-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathAestrela.py
225 lines (202 loc) · 10.9 KB
/
Aestrela.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
# Bibliotecas
import numpy as np
m0 = {'N': True, 'S': True, 'E': True, 'O': True, 'NE': True, 'NO': True, 'SE': True, 'SO': True}
[lin, col, inicio, alvo, ch, cv, cd, movimento, obstaculo] = [3, 3, 1, 9, 1, 1, 12, m0, [2, 3]]
# Configurações
LINHAS = lin # Número de Linhas
COLUNAS = col # Número de Colunas
INICIO = inicio # Posição Inicial
ALVO = alvo # Posição Alvo
CH = ch # Custo Horizontal
CV = cv # Custo Vertical
# Custo Diagonal (Vários tipos)
dcustos = {1: 1, 2: 2, 3: 3, 4: 4, 5: 5, 6: 6, 7: 7, 8: 8, 9: 9, 10: 10, 11: CV+CH, 12: (CH**2+CV**2)**(1/2)}
CD = dcustos.get(cd, 12)
MOVIMENTACAO = movimento # {'N':True,'S':True,'E':True,'O':True,'NE':True,'NO':True,'SE':True, 'SO':True}
OBSTACULOS = obstaculo
CUSTO = 0 # Custo total
ABERTO = [] # Conjunto de Posições Abertas
FECHADO = [] # Conjunto de Posições Fechadas
# Inicialização das variáveis dadas as configurações
mapaLabirinto = np.arange(1, LINHAS * COLUNAS + 1, 1).reshape(LINHAS, COLUNAS) # Labirinto com cada posição numerada
mapaCusto = np.zeros(LINHAS*COLUNAS).reshape(LINHAS, COLUNAS) # Labirinto com o custo de cada posição
mapaCustoG = np.zeros(LINHAS*COLUNAS).reshape(LINHAS, COLUNAS) # Labirinto com o custo de cada posição
mapaCustoH = np.zeros(LINHAS*COLUNAS).reshape(LINHAS, COLUNAS) # Labirinto com o custo de cada posição
mapaCaminho = [[None for a in range(LINHAS)] for b in range(COLUNAS)] # Labirinto com o caminho para cada posição
# mapaCaminhosAlt = [[[] for a in range(LINHAS)] for b in range(COLUNAS)] # Labirinto com o caminho para cada posição
alvoIndex = np.argwhere(mapaLabirinto == ALVO) # Index da posição alvo
# Funções
def atualizar_config(ln, cl, ini, al, cho, cve, cdi, mov, obst):
""" Atualiza as configurações do algoritmo A*"""
global LINHAS, COLUNAS, INICIO, ALVO, CH, CV, CD, MOVIMENTACAO, OBSTACULOS
global dcustos
LINHAS = ln # Número de Linhas
COLUNAS = cl # Número de Colunas
INICIO = ini # Posição Inicial
ALVO = al # Posição Alvo
CH = cho # Custo Horizontal
CV = cve # Custo Vertical
dcustos = {1: 1, 2: 2, 3: 3, 4: 4, 5: 5, 6: 6, 7: 7, 8: 8, 9: 9, 10: 10, 11: cve + cho,
12: (cho ** 2 + cve ** 2) ** (1 / 2)}
CD = dcustos.get(cdi, 12) # Custo Diagonal (Vários tipos)
# {'N': True, 'S': True, 'E': True, 'W': True, 'NE': True, 'NW': True, 'SE': True, 'SW': True}
MOVIMENTACAO = mov
OBSTACULOS = obst # Lista com os obstáculos
def dist_manhattan(x_inicial, y_inicial, x_alvo, y_alvo):
""" Distância Manhattan entre as células """
custo = abs(x_inicial - x_alvo) + abs(y_inicial - y_alvo)
return custo
def dist_pitagoras(x_inicial, y_inicial, x_alvo, y_alvo):
""" Distância pitagórica entre as células """
custo = ((x_inicial - x_alvo)**2 + (y_inicial - y_alvo)**2)**(1/2)
return custo
def melhor_caminho(pos):
caminho = [pos]
pos_index = np.argwhere(mapaLabirinto == pos)
x_0 = pos_index[0][0]
y_0 = pos_index[0][1]
anterior = mapaCaminho[x_0][y_0]
while anterior != INICIO:
caminho.append(anterior)
n_index = np.argwhere(mapaLabirinto == anterior)
x_n = n_index[0][0]
y_n = n_index[0][1]
anterior = mapaCaminho[x_n][y_n]
caminho.append(INICIO)
return list(reversed(caminho))
def custo_posicao(pos):
pos_index = np.argwhere(mapaLabirinto == pos)
x = pos_index[0][0]
y = pos_index[0][1]
return mapaCusto[x][y]
def custo_movimentacao(caminho=list([]), pos_i=1, pos_f=1):
""" Retorna o custo da movimentação entre duas posições ou um caminho."""
