{"id":27251579,"url":"https://github.com/dfleta/mastermind-genetic-algorithm","last_synced_at":"2025-04-11T01:10:50.460Z","repository":{"id":283678218,"uuid":"948779084","full_name":"dfleta/mastermind-genetic-algorithm","owner":"dfleta","description":"Solving the mastermind game using genetic algorithms","archived":false,"fork":false,"pushed_at":"2025-03-21T13:59:23.000Z","size":1473,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-03-21T14:46:56.677Z","etag":null,"topics":["genetic-algorithm","ia","mastermind-game","optimization-algorithms","optimization-problem"],"latest_commit_sha":null,"homepage":"","language":"Python","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/dfleta.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null}},"created_at":"2025-03-15T00:14:36.000Z","updated_at":"2025-03-21T13:59:26.000Z","dependencies_parsed_at":"2025-03-21T14:48:56.821Z","dependency_job_id":"a4cfc28c-9826-491c-b9b5-a0d820b62143","html_url":"https://github.com/dfleta/mastermind-genetic-algorithm","commit_stats":null,"previous_names":["dfleta/mastermind-genetic-algorithm"],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/dfleta%2Fmastermind-genetic-algorithm","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/dfleta%2Fmastermind-genetic-algorithm/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/dfleta%2Fmastermind-genetic-algorithm/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/dfleta%2Fmastermind-genetic-algorithm/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/dfleta","download_url":"https://codeload.github.com/dfleta/mastermind-genetic-algorithm/tar.gz/refs/heads/main","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":248322600,"owners_count":21084337,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["genetic-algorithm","ia","mastermind-game","optimization-algorithms","optimization-problem"],"created_at":"2025-04-11T01:10:49.975Z","updated_at":"2025-04-11T01:10:50.448Z","avatar_url":"https://github.com/dfleta.png","language":"Python","funding_links":[],"categories":[],"sub_categories":[],"readme":"Resolviendo Mastermind mediante algoritmos genéticos\n====================================================\n\n## Contexto\n[Texto de este epígrafe generado por Claude]\n\nMastermind es un juego de mesa de deducción donde un jugador (el codificador) crea un código secreto usando una combinación de colores, y el otro jugador (el decodificador) intenta adivinarlo mediante propuestas sucesivas. Después de cada intento, el codificador proporciona retroalimentación indicando:\n- Cuántos colores están en la posición correcta (clavijas negras)\n- Cuántos colores correctos están en posición incorrecta (clavijas blancas)\n\nEste problema representa un desafío de optimización combinatoria donde:\n- El espacio de búsqueda es extenso (P^N posibilidades, donde P es el número de colores y N la longitud del código)\n- Existe retroalimentación clara sobre la calidad de cada solución (función fitness)\n- Las soluciones pueden ser \"cruzadas\" y \"mutadas\" de forma natural\n\nEstas características hacen que el problema sea especialmente adecuado para su resolución mediante algoritmos genéticos, donde cada posible código representa un cromosoma en la población, y la retroalimentación del juego se utiliza como función de aptitud (fitness) para guiar la evolución hacia la solución óptima.\n\n## Instalación y Configuración\n\n### Requisitos Previos\n- Python ≥ 3.11\n- [uv](https://github.com/astral-sh/uv) (gestor de paquetes de Python)\n\n### Instalación\n\n1. Clonar el repositorio:\n```bash\ngit clone https://github.com/dfleta/mastermind-genetic-algorithm.git\ncd mastermind-genetic-algorithm\n```\n\n2. Crear y activar un entorno virtual con uv:\n```bash\npython -m pip install uv\n\nuv venv\n\nsource .venv/bin/activate  # En Linux/MacOS\n# o\n.venv\\Scripts\\activate     # En Windows\n```\n\n3. Instalar las dependencias:\n```bash\nuv sync\n```\n\n4. (Opcional) Instalar dependencias de desarrollo:\n```bash\nuv sync --group lint\n```\n\n### Dependencias Principales\n#### Produccción:\n- matplotlib \u003e= 3.10.1\n#### Desarrollo:\n- ruff ≥ 0.10.0\n- pytest \u003e= 8.3.5\n\n### Uso\n\n`uv run play_mastermind.py`\n\no\n\n`python3 play_mastermind.py`\n\n## Implementación\n[Texto de este epígrafe generado por Claude]\n\nLa implementación del algoritmo genético sigue el ciclo de vida propuesto en Hurbans (2020).