Algoritmo Genético em Python

Este repositório contém uma implementação de um algoritmo genético em Python, desenvolvido para resolver problemas de otimização combinatória.

Visão Geral

O projeto consiste em dois arquivos principais:

• final-genetic-algorithm.py: Implementação completa do algoritmo genético
• step-by-step.ipynb: Notebook Jupyter com explicação passo a passo da implementação

O algoritmo foi desenvolvido para resolver um problema específico de otimização: maximizar o valor dos produtos transportados em um caminhão com espaço limitado.

Problema de Exemplo

O algoritmo resolve um problema de transporte onde:

• Temos um caminhão com capacidade limitada (3m³)
• Precisamos escolher quais produtos transportar
• Cada produto possui um volume (em m³) e um valor (em R$)
• Precisamos maximizar o valor total transportado sem exceder a capacidade

Estrutura do Algoritmo

O algoritmo genético implementado inclui:

1. Classe Produto: Representa um produto com nome, espaço (volume) e valor.
2. Classe Individuo: Representa uma solução candidata (cromossomo).
   • Possui métodos para avaliação (fitness), crossover e mutação.
3. Classe AlgoritimoGenetico: Implementa a lógica principal do algoritmo.
   • Gerencia a população de soluções
   • Implementa seleção de pais, crossover, mutação
   • Executa o algoritmo por múltiplas gerações

Como Usar

Executando o Algoritmo Completo

# Importar o algoritmo
from final-genetic-algorithm import Produto, Individuo, AlgoritimoGenetico

# Criar lista de produtos
lista_produtos = []
lista_produtos.append(Produto('Produto A', 0.5, 1000.0))
lista_produtos.append(Produto('Produto B', 0.3, 800.0))
# ... adicionar mais produtos

# Preparar dados
espacos = [produto.espaco for produto in lista_produtos]
valores = [produto.valor for produto in lista_produtos]

# Configurar parâmetros
tamanho_populacao = 20
limite_espaco = 3  # m³
taxa_mutacao = 0.01
numero_geracoes = 100

# Executar algoritmo
ag = AlgoritimoGenetico(tamanho_populacao)
resultado = ag.resolver(taxa_mutacao, numero_geracoes, espacos, valores, limite_espaco)

# Exibir resultados
for i in range(len(lista_produtos)):
    if resultado[i] == '1':
        print(f'Nome: {lista_produtos[i].nome} R$ {lista_produtos[i].valor}')

Parâmetros Importantes

• tamanho_populacao: Define quantos indivíduos terão na população
• taxa_mutacao: Probabilidade de ocorrer mutação em um gene
• numero_geracoes: Quantidade de gerações a serem executadas
• limite_espaco: Capacidade máxima disponível

Aprendizado Passo a Passo

O notebook step-by-step.ipynb contém uma implementação detalhada e comentada do algoritmo, explicando cada etapa:

1. Definição do problema
2. Implementação das classes
3. Desenvolvimento do algoritmo genético
4. Visualização dos resultados

É recomendado explorar o notebook para entender melhor os conceitos e a implementação.

Adaptando para Outros Problemas

O algoritmo pode ser adaptado para outros problemas de otimização combinatória:

1. Altere a classe Produto para representar os elementos do seu problema
2. Modifique a função de avaliação (avaliacao) para calcular o fitness específico
3. Ajuste os parâmetros (tamanho da população, taxa de mutação, etc.)
4. Execute o algoritmo conforme suas necessidades

Conceitos de Algoritmos Genéticos

• Cromossomo: Representação binária de uma solução
• População: Conjunto de soluções candidatas
• Seleção: Processo de escolha dos melhores indivíduos
• Crossover: Recombinação de material genético entre indivíduos
• Mutação: Alteração aleatória nos genes
• Fitness: Avaliação da qualidade de uma solução