custo = 0
# Caso o argumento sejam duas posições
pos_i_index = np.argwhere(mapaLabirinto == pos_i)
pos_f_index = np.argwhere(mapaLabirinto == pos_f)
x_i = pos_i_index[0][0]
y_i = pos_i_index[0][1]
x_f = pos_f_index[0][0]
y_f = pos_f_index[0][1]
if x_f != x_i and y_f != y_i:
custo = CD
elif x_f != x_i:
custo = CH
elif y_f != y_i:
custo = CV
# Caso o argumento seja uma lista
if len(caminho) >= 1:
custo = 0
for index in range(len(caminho)-1):
custo += custo_movimentacao([], caminho[index], caminho[index + 1])
return custo
def conexao_celula(cel_index):
""" Retorna uma lista com as possiveis conexoes da celula, dada em index da matrix. """
x = cel_index[0][0]
y = cel_index[0][1]
conexao = []
# Possíveis Movimentos
if x > 0 and MOVIMENTACAO['E']:
conexao.append(mapaLabirinto[x - 1][y])
if x < LINHAS - 1 and MOVIMENTACAO['O']:
conexao.append(mapaLabirinto[x + 1][y])
if y > 0 and MOVIMENTACAO['N']:
conexao.append(mapaLabirinto[x][y - 1])
if y < COLUNAS - 1 and MOVIMENTACAO['S']:
conexao.append(mapaLabirinto[x][y + 1])
if x > 0 and y > 0 and MOVIMENTACAO['NO']:
conexao.append(mapaLabirinto[x - 1][y - 1])
if x < LINHAS - 1 and y < COLUNAS - 1 and MOVIMENTACAO['SE']:
conexao.append(mapaLabirinto[x + 1][y + 1])
if y > 0 and x < LINHAS - 1 and MOVIMENTACAO['SO']:
conexao.append(mapaLabirinto[x + 1][y - 1])
if x > 0 and y < COLUNAS - 1 and MOVIMENTACAO['NE']:
conexao.append(mapaLabirinto[x - 1][y + 1])
# Ignorando celulas obstaculo como caminho possivel
set_conexao = set(conexao)
set_obstaculos = set(OBSTACULOS)
conexao = list(set_conexao - set_obstaculos)
return conexao # lista com as celulas que se conectam com cel_index
def run_a_estrela():
global LINHAS, COLUNAS, INICIO, ALVO, CH, CV, CD, MOVIMENTACAO, OBSTACULOS, ABERTO, FECHADO
global mapaLabirinto, mapaCaminho, mapaCusto, mapaCustoG, mapaCustoH, alvoIndex
# Inicialização das variáveis dadas as configurações
ABERTO = [INICIO] # Conjunto de Posições Abertas
FECHADO = [] # Conjunto de Posições Fechadas
CAMINHO = [] # Caminho Encontrado
mapaLabirinto = np.arange(1, LINHAS * COLUNAS + 1, 1).reshape(LINHAS,
COLUNAS) # Labirinto com cada posição numerada
mapaCusto = np.zeros(LINHAS * COLUNAS).reshape(LINHAS, COLUNAS) # Labirinto com o custo de cada posição
mapaCustoG = np.zeros(LINHAS * COLUNAS).reshape(LINHAS, COLUNAS) # Labirinto com o custo de cada posição
mapaCustoH = np.zeros(LINHAS * COLUNAS).reshape(LINHAS, COLUNAS) # Labirinto com o custo de cada posição
mapaHeuristica = np.zeros(LINHAS * COLUNAS).reshape(LINHAS, COLUNAS) # Labirinto com as heurísticas
mapaCaminho = [[None for a in range(COLUNAS)] for b in range(LINHAS)] # Labirinto com o caminho para cada posição
# mapaCaminhosAlt = [[[] for a in range(COLUNAS)] for b in range(LINHAS)] # Labirinto com o caminhos alternativos
alvoIndex = np.argwhere(mapaLabirinto == ALVO) # Index da posição alvo
while True:
if len(ABERTO) == 0:
print("O algoritmo não encontrou nenhum caminho!")
