https://github.com/dfleta/mastermind-genetic-algorithm
Solving the mastermind game using genetic algorithms
https://github.com/dfleta/mastermind-genetic-algorithm
genetic-algorithm ia mastermind-game optimization-algorithms optimization-problem
Last synced: 12 months ago
JSON representation
Solving the mastermind game using genetic algorithms
- Host: GitHub
- URL: https://github.com/dfleta/mastermind-genetic-algorithm
- Owner: dfleta
- Created: 2025-03-15T00:14:36.000Z (about 1 year ago)
- Default Branch: main
- Last Pushed: 2025-03-21T13:59:23.000Z (about 1 year ago)
- Last Synced: 2025-03-21T14:46:56.677Z (about 1 year ago)
- Topics: genetic-algorithm, ia, mastermind-game, optimization-algorithms, optimization-problem
- Language: Python
- Homepage:
- Size: 1.4 MB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
Resolviendo Mastermind mediante algoritmos genéticos
====================================================
## Contexto
[Texto de este epígrafe generado por Claude]
Mastermind 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:
- Cuántos colores están en la posición correcta (clavijas negras)
- Cuántos colores correctos están en posición incorrecta (clavijas blancas)
Este problema representa un desafío de optimización combinatoria donde:
- El espacio de búsqueda es extenso (P^N posibilidades, donde P es el número de colores y N la longitud del código)
- Existe retroalimentación clara sobre la calidad de cada solución (función fitness)
- Las soluciones pueden ser "cruzadas" y "mutadas" de forma natural
Estas 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.
## Instalación y Configuración
### Requisitos Previos
- Python ≥ 3.11
- [uv](https://github.com/astral-sh/uv) (gestor de paquetes de Python)
### Instalación
1. Clonar el repositorio:
```bash
git clone https://github.com/dfleta/mastermind-genetic-algorithm.git
cd mastermind-genetic-algorithm
```
2. Crear y activar un entorno virtual con uv:
```bash
python -m pip install uv
uv venv
source .venv/bin/activate # En Linux/MacOS
# o
.venv\Scripts\activate # En Windows
```
3. Instalar las dependencias:
```bash
uv sync
```
4. (Opcional) Instalar dependencias de desarrollo:
```bash
uv sync --group lint
```
### Dependencias Principales
#### Produccción:
- matplotlib >= 3.10.1
#### Desarrollo:
- ruff ≥ 0.10.0
- pytest >= 8.3.5
### Uso
`uv run play_mastermind.py`
o
`python3 play_mastermind.py`
## Implementación
[Texto de este epígrafe generado por Claude]
La implementación del algoritmo genético sigue el ciclo de vida propuesto en Hurbans (2020).
*Ciclo de vida de un algoritmo genético. Figura 4.9 "Genetic algorithm life cicle" de Hurbans (2020)*
El ciclo de vida se implementa en la clase `GA` siguiendo estas etapas:
1. **Población Inicial** (`create_initial_population`):
- Se generan 60 cromosomas aleatorios únicos
- Cada cromosoma es una tupla de 4 colores que representa un posible código
2. **Evaluación** (`evaluate_population`, `evaluate_individual`):
- Cada cromosoma se evalúa contra el código secreto usando la función de fitness del juego
- La función devuelve la suma de clavijas negras y blancas (máximo global = 4)
3. **Selección de Padres** (`select_parents`, `weighted_random_choice`):
- Se seleccionan 40 padres mediante "roulette wheel selection"
- La probabilidad de selección es proporcional al fitness de cada cromosoma
4. **Reproducción** (`reproduce_offspring`, `single_point_crossover`):
- Los padres se emparejan aleatoriamente
- Cada pareja genera dos hijos mediante crossover de punto único en la posición 2
- Los hijos se añaden a la población
5. **Mutación** (`mutation`):
- Se muta un 10% de la población sumada al offspring (MUTATION_RATIO = 10)
- Para cada mutación, se selecciona un gen aleatorio y se cambia por otro color
6. **Selección de Nueva Generación** (`populate_next_generation`):
Se implementan dos estrategias:
- **Elitismo** (`elitism_selection`): Selecciona los 60 mejores cromosomas
- **Rank Wheel** (`rank_selection`): Selección probabilística basada en el ranking de fitness
7. **Condición de Parada** (`stopping`, `global_maximum`, `local_maximum`):
El algoritmo se detiene cuando:
- Se encuentra el código secreto (fitness = 4)
- Se alcanza el número máximo de generaciones
- Se detecta un máximo local no explorado previamente
## Resultados
### Función fitness de los individuos /cromosomas por generación.
### Rank wheel para la selección de individuos que pasan a la siguiente generación
*Código a averiguar, máximo local tras cada generación (no explorado aun) con el valor de la función fitness y máximo global.*
*Fitness de cada individuo en cada generación.*
*Código a averiguar, máximo local tras cada generación (no explorado aun) con el valor de la función fitness y máximo global.*
### Elitismo en la selección de individuos que pasan a la siguiente generación
*Al emplear elitismo, los individuos con peor fitness desaparecen de las generaciones posteriores*
## Referencias
Hurbans, R. (2020). _Grokking Artificial Intelligence Algorithms_. Manning Publications Co. ISBN: 9781617296185
Russell, S. J., & Norvig, P. (2022). _Artificial intelligence: a modern approach_. Global edition. Pearson Education Limited.