Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 27 vistas

    Codigo Problema Mochila

    Cargado por

    luisutosc6787

    Copyright:

    © All Rights Reserved
    Descargue como TXT, PDF, TXT o lea en línea desde Scribd

    Codigo Problema Mochila

    Cargado por

    luisutosc6787
    27 vistas2 páginas

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    TXT, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Copyright:

    © All Rights Reserved
    Descargue como TXT, PDF, TXT o lea en línea desde Scribd
    Descargar como txt, pdf o txt
    27 vistas2 páginas

    Codigo Problema Mochila

    Cargado por

    luisutosc6787

    Copyright:

    © All Rights Reserved
    Descargue como TXT, PDF, TXT o lea en línea desde Scribd
    Descargar como txt, pdf o txt
    Está en la página 1de 2

    import random

    # Definir la capacidad máxima de la mochila


    CAPACIDAD_MAXIMA = 15

    # Definir los objetos disponibles, cada objeto es una tupla (valor, peso)
    objetos = [(4, 7), (5, 6), (6, 8),(3, 2)]

    # Definir parámetros del algoritmo genético


    TAMANO_POBLACION = 4
    NUM_GENERACIONES = 1
    PROBABILIDAD_MUTACION = 0.1

    # Función de inicialización de la población


    def inicializar_poblacion():
    poblacion = []
    for _ in range(TAMANO_POBLACION):
    individuo = [random.randint(0, 1) for _ in range(len(objetos))]
    poblacion.append(individuo)
    return poblacion

    # Función de evaluación de individuos


    def evaluar_individuo(individuo):
    valor_total = 0
    peso_total = 0
    for i in range(len(individuo)):
    if individuo[i] == 1:
    valor_total += objetos[i][0]
    peso_total += objetos[i][1]
    if peso_total > CAPACIDAD_MAXIMA:
    valor_total = 0
    return valor_total, peso_total

    # Función de selección de individuos para cruzamiento


    def seleccion(poblacion):
    seleccionados = []
    for _ in range(2):
    individuos = random.choices(poblacion, k=5)
    mejor_individuo = max(individuos, key=lambda x: evaluar_individuo(x)[0])
    seleccionados.append(mejor_individuo)
    return seleccionados

    # Función de cruzamiento de dos individuos


    def cruzamiento(padre1, padre2):
    punto_corte = random.randint(1, len(objetos) - 1)
    hijo1 = padre1[:punto_corte] + padre2[punto_corte:]
    hijo2 = padre2[:punto_corte] + padre1[punto_corte:]
    return hijo1, hijo2

    # Función de mutación de un individuo


    def mutacion(individuo):
    for i in range(len(individuo)):
    if random.random() < PROBABILIDAD_MUTACION:
    individuo[i] = 1 - individuo[i]
    return individuo

    # Algoritmo genético
    def algoritmo_genetico():
    poblacion = inicializar_poblacion()
    for _ in range(NUM_GENERACIONES):
    nueva_poblacion = []
    for _ in range(TAMANO_POBLACION // 2):
    padre1, padre2 = seleccion(poblacion)
    hijo1, hijo2 = cruzamiento(padre1, padre2)
    hijo1 = mutacion(hijo1)
    hijo2 = mutacion(hijo2)
    nueva_poblacion.extend([hijo1, hijo2])
    poblacion = nueva_poblacion
    mejor_individuo = max(poblacion, key=lambda x: evaluar_individuo(x)[0])
    return mejor_individuo, evaluar_individuo(mejor_individuo)

    # Ejecutar el algoritmo genético


    mejor_solucion, (mejor_valor, mejor_peso) = algoritmo_genetico()
    print("Mejor solución encontrada:", mejor_solucion)
    print("Valor de la mejor solución:", mejor_valor)
    print("Peso de la mejor solución:", mejor_peso)

    También podría gustarte