return None, None, None, None, None, None, None, None
else:
custoInicial = [0 for a in range(len(ABERTO))]
# Procurar menor f'
abertoIndex = 0
for i in ABERTO:
tempIndex = np.argwhere(mapaLabirinto == i)
heuristica = dist_pitagoras(tempIndex[0][0], tempIndex[0][1], alvoIndex[0][0], alvoIndex[0][1])
custoInicial[abertoIndex] = mapaCusto[tempIndex[0][0]][tempIndex[0][1]] + heuristica
abertoIndex += 1
mapaHeuristica[tempIndex[0][0]][tempIndex[0][1]] = heuristica
# print(custoInicial)
# Index de menor função custo
nCusto = min(custoInicial)
nIndex = np.argwhere(mapaLabirinto == ABERTO[custoInicial.index(nCusto)])
nPosicao = mapaLabirinto[nIndex[0][0]][nIndex[0][1]]
ABERTO.remove(nPosicao)
FECHADO.append(nPosicao)
# Verifica se está na posição alvo
if nPosicao == mapaLabirinto[alvoIndex[0][0]][alvoIndex[0][1]]:
print("Chegamos ao local alvo!")
CAMINHO = melhor_caminho(nPosicao)
print(CAMINHO)
#CUSTO = custo_movimentacao(CAMINHO)
#print(CUSTO)
print(mapaCaminho)
print(mapaCusto)
print(mapaCustoH)
return CAMINHO, ABERTO, FECHADO, mapaCusto, mapaCustoH, mapaHeuristica, mapaCaminho
# Sucessores
nSucessores = conexao_celula(nIndex)
for m in range(len(nSucessores)):
mPosicao = nSucessores[m]
mIndex = np.argwhere(mapaLabirinto == mPosicao)
if mPosicao not in ABERTO and nSucessores[m] not in FECHADO:
ABERTO.append(mPosicao)
# Dá valores a função custo dos nós abertos
mapaCustoG[mIndex[0][0]][mIndex[0][1]] = custo_posicao(nPosicao)
mapaCustoH[mIndex[0][0]][mIndex[0][1]] = custo_movimentacao([], nPosicao, mPosicao)
# mapaCusto[mIndex[0][0]][mIndex[0][1]] = (custo_posicao(nPosicao) + custo_movimentacao([],
# nPosicao,
# mPosicao))
mapaCusto[mIndex[0][0]][mIndex[0][1]] = mapaCustoG[mIndex[0][0]][mIndex[0][1]] + \
mapaCustoH[mIndex[0][0]][mIndex[0][1]]
# Dá valores ao mapa caminho
mapaCaminho[mIndex[0][0]][mIndex[0][1]] = nPosicao
# Caso a posição já tenha sido encontrada
elif mPosicao in ABERTO:
custoVelho = custo_posicao(mPosicao)
custoAtual = custo_posicao(nPosicao) + custo_movimentacao([], nPosicao, mPosicao)
if custoAtual < custoVelho:
mapaCustoG[mIndex[0][0]][mIndex[0][1]] = custo_posicao(nPosicao)
mapaCustoH[mIndex[0][0]][mIndex[0][1]] = custo_movimentacao([], nPosicao, mPosicao)
mapaCusto[mIndex[0][0]][mIndex[0][1]] = custoAtual
mapaCaminho[mIndex[0][0]][mIndex[0][1]] = nPosicao
elif mPosicao in FECHADO:
custoVelho = custo_posicao(mPosicao)
custoAtual = custo_posicao(nPosicao) + custo_movimentacao([], nPosicao, mPosicao)
if custoAtual < custoVelho:
mapaCustoG[mIndex[0][0]][mIndex[0][1]] = custo_posicao(nPosicao)
mapaCustoH[mIndex[0][0]][mIndex[0][1]] = custo_movimentacao([], nPosicao, mPosicao)
mapaCusto[mIndex[0][0]][mIndex[0][1]] = custoAtual
mapaCaminho[mIndex[0][0]][mIndex[0][1]] = nPosicao