Add aplication file

Dockerfile

@@ -0,0 +1,16 @@
+# Usa una imagen base de Python
+FROM python:3.12.4
+# Establece el directorio de trabajo
+WORKDIR /code
+
+# Copia los archivos necesarios al contenedor
+COPY ./requirements.txt /code/requirements.txt
+RUN pip install --no-cache-dir -r /code/requirements.txt
+RUN pip install fastapi uvicorn
+
+COPY . .
+
+RUN chmod -R 777 /code
+
+# Comando para ejecutar la aplicación
+CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "7860"]

app.py

@@ -0,0 +1,134 @@
+from fastapi import FastAPI, HTTPException
+from pydantic import BaseModel
+import numpy as np
+import random
+from typing import List
+
+class InputData(BaseModel):
+    data: List[float]  # Lista de características numéricas (flotantes)
+
+app = FastAPI()
+
+# ------------- algoritmo genetico -------------
+# Función para generar una población inicial aleatoria
+def generar_poblacion(num_individuos, num_ciudades):
+    poblacion = []
+    for _ in range(num_individuos):
+        individuo = list(range(num_ciudades))
+        random.shuffle(individuo)
+        poblacion.append(individuo)
+    return poblacion
+
+# Función para evaluar la aptitud de un individuo (distancia total del recorrido)
+def calcular_aptitud(individuo, distancias, coordenadas):
+    distancia_total = 0
+    coordenadas_iguales = all(coord == coordenadas[0] for coord in coordenadas)
+
+    if not coordenadas_iguales:
+        for i in range(len(individuo) - 1):
+            ciudad_actual = individuo[i]
+            siguiente_ciudad = individuo[i + 1]
+            distancia_total += distancias[ciudad_actual][siguiente_ciudad]
+
+        distancia_total += distancias[individuo[-1]][individuo[0]]
+
+    return distancia_total
+
+# Función para seleccionar individuos para la reproducción (torneo binario)
+def seleccion_torneo(poblacion, distancias, coordenadas):
+    seleccionados = []
+    for _ in range(len(poblacion)):
+        torneo = random.sample(poblacion, 2)
+        aptitud_torneo = [
+            calcular_aptitud(individuo, distancias, coordenadas) for individuo in torneo
+        ]
+        seleccionado = torneo[aptitud_torneo.index(min(aptitud_torneo))]
+        seleccionados.append(seleccionado)
+    return seleccionados
+
+# Función para realizar el cruce de dos padres para producir un hijo
+def cruzar(padre1, padre2):
+    punto_cruce = random.randint(0, len(padre1) - 1)
+    hijo = padre1[:punto_cruce] + [
+        gen for gen in padre2 if gen not in padre1[:punto_cruce]
+    ]
+    return hijo
+    
+
+# Función para aplicar mutaciones en la población
+def mutar(individuo, probabilidad_mutacion):
+    if random.random() < probabilidad_mutacion:
+        indices = random.sample(range(len(individuo)), 2)
+        individuo[indices[0]], individuo[indices[1]] = (
+            individuo[indices[1]],
+            individuo[indices[0]],
+        )
+    return individuo
+
+# Función para generar distancias aleatorias entre ciudades y sus coordenadas bidimensionales
+def generar_distancias(num_ciudades):
+    distancias = [[0] * num_ciudades for _ in range(num_ciudades)]
+    coordenadas = [
+        (random.uniform(0, 100), random.uniform(0, 100)) for _ in range(num_ciudades)
+    ]
+
+    for i in range(num_ciudades):
+        for j in range(i + 1, num_ciudades):
+            distancias[i][j] = distancias[j][i] = (
+                sum((x - y) ** 2 for x, y in zip(coordenadas[i], coordenadas[j])) ** 0.5
+            )
+
+    return distancias, coordenadas
+
+def algoritmo_genetico(num_generaciones,num_ciudades,num_individuos,probabilidad_mutacion,distancias,coordenadas):
+    poblacion = generar_poblacion(num_individuos, num_ciudades)    
+    for generacion in range(num_generaciones):
+        poblacion = sorted(
+            poblacion, key=lambda x: calcular_aptitud(x, distancias, coordenadas)
+        )
+        mejor_individuo = poblacion[0]
+        mejor_distancia = calcular_aptitud(mejor_individuo, distancias, coordenadas)        
+        seleccionados = seleccion_torneo(poblacion, distancias, coordenadas)
+        nueva_poblacion = []
+        for i in range(0, len(seleccionados), 2):
+            padre1, padre2 = seleccionados[i], seleccionados[i + 1]
+            hijo1 = cruzar(padre1, padre2)
+            hijo2 = cruzar(padre2, padre1)
+            hijo1 = mutar(hijo1, probabilidad_mutacion)
+            hijo2 = mutar(hijo2, probabilidad_mutacion)
+            nueva_poblacion.extend([hijo1, hijo2])
+        poblacion = nueva_poblacion        
+    mejor_solucion = poblacion[0]
+    mejor_distancia = calcular_aptitud(mejor_solucion, distancias, coordenadas)
+    return mejor_solucion, mejor_distancia
+
+# Ruta de predicción
+@app.post("/predict/")
+async def predict(data: InputData):
+    print(f"Data: {data}")
+    try:
+        # Convertir la lista de entrada a un array de NumPy para la predicción
+        input_data = np.array(data.data).reshape(
+            1, -1
+        )  # Asumiendo que la entrada debe ser de forma (1, num_features)
+        
+        num_ciudades = int(input_data[0][0])
+        num_individuos = int(input_data[0][1])
+        probabilidad_mutacion = float(input_data[0][2])
+        num_generaciones = int(input_data[0][3])
+        distancias, coordenadas = generar_distancias(num_ciudades)
+        
+        mejor_solucion, mejor_distancia = algoritmo_genetico(num_generaciones,num_ciudades,num_individuos,probabilidad_mutacion,distancias,coordenadas)
+        #print(type(mejor_solucion),mejor_solucion
+        respuesta = list(mejor_solucion)
+        print(respuesta)
+        prediction = respuesta
+        #return {"prediction": prediction.tolist()}
+        return {
+            "num_ciudades": num_ciudades,
+            "distancia": int(mejor_distancia),
+            "prediction": prediction,
+            "cromosoma": mejor_solucion  # Esto ya es un array de ints
+        }
+    except Exception as e:
+        raise HTTPException(status_code=500, detail=str(e)) 

requirements.txt

@@ -0,0 +1,3 @@
+fastapi
+numpy
+pydantic