TP2 SIA - Algoritmos GĂ©neticos
Este repositorio contiene un programa que simula la evolucion de una poblacion de soldados en busca de conseguir el mejor soldado para clase mediante el uso de algoritmos geneticos. La simulacion desarrollada es altamente configurable mediante el archivo config.json.
El archivo config.json sigue el siguiente formato:
{
"test_name": "test1",
"iterations": 10,
"character_class": "warrior" | "archer" | "defender" | "infiltrator",
"population_size": 100,
"selection": {
"method1": "elitism" | "roulette" | "universal" | "boltzmann" | "ranking" | "tournament",
"method1_proportion": 0.5,
"method2": "roulette",
"amount": 100,
"boltzmann": {
"temperature": 100
},
"tournament": {
"size": 10,
"probabilistic": true,
"threshold": 0.75
}
},
"crossover": {
"method": "anular" | "point" | "two_point" | "uniform",
"uniform": {
"crossover_probability": 0.5
}
},
"mutation": {
"probability": 1,
"uniform": true,
"multi_gen": true,
"single_gen": {
"gen_to_mutate": "strength" | "agility" | "expertise" | "resistance" | "health" | "height"
},
"non_uniform": {
"descent_rate": 0.5
}
},
"replacement": {
"method1": "universal",
"method1_proportion": 0.2,
"method2": "boltzmann",
"amount": 100,
"boltzmann": {
"temperature": 100
},
"tournament": {
"size": 2,
"probabilistic": false,
"threshold": 0.75
}
},
"stop_criteria": {
"criteria": "generations" | "fitness" | "fitness_convergence" | "structure_convergence",
"generations": {
"max_generations": 100
},
"fitness": {
"expected_fitness": 50
},
"fitness_convergence": {
"fitness_delta": 0.001,
"similar_generations_threshold": 10
},
"structure_convergence": {
"similar_generations_threshold": 10,
"similar_individuals_proportion": 1,
"deltas": {
"strength": 0.01,
"agility": 0.01,
"expertise": 0.01,
"resistance": 0.01,
"health": 0.01,
"height": 0.01
}
}
}
}
Donde se puede configurar cada seccion del programa
Configuran parametros generales del programa
- test_name: El nombre del directorio donde se guardaran los resultados. Si test_name es "test1" , los resultados se guardaran en el directorio
results/test1. - iterations: La cantidad de veces que se corre la simulacion, debido a la naturaleza estocastica de los algoritmos se recomienda correr varias veces las simulaciones.
- character_class: El tipo de soldado con la que correr la simulacion estos pueden ser warriors, archer, defender e infiltrator. Cada tipo de soldado prioritizara un tipo de caracteristicas ante otras
- population_size: La cantidad de soldados que habra por generacion, esta cantidad es fija.
Configura de que manera se seleccionan los individuos para la etapa de cruza. Es posible configurar una seleccion donde un porcentaje se elijan con un metodo y el resto con otro.
- method1: El primer metodo a usar, se pueden elegir elitism, roulette, universal, boltzmann, ranking y tournament
- method2: El segundo metodo a usar, se pueden elegir los mismos metodos que el 1.
- method1_proportion: El porcentaje de individuos a elegir con el metodo1.
- amount: La cantidad de individuos a elegir, debe ser menor a population_size
Algunos metodos de eleccion tienen configuraciones adicionales
temperature: La temperatura inicial del metodo de boltzmann
- size: El tamano de cada torneo
- probabilistic: Flag donde se especifica si se debe usar un torneo determinista o probabilistico
- threshold: La probabilidad de que se elija el individuo que gana el torneo
Configura de que manera se realiza la cruza entre dos individuos.
- method: El metodo de cruza a utilizar, pueden ser los siguientes: anular, point, two_point y uniform.
El metodo uniform tiene un parametro especial:
- crossover_probability: la probabilidad de que se realize la cruza de un gen
Configura de que manera se realiza la mutacion de los nuevos individuos:
- probabilty: La probabilidad de que un individuo mute
- uniform: Flag que especifica, si la probabilidad debe ser constante o reducirse con las generaciones. La cadencia con la que esta probabilidad desciende se especifica con descent_rate
- multi_gen: Flag que especifica si se debe mutar un solo gen o todos los genes. De ser falso, se especifica que gen mutar con gen_to_mutate, este puede ser strength, agility, expertise, resistance, health y height.
Configura de que manera se eligiran los individuos para la siguiente generacion. Los parametros son los mismos que en la seccion de selection. Se recomienda que amount sea igual a population_size para que la poblacion sea constante.
Configura bajo que condicion terminara la simulacion
- criteria: Especifica la condicion a usar, esta puede ser generations, fitness, fitness_convergence y structure_convergence. Cada una de estas son configurables con sus parametros.
Especifca el numero de generaciones a producir.
- max_generations: El numero de generaciones a producir
Especifica el nivel de fitness bajo el que cortar.
- expected_fitness: El nivel de fitness al que se busca llegar.
Se corta si se determina que se ha llegado a una convergencia del nivel de fitness
- fitness_delta: La diferencia de fitness bajo el que se determina que una generacion y otra tienen un nivel similar de fitness
- similar_generations_threshold: Cuantas generaciones seguidas deben tener un nivel similar de fitness para que se determine que se ha llegado a una convergencia
Se corta si se determina que se ha llegado a una convergencia en cuanto a la similitud de caracteristicas entre generaciones.
- similar_generations_threshold: Cuantas generaciones similares seguidas deben ocurrir para que se determine que se ha llegado a una convergencia
- similar_individuals_proportion: La proporcion de individuos similares que debe haber entre dos generaciones para que estas se consideren similares.
- deltas: Especifica la diferencia entre cada gen para que estos se consideren similares entre dos individuos, para que dos individuos se consideren similares todas los genes especificados deben ser similares. No es necesario que se especifiquen todos los genes, si se quiere ignorar un gen para el calculo de similitud se puede borrar su delta del archivo.
Para ejecutar el programa basta con correr python main.py desde la raiz del proyecto. Una vez corrido el programa se realizara la simulacion correspondiente a la configuracion dada y se guardaran los resultados en el directorio results/[test_name] en un archivo csv, tambien se guardara una copia del archivo de configuracion.