master to main

Dockerfile

@@ -1,13 +0,0 @@
-FROM python:3.13-slim
-
-WORKDIR /app
-
-COPY  pyproject.toml .
-
-RUN pip install .
-
-COPY . .
-
-EXPOSE 8000
-
-CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000"]

README.md

@@ -1,12 +1,10 @@
----
-title: AG TSP API
-emoji: 🚀
-colorFrom: indigo
-colorTo: blue
-sdk: docker
-app_file: main.py 
-app_port: 8000
----
-
-### Mi API para la PC1 de CC0A2A
-Endpoint: `/shortest-path/`
+---
+title: PC1 BE
+emoji: 📚
+colorFrom: red
+colorTo: blue
+sdk: docker
+pinned: false
+---
+
+Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference

main.py

@@ -1,256 +0,0 @@
-from fastapi import FastAPI, HTTPException
-from pydantic import BaseModel
-import numpy as np
-import random
-from typing import List, Dict
-
-
-class Point(BaseModel):
-    id: str
-    x: float
-    y: float
-
-
-class PathRequest(BaseModel):
-    points: List[Point]
-
-
-class BezierPoint(BaseModel):
-    x: float
-    y: float
-
-
-class PathResponse(BaseModel):
-    path: List[str]
-    distance: float
-    bezierPoints: List[BezierPoint]
-
-    class Config:
-        allow_population_by_field_name = True
-        alias_generator = lambda field_name: field_name.replace('_', '')
-
-
-class InputData(BaseModel):
-    data: List[float]  # Lista de características numéricas (flotantes)
-
-
-app = FastAPI()
-
-
-def generate_bezier_points(
-        path: List[str],
-        points_dict: Dict[str, Point],
-        segments: int = 50
-        ):
-    bezier_points = []
-    if len(path) < 3:
-        return bezier_points
-
-    for i in range(len(path) - 2):
-        p0 = points_dict[path[i]]
-        p1 = points_dict[path[i+1]]
-        p2 = points_dict[path[i+2]]
-
-        for t in np.linspace(0, 1, segments):
-            # B(t) = (1-t)²P0 + 2(1-t)tP1 + t²P2
-            x = round((1-t)**2 * p0.x + 2*(1-t)*t * p1.x + t**2 * p2.x, 3)
-            y = round((1-t)**2 * p0.y + 2*(1-t)*t * p1.y + t**2 * p2.y, 3)
-            bezier_points.append(BezierPoint(x=x, y=y))
-    return bezier_points
-
-# ------------- 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
-
-
-def calcular_aptitud(individuo, distancias, coordenadas):
-    # Función para evaluar la aptitud de
-    #  un individuo (distancia total del recorrido)
-    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 {"prediction": prediction}
-    except Exception as e:
-        raise HTTPException(status_code=500, detail=str(e))
-
-
-@app.post("/shortest-path/", response_model=PathResponse)
-async def find_shortest_path(
-    request: PathRequest,
-    population: int = 50,
-    mutation_prob: float = 0.1,
-    generations: int = 100
-):
-    try:
-        points = request.points
-        num_cities = len(points)
-        if num_cities < 3:
-            raise HTTPException(
-                status_code=400,
-                detail="need at least 3 points"
-                )
-
-        print(
-            f"parametros: population={population}, mutation_prob={mutation_prob}, generations={generations}"
-            )
-
-        distancias = [[0] * num_cities for _ in range(num_cities)]
-        coordenadas = [(p.x, p.y) for p in points]
-        points_dict = {p.id: p for p in points}
-        for i in range(num_cities):
-            for j in range(i + 1, num_cities):
-                dist = ((coordenadas[i][0] - coordenadas[j][0])**2 +
-                        (coordenadas[i][1] - coordenadas[j][1])**2)**0.5
-                distancias[i][j] = distancias[j][i] = dist
-        mejor_solucion, mejor_distancia = algoritmo_genetico(
-            num_generaciones=generations,
-            num_ciudades=num_cities,
-            num_individuos=population,
-            probabilidad_mutacion=mutation_prob,
-            distancias=distancias,
-            coordenadas=coordenadas
-        )
-        path_ids = [points[i].id for i in mejor_solucion]
-        bezier_points = generate_bezier_points(path_ids, points_dict)
-        return PathResponse(
-            path=path_ids,
-            distance=mejor_distancia,
-            bezierPoints=bezier_points
-        )
-    except Exception as e:
-        raise HTTPException(
-            status_code=500,
-            detail=str(e)
-            )

pyproject.toml

@@ -1,18 +0,0 @@
-[project]
-name = "backend-ag"
-version = "2025.04.16"
-dependencies = [
-  "fastapi[standard]",
-  "numpy",
-  "pydantic"
-]
-requires-python = ">=3.10"
-authors = [
-  {name = "Alex Vega", email = "avegab@uni.pe"},
-]
-maintainers = [
-  {name = "Alex Vega", email = "avegab@uni.pe"},
-]
-description = "Backend para el proyecto PC1 del curso CC0A2A"
-license = "MIT"
-keywords = ["genetic algorithm", "android", "kotlin", "python"]

requirements.txt

@@ -1,37 +0,0 @@
-annotated-types==0.7.0
-anyio==4.9.0
-backend-ag @ file:///C:/Users/la/repos/github.com/axvg/uni/2025-01/CC0A2A/semanas/04/pc1/backend
-certifi==2025.1.31
-click==8.1.8
-colorama==0.4.6
-dnspython==2.7.0
-email_validator==2.2.0
-fastapi==0.115.12
-fastapi-cli==0.0.7
-h11==0.14.0
-httpcore==1.0.8
-httptools==0.6.4
-httpx==0.28.1
-idna==3.10
-Jinja2==3.1.6
-markdown-it-py==3.0.0
-MarkupSafe==3.0.2
-mdurl==0.1.2
-numpy==2.2.5
-pydantic==2.11.3
-pydantic_core==2.33.1
-Pygments==2.19.1
-python-dotenv==1.1.0
-python-multipart==0.0.20
-PyYAML==6.0.2
-rich==14.0.0
-rich-toolkit==0.14.1
-shellingham==1.5.4
-sniffio==1.3.1
-starlette==0.46.2
-typer==0.15.2
-typing-inspection==0.4.0
-typing_extensions==4.13.2
-uvicorn==0.34.2
-watchfiles==1.0.5
-websockets==15.0.1