https://github.com/bl33h/particleswarmdelivery
https://github.com/bl33h/particleswarmdelivery
Last synced: 3 months ago
JSON representation
- Host: GitHub
- URL: https://github.com/bl33h/particleswarmdelivery
- Owner: bl33h
- License: mit
- Created: 2024-10-21T02:09:35.000Z (8 months ago)
- Default Branch: main
- Last Pushed: 2024-11-12T21:46:32.000Z (7 months ago)
- Last Synced: 2025-01-21T15:15:09.371Z (5 months ago)
- Language: Jupyter Notebook
- Size: 3.81 MB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# Proyecto Final
Desarrollo de un algoritmo de enjambre de partículas para optimizar rutas de entrega, considerando demanda variable, costo de combustible y otros gastos. Además se realiza una comparación con Algoritmos Genéticos.
## Descripción de los avances (22/10/2024)
* Se ha avanzado en la implementación del algoritmo de Enjambre de Partículas (PSO) para la optimización de rutas de entrega.
* El modelo inicial incluye una estructura básica donde las rutas se representan como permutaciones de nodos, y se ha definido una función objetivo que toma en cuenta tanto las distancias entre ubicaciones como los costos de combustible y las demandas variables de entrega, modeladas como una distribución aleatoria.
* Además, se han generado de manera aleatoria tanto las distancias entre los nodos como los costos de combustible y las demandas en cada punto de entrega.
* El algoritmo ha sido configurado para iterar y mejorar las soluciones, buscando minimizar el costo total de la ruta.
## Descripción de los avances (07/11/2024)
* Se ha implementado un algoritmo Genético (GA) para optimizar las rutas de entrega, ofreciendo una alternativa comparativa al Enjambre de Partículas (PSO).
* El modelo inicial del GA considera rutas de entrega como permutaciones de nodos, y se ha desarrollado una función de aptitud que evalúa cada ruta en función de la distancia entre ubicaciones, el costo de combustible y la demanda variable de entrega en cada nodo.
* La demanda y los costos de combustible para cada nodo se han generado de manera aleatoria, permitiendo que el algoritmo optimice en un escenario realista con variabilidad de demanda y costos.
* En el proceso, el GA utiliza operadores de selección, cruce (crossover) y mutación:
* Selección: Se implementa una selección por torneo, favoreciendo rutas con menores costos totales.
* Cruce: Se emplea un cruce en un punto, con un filtro para preservar rutas válidas y evitar nodos repetidos.
* Mutación: Introduce variabilidad adicional mediante el intercambio aleatorio de nodos en algunas rutas.
* El algoritmo se configura para iterar durante varias generaciones, mejorando progresivamente las rutas para reducir el costo total, considerando tanto las demandas como los costos asociados a cada nodo.