geneticops 0.1.0

Librería de algoritmos genéticos en Python

GeneticOps

Una librería para algoritmos genéticos en Python, diseñada para ser modular, extensible y fácil de usar.

Descripción

GeneticOps proporciona una implementación completa y flexible de algoritmos genéticos, permitiendo su aplicación a una amplia variedad de problemas de optimización. La librería está diseñada siguiendo principios de modularidad y extensibilidad, facilitando la personalización de cada componente del algoritmo genético.

Características

• Modularidad: Todos los componentes (selección, cruce, mutación, etc.) son intercambiables.
• Extensibilidad: Fácil de extender con nuevos operadores y funcionalidades.
• Tipado estático: Uso de typing para mejorar la documentación y el desarrollo.
• Documentación completa: Docstrings detallados en estilo NumPy para todas las funciones.
• Visualización integrada: Funciones para visualizar la convergencia y los resultados.
• Ejemplos incluidos: Varios ejemplos de problemas clásicos resueltos con la librería.

Instalación

pip install geneticops

Uso básico

import numpy as np
from geneticops import (
    AlgoritmoGenetico, 
    inicializar_poblacion_binaria,
    seleccion_ruleta,
    cruce_un_punto,
    mutacion_bit_flip,
    reemplazo_elitismo,
    condicion_max_generaciones,
    graficar_convergencia
)

# Definir una función de fitness
def fitness(individuo):
    # Maximizar el número de unos
    return np.sum(individuo)

# Crear instancia del algoritmo genético
ag = AlgoritmoGenetico(
    tamano_poblacion=100,
    longitud_individuo=10,
    funcion_fitness=fitness,
    funcion_inicializacion=inicializar_poblacion_binaria,
    funcion_seleccion=seleccion_ruleta,
    funcion_cruce=cruce_un_punto,
    funcion_mutacion=mutacion_bit_flip,
    funcion_reemplazo=reemplazo_elitismo,
    condicion_parada=condicion_max_generaciones,
    probabilidad_cruce=0.8,
    probabilidad_mutacion=0.1,
    elitismo=0.1,
    max_generaciones=100,
    tipo_genoma='binario'
)

# Ejecutar el algoritmo
mejor_individuo, mejor_fitness, info = ag.ejecutar()

# Visualizar resultados
print(f"Mejor individuo: {mejor_individuo}")
print(f"Fitness: {mejor_fitness}")
graficar_convergencia(info['historia_fitness'])

Componentes disponibles

Inicialización de población

• inicializar_poblacion_binaria: Genomas binarios (0s y 1s)
• inicializar_poblacion_real: Genomas de valores reales
• inicializar_poblacion_permutacion: Genomas de permutación (para TSP)
• inicializar_poblacion_desde_semilla: Inicialización a partir de un individuo semilla

Selección

• seleccion_ruleta: Selección proporcional al fitness
• seleccion_torneo: Selección por torneos
• seleccion_ranking: Selección basada en ranking
• seleccion_truncamiento: Selección de los mejores individuos
• seleccion_estocastica_universal: Muestreo estocástico universal

Cruce

• cruce_un_punto: Cruce en un punto (binario)
• cruce_dos_puntos: Cruce en dos puntos (binario)
• cruce_uniforme: Cruce uniforme (binario)
• cruce_aritmetico: Cruce aritmético (valores reales)
• cruce_sbx: Simulated Binary Crossover (valores reales)
• cruce_pmx: Partially Mapped Crossover (permutación)
• cruce_ox: Order Crossover (permutación)
• cruce_ciclo: Cycle Crossover (permutación)

Mutación

• mutacion_bit_flip: Inversión de bits (binario)
• mutacion_uniforme: Valores aleatorios uniformes (real)
• mutacion_gaussiana: Ruido gaussiano (real)
• mutacion_swap: Intercambio de posiciones (permutación)
• mutacion_inversion: Inversión de segmento (permutación)
• mutacion_insertion: Inserción (permutación)
• mutacion_scramble: Barajado de segmento (permutación)
• mutacion_adaptativa: Mutación que se adapta según la fase del algoritmo

Reemplazo

• reemplazo_generacional: Reemplazo completo con posible elitismo
• reemplazo_elitismo: Selección de los mejores de ambas poblaciones
• reemplazo_estado_estacionario: Reemplazo de algunos individuos
• reemplazo_torneo: Torneos entre individuos de ambas poblaciones
• reemplazo_aleatorio: Reemplazo aleatorio
• reemplazo_adaptativo: Estrategia adaptativa según la fase del algoritmo

Condiciones de parada

• condicion_max_generaciones: Número máximo de generaciones
• condicion_convergencia: Convergencia en fitness
• condicion_fitness_objetivo: Alcanzar un valor objetivo de fitness
• condicion_tiempo_limite: Tiempo límite de ejecución
• condicion_estancamiento: Detección de estancamiento
• condicion_combinada: Combinación de múltiples condiciones
• condicion_personalizada: Condición definida por el usuario

Utilidades

• graficar_convergencia: Visualización de la evolución del fitness
• guardar_resultados: Guardar resultados en archivos
• cargar_mejor_individuo: Cargar individuo desde archivo
• calcular_estadisticas_poblacion: Estadísticas de la población
• calcular_diversidad_poblacion: Medida de diversidad
• decodificar_binario_a_real: Convertir genoma binario a valores reales
• codificar_real_a_binario: Convertir valores reales a genoma binario
• CacheDecorador: Decorador para cachear evaluaciones de fitness

Ejemplos

La librería incluye ejemplos de aplicación a problemas clásicos:

• maximizar_funcion.py: Encontrar el máximo de una función.
• problema_mochila.py: Problema de la mochila (Knapsack Problem).
• viajero_comercio.py: Problema del viajante de comercio (TSP).

Publicación en PyPI

Para publicar la librería en PyPI:

# Instalar herramientas necesarias
pip install setuptools wheel twine

# Generar distribución
python setup.py sdist bdist_wheel

# Publicar en TestPyPI (opcional, para pruebas)
twine upload --repository-url https://test.pypi.org/legacy/ dist/*

# Publicar en PyPI
twine upload dist/*

Requisitos

• Python 3.6+
• NumPy
• Matplotlib (para visualización)

Licencia

Este proyecto está bajo la licencia MIT. Ver el archivo LICENSE para más detalles.