if decision == "walcz":
-                                self.obstacles[self.najlepszaGeneracja[2][0]][self.najlepszaGeneracja[2][1]] = False
+                        elif prediction == "ORK_INFANTRY":
+                            self.obstacles[i_cell_x][i_cell_y] = False
                             self.move_agent(self.astar.a_star(goal))
                             if self.agent.current_health < self.agent.max_health:
                                 goal = (self.flower.x//TILE_SIZE, self.flower.y//TILE_SIZE)
@@ -356,35 +145,19 @@ class Game:
                             goal = x//TILE_SIZE,y//TILE_SIZE
                             mob_image = self.sauron.image_path
                             prediction = self.prediction_road(x,y,mob_image)
-                            #prediction = "SAURON"
+                            prediction = "SAURON"
                         elif prediction == "ORK_ARCHER":
-                            if self.agent.level < self.archer_ork.level:
-                                lvl = 'nie'
-                            else:
-                                lvl = 'tak'
-                            przyklad = {'zdrowie_bohatera': '100',
-                'moc_bohatera': 'tak',
-                'moc_moba': 'tak',
-                'lvl_wiekszy_bohater': lvl,
-                'mob_jest_strzelcem': self.archer_ork.archer,
-                'zdrowie_moba': '50',
-                'artefakt': self.agent.artifact}
-                            decision = self.tree.tree(przyklad)
-                            print(decision)
-                            if decision == "walcz":
-                                self.obstacles[self.najlepszaGeneracja[1][0]][self.najlepszaGeneracja[1][1]] = False
-                               
+                            self.obstacles[a_cell_x][a_cell_y] = False
                             self.move_agent(self.astar.a_star(goal))
-                         
                             if self.agent.current_health < self.agent.max_health:
                                 goal = (self.flower.x//TILE_SIZE, self.flower.y//TILE_SIZE)
                                 self.move_agent(self.astar.a_star(goal))
-                            x = self.infantry_ork.x
-                            y = self.infantry_ork.y
+                            x = self.infantry_ork.x,
+                            y = self.infantry_ork.y,
                             goal = x//TILE_SIZE,y//TILE_SIZE
                             mob_image = self.infantry_ork.image_path
                             prediction = self.prediction_road(x,y,mob_image)
-                            #prediction = "ORK_INFANTRY"
+                            prediction = "ORK_INFANTRY"
                          
                         
                            
@@ -409,7 +182,7 @@ class Game:
         print("PATH:::::",path)
         for cell_to_move in path:
             x, y = self.bfs.get_coordinates(cell_to_move)
-            #print("Ruch do kratki : ", cell_to_move, " z x: ", x, ", y: ", y, ",  agent.x: ", self.agent.rect.x, ", agent.y: ", self.agent.rect.y)
+            print("Ruch do kratki : ", cell_to_move, " z x: ", x, ", y: ", y, ",  agent.x: ", self.agent.rect.x, ", agent.y: ", self.agent.rect.y)
             if(self.bfs.get_cell_number(self.agent.rect.x,self.agent.rect.y)!=cell_to_move):
                 if x > self.agent.rect.x:
                     self.agent.direction = 0
@@ -420,23 +193,23 @@ class Game:
                 elif y < self.agent.rect.y:
                     self.agent.direction = 3
                 if self.agent.direction==0:
-                    ##print("DIRECTION: "+self.agent.AGENT_IMAGES[self.agent.direction])
+                    #print("DIRECTION: "+self.agent.AGENT_IMAGES[self.agent.direction])
                     self.agent.x_change += TILE_SIZE
                 elif self.agent.direction==1:
-                    ##print("DIRECTION: "+self.agent.AGENT_IMAGES[self.agent.direction])
+                    #print("DIRECTION: "+self.agent.AGENT_IMAGES[self.agent.direction])
                     self.agent.y_change += TILE_SIZE
                 elif self.agent.direction==2:
-                    ##print("DIRECTION: "+self.agent.AGENT_IMAGES[self.agent.direction])
+                    #print("DIRECTION: "+self.agent.AGENT_IMAGES[self.agent.direction])
                     self.agent.x_change -= TILE_SIZE
                 elif self.agent.direction==3:
-                    ##print("DIRECTION: "+self.agent.AGENT_IMAGES[self.agent.direction])
+                    #print("DIRECTION: "+self.agent.AGENT_IMAGES[self.agent.direction])
                     self.agent.y_change -= TILE_SIZE
 
             self.agent.rotate()
             self.update()
             self.map()
 
