/algoritmo-genetico-caixeiro-viajante

Algoritmo Genético utilizado na resolução do problema do caixeiro-viajante (visitar todas as cidades sem repetir nenhuma e voltar até a cidade de origem com o menor custo possível)

Primary LanguageTypeScriptMIT LicenseMIT

Algoritmos Genéticos - Problema do caixeiro-viajante

CI

Demonstração

Embora o frontend limite a quantidade de cidades, a API não possui limite de cidades, apenas um timeout configurado, sendo assim desde que a resolução não exceda este tempo não haverá problemas.

As distâncias podem ser representadas por valores inteiros ou decimais.

Critério de parada

O número de gerações é o critério de parada.

Número de gerações
Padrão 1000

Taxa de mutação

Taxa de mutação
Padrão 1%

Tamanho da população

População
Padrão 20 indivíduos

Representação dos indivíduos

Cada cidade foi representada pela sua posição no vetor.

Para as cidades: "A", "B", "C", "D", "E" teremos um vetor com 5 elementos.

["A", "B", "C", "D", "E"]
[ 0,   1,   2,   3,   4 ]

Representação das distâncias

As distâncias são posicionadas de acordo com o índice do array de cada cidade.

   A   B  C   D   E
A [0, 10, 15, 5, 12],
B [10, 0, 70, 52, 27],
C [15, 70, 0, 120, 14],
D [5, 52, 120, 0, 38],
E [12, 27, 14, 38, 0]

Seleção dos indivíduos

A escolha dos pais de uma população para crossover se deu através do método da roleta viciada.

Foi criado um coeficiente para resolver as grandezas inversamente proporcionais (quanto menor a distância que um cromossomo percorre maior será sua probabilidade de ser sorteado)

Coeficiente = 1 /  distância percorrida
Proporção (probabilidade de ser sorteado) = Coeficiente / Soma dos coeficientes

Para os cromossomos com custo total de 200 e 148, temos:

Soma
Distância 200 148 348
Coeficiente 0,005 0,006756757 0,011756757
Proporção 0,425287356 0,574712644 1
coeficiente = 1 / 200 # total de 0,005
proporcao = coeficiente / soma_dos_coeficientes
# criamos um coeficiente baseado na probabilidade do indivíduo ser selecionado e somamos
for index in range(len(self.population)):
    total_coefficient += (1 / self.population[index].travelled_distance)

# geramos as probabilidades
for i_ in range(len(self.population)):
    coefficient = (1 / self.population[i_].travelled_distance)
    self.population[i_].probability = (coefficient / total_coefficient)

"Gira" a roleta

sortedValue = random()  # sorteamos um número da roleta (0 - 1) --> 0% a 100%
while i < len(self.population) and sum < sortedValue:
        sum += self.population[i].probability
        parent += 1
        i += 1
    return parent

Aptidão dos indivíduos (fitness)

O cálculo do fitness (aptidão) foi realizado com base na soma das distâncias de um indivíduo da população/cromossomo. Na sequência a população é ordenada de forma com que os cromossomos com menor distância fiquem nas primeiras posições do vetor para facilitar a identificação da melhor solução de cada geração. (No caso de seleção com base em torneio esta técnica facilitaria a seleção dos melhores X elementos).

Ex.: [4, 2, 0, 1, 3] = 91

[4, 2, 0, 1, 3] → [E, C, A, B, D]

Arquitetura

API

API em Python disponibilizada publicamente na AWS Lambda.

Atributo Valor
Tipo POST
URL https://57ngqizuyi.execute-api.us-east-1.amazonaws.com/default
CORS '*'
Limite 2.000 solicitações por dia (10 solicitações por segundo)
Timeout 15 segundos

Payload

Atributo Obrigatório Padrão
populationSize Não 20
mutationRate Não 1
generations Não 1000
cities Não Cidades de teste
distances Não Distâncias de teste

Definindo indivíduos e e distâncias.

{
    "populationSize": 20,
    "mutationRate": 1,
    "generations": 1000,
    "cities": [
        "A", "B", "C", "D", "E"
    ],
    "distances": [ 
        [0, 10, 15, 5, 12],
        [10, 0, 70, 52, 27],
        [15, 70, 0, 120, 14],
        [5, 52, 120, 0, 38],
        [12, 27, 14, 38, 0]
    ]
}

Response

{
    "generation": 0,
    "travelled_distance": 113,
    "chromosome": [
        4,
        1,
        3,
        0,
        2
    ],
    "cities": [
        "E",
        "B",
        "D",
        "A",
        "C"
    ]
}

Cidades de teste

{
    "cities": [
        "A", "B", "C", "D", "E"
    ],
    "distances": [ 
        [0, 10, 15, 5, 12],
        [10, 0, 70, 52, 27],
        [15, 70, 0, 120, 14],
        [5, 52, 120, 0, 38],
        [12, 27, 14, 38, 0]
    ]
}