Pierwsze laboratorium przygotowane dla kola naukowego bit-ai. 22 styczen 2015

##obsluga

• sciagamy repozytorium wszystkimi branchami
• przechodzimy do lev0
• rozpoczynamy kodzenie, jezeli nie nadazamy, przechodzimy do nastepnego "lev", i ewentalnie mergujemy to co juz napisalismy.
• testujemy napisany kod, testy nie zmieniaja sie miedzy branchami, wiec nie beda przechodzic w calosci dopoki nie zrobimy wszystkiego.
• testy nie gwarantuja poprawnosci kodu

##pliki

• individual.py i population.py zawieraja klasy ktore nalezy zaimplementowac
• tools.py zawiera dodatkowa funkcje ktore powinno sie zaimplementowac samemu, ale mozna skorzystac z gotowej
• nim_tools.py zawiera dodawtkowe funkcje, funkcje symulacji gry, oraz funkcje pozwalajaca na wysyłanie osobnika do turnieju
• reszta zawiera testy jednostkowe

##tresc

• nalezy zaimplementowac prosty algorytm genetyczny SGA w celu wyłonienia gry nim
• genomem osobnika jest ciąg binarny (jako string) który implementuje strategie gry w nim
  • gra w nim: w grze jest obecnych 2 graczy, oraz stos n kamieni, każdy gracz po kolei ściąga po 1 lub 2 kamieni ze stosu, gracz który ostatni ściągnie kamienie tak że nie zostaju już żaden, przegrywa.
  • ciąg binarny powinien być o długoci n, miejsce w ciągu reprezentuje lcizbe kamieni na stosie, wartość w ciągu reprezentuje liczbe kamieni jaką bot powinien ściągnąć, "1" - bot ściąga 2 kamienie "0" - ściaga 1 kamień
• sprawdzanie dostosowania w populacji jest robione poprzez walkę (grę w nim) par osobników
• selekcja prowadzona jest przez wybieranie tych osbników które przetrwały walki
• rozmnazanie poprzez crossing over genomow dwu osobnikow i stworzeniu nowych 4 osobnikow

##jak działać samemu

• ściągnij repo otwórz sobie lev0 bądź też od razu lev1
• rozwijaj kod klasy Population tak aby przechodził test (ind_test.py), dodatkowo:
  • stwórz odpowiednio count_fitness i selekcje tak jak opisałe powyżej i jak to wynika z testów
  • w funkcji rozradzającej użyj crossing over (jest zaimplementowana w tool)
  • następnie od razu wykonaj dla nich mutacje (z prawdopodobienstwiem odpowiadającym Individual.mutation_factor, czyli np w przypadku testowym/domyslnym 5 czyli 5%), jeżeli mutacja ma zostać wykonana zamieniamy jeden gen na losowy inny gen
• jeżeli przechodzisz przez test upewnij się że w miare wsyzstko działa w konsoli sprawdzajac samemu zachowanie klasy Individual
• przejdz do rozwijania Population
• rozwijaj kod klasy Population tak aby przechodził test (pop_test.py), dodatkowo:
  • stwórz metode evaluate tak aby lcizyła wartosc funkcji dostosowania dla każdego osbnika w populacji i tak jak to wynika z testow
  • stwórz metode selection tak aby w tablicy selected była zapisana połowa najlepszych osobników w populacji i tak jak to wynika z testow
  • stwórz metode breed tak aby z 2 osobników robiła 4 nowych (2 razy wywołujesz breed with) i zapisywała ich do nowej populacji (uwaga, przez to najprawdopodobniej liczba osobników w populacji musi być pdozielna przez 4)
  • metode evolve stwórz tak jak to wynika z testów
• jeżeli przechodzisz przez test upewnij się że w miare wsyzstko działa w konsoli sprawdzajac samemu zachowanie klasy Population
• o ile wszystko się zgadza, powinieneś mieć działający algorytm genetyczny :)

##zrobiłem i co dalej Pobaw się ;) Przede wszystkim stwórz sobie nową populacje, wywołaj na niej metodę evolve, wypisując osobników wedle uznania i obserwój jak tworzy się optymalna strategia gry. Jeżeli tak się dzieje możesz się pobawić w inny sposób:

• Pobaw się długościami genomu
• Liczbą osobników
• Prawdopodobieństwem mutacji
• Funkcją dostosowania
• Spróbuj co sie stanie jeżeli będziesz zawsze zostawiał najlepszego osbnika
• Zmień sposób selekcji
• zmień sposób przeprowadzania sprawdzania dostosowania

###Pytania i odpowiedzi: Pytania mozesz zadawac na tym repo, przez mojego uzytkownika znajdziesz rowniez kontakt do mnie.

wchodzim do jakiegokolwiek katalogu, robimy

git clone https://github.com/hawkerpl/bit-ai-algen-alg1.git

wchodzimy do brancha:

git checkout lev0

stwierdzilismy ze costam zrobilismy i przechodzimy do innego brancha wiec zapisujemy to oco zrobilismy

git add . 
git commit -m "wiadomosc"

i przechodzimy git checkout lev0