\n\n![\"Ciclo de vida de un algoritmo genético\"](./doc/Genetic_algotithm_life_cicle.png)\n*Ciclo de vida de un algoritmo genético. Figura 4.9 \"Genetic algorithm life cicle\" de Hurbans (2020)*\n\nEl ciclo de vida se implementa en la clase `GA` siguiendo estas etapas:\n\n1. **Población Inicial** (`create_initial_population`):\n   - Se generan 60 cromosomas aleatorios únicos\n   - Cada cromosoma es una tupla de 4 colores que representa un posible código\n\n2. **Evaluación** (`evaluate_population`, `evaluate_individual`):\n   - Cada cromosoma se evalúa contra el código secreto usando la función de fitness del juego\n   - La función devuelve la suma de clavijas negras y blancas (máximo global = 4)\n\n3. **Selección de Padres** (`select_parents`, `weighted_random_choice`):\n   - Se seleccionan 40 padres mediante \"roulette wheel selection\"\n   - La probabilidad de selección es proporcional al fitness de cada cromosoma\n\n4. **Reproducción** (`reproduce_offspring`, `single_point_crossover`):\n   - Los padres se emparejan aleatoriamente\n   - Cada pareja genera dos hijos mediante crossover de punto único en la posición 2\n   - Los hijos se añaden a la población\n\n5. **Mutación** (`mutation`):\n   - Se muta un 10% de la población sumada al offspring (MUTATION_RATIO = 10)\n   - Para cada mutación, se selecciona un gen aleatorio y se cambia por otro color\n\n6. **Selección de Nueva Generación** (`populate_next_generation`):\n   Se implementan dos estrategias:\n   - **Elitismo** (`elitism_selection`): Selecciona los 60 mejores cromosomas\n   - **Rank Wheel** (`rank_selection`): Selección probabilística basada en el ranking de fitness\n\n7. **Condición de Parada** (`stopping`, `global_maximum`, `local_maximum`):\n   El algoritmo se detiene cuando:\n   - Se encuentra el código secreto (fitness = 4)\n   - Se alcanza el número máximo de generaciones\n   - Se detecta un máximo local no explorado previamente\n\n## Resultados\n\n### Función fitness de los individuos /cromosomas por generación.\n\n![\"Función fitness por cromosoma por generación\"](./doc/gif/ezgif.com-animated-gif-maker.gif)\n\n\n### Rank wheel para la selección de individuos que pasan a la siguiente generación\n\n![\"Salida por consola\"](./doc/CLI_mutation_rank_colored.png)\n*Código a averiguar, máximo local tras cada generación (no explorado aun) con el valor de la función fitness y máximo global.*\n\n![\"Gráfica fitness individuos de cada generación\"](./doc/Figure_mutation_rank_colored.png)\n*Fitness de cada individuo en cada generación.*\n\n![\"Código con 4 colores idénticos\"](./doc/Figure_4_red_locals.png)\n*Código a averiguar, máximo local tras cada generación (no explorado aun) con el valor de la función fitness y máximo global.*\n\n### Elitismo en la selección de individuos que pasan a la siguiente generación\n\n![\"Elitismo\"](./doc/Figure_elitism.png)\n*Al emplear elitismo, los individuos con peor fitness desaparecen de las generaciones posteriores*\n\n## Referencias\nHurbans, R. (2020). _Grokking Artificial Intelligence Algorithms_. Manning Publications Co. ISBN: 9781617296185\n\nRussell, S. J., \u0026 Norvig, P. (2022). _Artificial intelligence: a modern approach_. Global edition. Pearson Education Limited.\n\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fdfleta%2Fmastermind-genetic-algorithm","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fdfleta%2Fmastermind-genetic-algorithm","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fdfleta%2Fmastermind-genetic-algorithm/lists"}