Untitled-1.txt

1ra fase:

Cliente:
    Posicion geografica (que es un nodo en osm)
    Hora de entrega minima y maxima (time window)
    Demanda de producto

Al algoritmo se le pasa:
    una coordenada geografica que es el depot (Depot_coord)
    un numero de qty de clientes (qty_clients)
    velocidad (vel_trucks) y capacidad (cap_trucks) de los camiones
    y los hiperparametros de los algoritmos geneticos (hyper) 

1. *A partir del Depot_coord, se busca el nodo (Depot_node) de osm que este mas cercano, este sera el nodo inicial
2. Se crea la lista de clientes (clients) (al azar) que sera utilizado por todo el algoritmo
3. Se calcula la cantidad maxima de producto (max_product_qty) (esto es la suma de el producto de todos los clients) esto se divide entre la cantidad que cada camion puede llevar
    Asi se consigue la cantidad de camiones inicial (qty_trucks = max_product_qty/cap_trucks)

2da fase, dividir los clientes en rutas por medio de un algoritmo genetico:

S = [0,1,2,0,0,1,1,2,2,0]

C0 = [0,3,4,9]
C1 = [1,5,6]
C2 = [2,7,8]

truck_clusters = [
    [Cliente0, Cliente3, cliente4, client9],
    [client1, client5, client6],
    [client2, client7, client8]
]

def fitness(S):
    
    fitness = 0
    
    for ruta in S:
        if not cumple_con_capacidad(ruta):
            fitness = float('inf')
            return fitness
        
        fitness += distancia(ruta)
    
    return fitness

Al algoritmo se le pasan:
    hiperparametros (qty_poblacion, n_elite, n_generaciones, prob_de_mut)
    
1. Se crean qty_poblacion soluciones, esto de manera aleatoria donde cada solucion es una lista, en la que cada posicion corresponde a un cliente,
    es decir su (len == qty_clients), cada posicion debe tomar un valor entre 0 y la cantidad de camiones (qty_trucks), un ejemplo con 10 clientes y tres camiones: [0,1,2,0,0,1,1,2,2,0]
2. cada solucion se le calcula su fitness y se toma las n_elite cantidad de soluciones que tenga el fitness mas bajo.por ejemplo n_elite = 5, se toman las 5 soluciones con el fitness mas bajo,
    si todas las soluciones tienen el fitness == inf, entonces el algoritmo devuelve False.
3. a partir de las soluciones escogidas, entonces se crean nuevas soluciones, donde las soluciones escogidas sobreviven a las siguiente generacion y se crean las que falten para completar qty_poblacion,
    la creacion se hace por medio de crossover y mutacion (la mutacion debe pasar por medio de la probabilidad dada por el hiperparametro: prob_de_mut)
4. luego de crear la generacion, se repite el proceso desde el punto 2 hasta que se cumplan las n_generaciones
5. Entonces se devuelve True y la solucion con menor fitness de la ultima generacion.

3ra fase, crear grafo de la ruta para cada camion

Al algoritmos se le pasa:
    Una lista con la clasificacion en ruta de cada cliente, esta es la solucion del algoritmo genetico anterior (truck_clusters)
    Un hiperparametro que es el radio de conexion de cada cliente en la ruta (conn_radius)

1. Se dividen los clientes en base a como los clusterizo la solucion (truck_clusters)
2. Entonces por cada division (truck_cluster) cada cliente se conecta con aquellos clientes que esten dentro de un radio de distancia euclidiano (conn_radius),
    entonces se utiliza el algotimo de A* search para calcular la ruta entre estos, se guarda la ruta solucion y se crea un grafo con ambos nodos, donde el peso entre ellos es la distancia por via total.

Ejemplo:
truck_clusters = [0,1,2,0,0,1,1,2,2,0]

truck_cluster0 = [0,3,4,9] #0
truck_cluster1 = [1,5,6] #1
truck_cluster2 = [2,7,8] #2

3. Esto se hace por cada cliente hasta tener los grafos de cada cluster (que es por la cantidad de camiones)

4ta fase, resolver camino mas optimo para cada camion en cada ruta

En esta parte principalmente se resolvera un problema de TSP, donde el camion tiene que recorrer cada cliente y volver al depot de la manera 
mas rapida posible, pero debe llegar a cada cliente dentro del time window establecido por este.

Para hacer esto, se utilizara un algoritmo genetico.

5ta fase, visualizar