EvoCore 0.1.0

Libreria de algoritmos geneticos flexible y extensible

EvoCore

Librería Python para construir y experimentar con algoritmos genéticos mediante un núcleo fijo y operadores intercambiables.

¿Qué es EvoCore?

EvoCore permite ejecutar algoritmos genéticos sin tocar el núcleo evolutivo. Los operadores de selección, cruce, mutación e inicialización se inyectan como dependencias, lo que hace que la librería sea fácil de extender y adaptar a cualquier problema.

¿Por que EvoCore?

Aqui Sergio explicara en el futuro que diferencia esta libreria del resto.

Instalación

Puede ser instalada desde pip.

En caso de querer instalar desde el repositorio:

• Python 3.10 or higher
• NumPy >= 1.26

Optional development dependencies (tests, documentation):

• pytest >= 8.0
• sphinx >= 7.0
• furo >= 2024.1.0
• numpydoc >= 1.8.0
• myst-parser >= 3.0.0
• build >= 1.2.0

   git clone https://github.com/tu-usuario/evocore.git
   cd evocore
   python3 -m venv .venv
   source .venv/bin/activate        # Linux / macOS
   .venv\Scripts\activate           # Windows
   pip install -e .[dev]

Uso rápido

El siguiente ejemplo resuelve el problema OneMax: maximizar el número de unos en un cromosoma binario.

import random
from evocore import GeneticAlgorithm, GeneticAlgorithmConfig, Individual
from evocore import TournamentSelection
from evocore import OnePointCrossover
from evocore import BitFlipMutation
from evocore import RandomBinaryInitializer

# Función de fitness: cuenta el número de unos
def onemax(solution, data=None):
    return float(sum(solution))

# Configuración del algoritmo
config = GeneticAlgorithmConfig(
    population_size=50,
    generations=100,
    crossover_rate=0.8,
    mutation_rate=0.01,
    elitism=2,
    seed=42,
)

# Construcción del algoritmo con operadores intercambiables
ga = GeneticAlgorithm(
    config=config,
    initializer=RandomBinaryInitializer(chromosome_length=20),
    selection=TournamentSelection(tournament_size=3),
    crossover=OnePointCrossover(),
    mutation=BitFlipMutation(mute_probability=0.1),
    fitness_function=onemax,
)

# Ejecución
best, history = ga.run()

print(f"Mejor solución: {best.solution}")
print(f"Fitness:        {best.fitness}")
print(f"Generaciones:   {len(history.records)}")

Operadores disponibles

Familia	Operador	Codificación
Selección	TournamentSelection	Cualquiera
Selección	RouletteWheelSelection	Cualquiera
Cruce	OnePointCrossover	Binaria
Cruce	UniformCrossover	Binaria
Mutación	BitFlipMutation	Binaria
Inicialización	RandomBinaryInitializer	Binaria

Estructura del proyecto

   src/evocore/
   ├── __init__.py              ← public API
   ├── core/
   │   ├── algorithm.py         ← GeneticAlgorithm (evolutionary loop)
   │   ├── config.py            ← GeneticAlgorithmConfig
   │   ├── individual.py        ← Individual
   │   ├── history.py           ← History, GenerationRecord
   │   └── population.py        ← population utilities
   ├── operators/
   │   ├── base.py              ← GeneticOperator (abstract)
   │   ├── selection/           ← 5 selection operators
   │   ├── crossover/           ← 7 crossover operators
   │   ├── mutation/            ← 5 mutation operators
   │   └── initialization/      ← 3 initializers
   ├── encodings/
   │   ├── base.py              ← Encoding (abstract)
   │   ├── binary.py
   │   ├── real.py
   │   └── permutation.py
   ├── metrics/
   │   ├── base.py              ← Metric (abstract)
   │   ├── fitness_variance.py
   │   ├── diversity.py
   │   ├── stagnation.py
   │   ├── mean_fitness.py
   │   └── selection_pressure.py
   ├── gp/                      ← Genetic Programming module
   │   ├── node.py
   │   ├── primitives.py
   │   ├── adf.py
   │   ├── individual.py
   │   ├── evaluation.py
   │   └── operators/
   └── utils/
       ├── validation.py        ← shared validation functions
       └── random.py            ← random chromosome generators

Tests

pytest -v

Documentación

file:///home/sergio/Escritorio/Uni/TFG/GA/docs/build/html/index.html

Estado del proyecto

Finalización de la etapa 1.0, en futuras versiones se planea apliar el modulo de programación genetica.

Licencia

MIT