-            #print("Polozenie agenta: agent.x: ", self.agent.rect.x, ", agent.y: ", self.agent.rect.y)
+            print("Polozenie agenta: agent.x: ", self.agent.rect.x, ", agent.y: ", self.agent.rect.y)
             self.clock.tick(2)
 
     def map(self): # tworzenie mapy

mobs.py

@@ -14,7 +14,7 @@ class Archer_ork(pygame.sprite.Sprite):
         self.width = TILE_SIZE
         self.height = TILE_SIZE
 
-        self.image_path = "./zdjecia/ORK_ARCHER/ork_archer (889).jpg"
+        self.image_path = "./zdjecia/ORK_ARCHER/ork_lucznik.png"
         self.ARCHER_ORK_IMG = pygame.image.load(self.image_path)
         self.ARCHER_ORK = pygame.transform.scale(self.ARCHER_ORK_IMG,(64,64))  
 
@@ -30,8 +30,6 @@ class Archer_ork(pygame.sprite.Sprite):
         self.damage = 50*self.level
         self.health = 50
         
-        self.archer = 'tak'
-        
 class Infantry_ork(pygame.sprite.Sprite):
 
 
@@ -45,7 +43,7 @@ class Infantry_ork(pygame.sprite.Sprite):
         self.width = TILE_SIZE
         self.height = TILE_SIZE
 
-        self.image_path = "C:\\mobs_photos\\ork_melee (11).jpg"#sciezka do zmiany
+        self.image_path = "./zdjecia/ORK_MELEE/ork-piechota.png"
         self.INFANTRY_ORK_IMG = pygame.image.load(self.image_path)
         self.INFANTRY_ORK = pygame.transform.scale(self.INFANTRY_ORK_IMG,(64,64)) 
 
@@ -61,8 +59,6 @@ class Infantry_ork(pygame.sprite.Sprite):
         self.damage = 50*self.level
         self.health = 100
 
-        self.archer = 'nie'
-
 
 class Sauron(pygame.sprite.Sprite):
 
@@ -77,7 +73,7 @@ class Sauron(pygame.sprite.Sprite):
         self.width = TILE_SIZE
         self.height = TILE_SIZE
 
-        self.image_path = "C:\\mobs_photos\\sauron (700).jpg"#sciezka do zmiany
+        self.image_path = "./zdjecia/SAURON/sauron.png"
         self.SAURON_IMG = pygame.image.load(self.image_path)
         self.SAURON = pygame.transform.scale(self.SAURON_IMG,(64,64))
 
@@ -92,5 +88,3 @@ class Sauron(pygame.sprite.Sprite):
         self.level = 3
         self.damage = 50*self.level
         self.health = 150
-
-        self.archer = 'nie'

nn.py

@@ -47,6 +47,12 @@ class NeuralN:
                 image_size=(180, 180),
                 batch_size=32)
 
+            # test_ds = tf.keras.utils.image_dataset_from_directory(
+            #    data_dir,
+            #    seed=123,
+            #    image_size=(180, 180),
+            #    batch_size=32)
+
             class_names = train_ds.class_names
             print(class_names)
 
@@ -71,7 +77,7 @@ class NeuralN:
                           metrics=['accuracy'])
             model.summary()
 
-            epochs = 10
+            epochs = 1
             history = model.fit(
                 train_ds,
                 validation_data=val_ds,
@@ -87,23 +93,30 @@ class NeuralN:
                                                  tf.keras.layers.Softmax()])
 
         #image_path = image
-        #image_path = pathlib.Path('')
+        image_path = pathlib.Path('zdjecia\ORK_ARCHER\ork_lucznik.png')
         image = Image.open(image_path)
 
         # Preprocess the image
-
         image = image.resize((180, 180))  # Resize to match the input size of the model
         image_array = tf.keras.preprocessing.image.img_to_array(image)
         image_array = image_array / 255.0  # Normalize pixel values
 
         # Add an extra dimension to the image array
-        image_array = tf.expand_dims(image, 0)
+        image_array = tf.expand_dims(image_array, 0)
         # Make the prediction
-        model = tf.keras.models.load_model("trained_model.h5")
-        prediction = model.predict(image_array)
+        predictions = probability_model.predict(image_array)
+
         # Convert the predictions to class labels
-        predicted_label = class_names[prediction[0].argmax()]
+        predicted_label = class_names[predictions[0].argmax()]
+        #actions = {
+         #   'ORK_MELEE': 'fight',
+          #  'ORK_ARCHER': 'change_dir',
+           # 'SAURON': 'change_dir'
+        #}
+
+        # Get the action for the predicted character
+        #action = actions.get(predicted_label, 'unknown')
 
         # Print the predicted label
         print(predicted_label)
-        return predicted_label
+        return predicted_label#, action