animal-breeding-optimizer 0.1.0

Микро-библиотека для оптимизации разведения животных

Animal Breeding Optimizer

Микро-библиотека для оптимизации разведения животных с использованием генетического алгоритма NSGA-II.

Описание

Библиотека предназначена для оптимизации подбора пар животных с учётом:

• Коэффициентов родства (инбридинга)
• Коэффициента племенной ценности, float (EBV - Estimated Breeding Values)
• Ограничений на количество партнёров
• Многокритериальной оптимизации

Основные возможности

Обработка родословных

• Загрузка и очистка данных родословной
• Построение графов родственных связей
• Извлечение предков до N поколений

Расчёт родства

• Коэффициенты родства между животными
• Коэффициенты инбридинга
• Матрица коэффициентов родства для всех пар

Генетическая оптимизация

• Многокритериальная оптимизация с помощью NSGA-II
• Учёт ограничений по родству
• Ограничения на количество партнёров
• Максимизация среднего EBV потомков

Анализ данных

• Статистика EBV для самок и самцов
• Анализ влияния фильтрации по родству
• Отчёты и визуализация результатов

Установка

# Клонирование репозитория
git clone <repository-url>
cd animal-breeding-optimizer

# Установка зависимостей
pip install pandas numpy networkx deap 

Быстрый старт

from animal_breeding_optimizer import (
    load_and_prepare_data,
    KinshipCalculator,
    BreedingOptimizer,
    create_offspring_matrix
)

# Загрузка данных
dams_df, sires_df, pedigree_processor = load_and_prepare_data(
    'dams.csv', 'sires.csv', 'pedigree.csv'
)

# Расчёт родства
kinship_calculator = KinshipCalculator(pedigree_processor)
kinship_matrix = kinship_calculator.calculate_kinship_matrix(dams_df, sires_df)

# Создание матрицы потомков
offspring_matrix = create_offspring_matrix(
    dams_df, sires_df, kinship_matrix, kinship_threshold=0.05
)

# Оптимизация
optimizer = BreedingOptimizer(offspring_matrix, max_assign_per_sire=0.1)
result_df, best_individual, hall_of_fame = optimizer.optimize(
    pop_size=100, ngen=50
)

print(f"Лучшее среднее EBV: {best_individual.fitness.values[0]:.2f}")

Структура данных

Входные файлы

dams.csv (самки):

id,ebv
UA77642,266.5
Zhuchka,0.0
...

sires.csv (самцы):

id,ebv
Gektor,468.0
1842,350.0
...

pedigree.csv (родословная):

id,mother_id,father_id
047882,RU8833,Khirs
...

Выходные данные

Результат оптимизации:

Dam,Assigned_Sire
76421,Gektor
Zhuchka,7421155
...

Основные классы

PedigreeProcessor

Обработка и анализ родословных данных.

processor = PedigreeProcessor('pedigree.csv')
processor.load_and_clean_pedigree()
graph = processor.build_pedigree_graph()

KinshipCalculator

Расчёт коэффициентов родства и инбридинга.

calculator = KinshipCalculator(pedigree_processor)
kinship = calculator.calculate_kinship(dam_id, sire_id)
inbreeding = calculator.calculate_inbreeding(animal_id)

BreedingOptimizer

Генетический алгоритм для оптимизации подбора пар.

optimizer = BreedingOptimizer(offspring_matrix, max_assign_per_sire=0.1)
result_df, best_individual, hall_of_fame = optimizer.optimize(
    pop_size=100, ngen=50, cxpb=0.8, mutpb=0.2
)

DataAnalyzer

Анализ данных и генерация отчётов.

ebv_stats = DataAnalyzer.analyze_ebv_statistics(dams_df, sires_df)
filtering_stats = DataAnalyzer.analyze_kinship_filtering(
    kinship_matrix, offspring_matrix
)
DataAnalyzer.print_analysis_report(ebv_stats, filtering_stats)

Параметры оптимизации

• kinship_threshold: порог родства для исключения пар (по умолчанию 0.05)
• max_assign_per_sire: максимальная доля самок на одного самца (по умолчанию 0.1)
• pop_size: размер популяции генетического алгоритма ("особь" в генетическом алгоритме -- это не реальное животное, а "вариант ответа", в нашем случае -- плана вязок)
• ngen: количество поколений генетического алгоритма
• cxpb: вероятность скрещивания (скрещивание -- это синтез из "особей" генетического алгоритма)
• mutpb: вероятность мутации (случайного изменения в следующем поколении)

Примеры использования

См. файл example_usage.py для полного примера работы с библиотекой.

Требования

• Python 3.7+
• pandas
• numpy
• networkx
• deap

Лицензия

MIT License

Поддержка

Для вопросов и предложений создавайте issues в репозитории.