Skip to content

This repository includes an implementation of a genetic algorithm specifically designed to solve Sudokus. Explore this implementation and discover how genetic algorithms can effectively address this challenge.

Notifications You must be signed in to change notification settings

IanCarmona/Algoritmo-Genetico-Sodoku

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

5 Commits
 
 
 
 
 
 
 
 

Repository files navigation

Sudoku with Genetic Algorithm

The program was developed by:

Carmona Serrano Ian Carlo Mendez Lopez Luz Fernanda Perez Lucio Kevyn Alejandro Rosales Benhumea Aldo

To execute our code, we need to follow several steps:

The first condition is to download the folder containing the files "funciones.py" and "interfaz.py".

Once the above step is completed, open the "interfaz.py" program and run it.

When opening the interface, we can see that it is user-friendly, with various options represented by difficulty buttons. By pressing any of them, it generates a sudoku depending on its difficulty and displays it on the board.

On the right side, we can find the parameter configuration for the genetic algorithm. Here, it proposes some values mentioned in the article. The parameters that can be modified are as follows (Crossover percentage 1 and 2, Mutation percentage 1 and 2, Population size, and Number of generations).

Once all the parameters are configured and the sudoku to solve is selected, we can click on the "Resolve" button.

Once the program is running, you will see that it starts to work. It is normal for it to take a few seconds, depending on the population size, but on average it takes (20 to 30 seconds).

Every 100 generations, we will show a convergence graph of how our program is behaving, which will display the best and worst individual of each generation. At the same time, the sudoku of that generation will be displayed on the interface board.

The stopping criterion of our program consists of two conditions: the number of generations entered through the interface is exhausted or it returns a valid sudoku that must meet the condition that the sudoku's fitness is 0.

Sudoku con algoritmo genético

El programa fue realizado por:

Carmona Serrano Ian Carlo Mendez Lopez Luz Fernanda Perez Lucio Kevyn Alejandro Rosales Benhumea Aldo

Para ejecutar nuestro código, necesitamos seguir varios pasos:

La primera condición es descargar la carpeta en la que se encuentran los archivos "funciones.py" e "interfaz.py".

Una vez completado el paso anterior, abrir el programa "interfaz.py" y ejecutarlo.

Al abrir la interfaz, podemos observar que es amigable para el usuario, tiene varias opciones que son los botones de las dificultades. Al presionar cualquiera de ellos, genera un sudoku dependiendo de su dificultad y lo muestra en el tablero.

En la parte derecha, podemos encontrar la configuración de parámetros del algoritmo genético. Aquí nos propone algunos valores que se mencionan en el artículo. Los parámetros que se pueden modificar son los siguientes (Porcentaje de cruza 1 y 2, Porcentaje de mutación 1 y 2, Tamaño de la población y Número de generaciones).

Una vez configurados todos los parámetros y seleccionado el sudoku a resolver, podremos hacer clic en el botón "Resolver".

Una vez que el programa esté en ejecución, podrá ver que comienza a trabajar. Es normal que tarde unos cuantos segundos, esto depende del tamaño de la población, pero en promedio es un tiempo de (20 a 30 segundos).

Cada 100 generaciones mostraremos una gráfica de convergencia de cómo se va comportando nuestro programa, el cual mostrará el mejor y el peor individuo de cada generación transcurrida. Al mismo tiempo, el sudoku de esa generación se mostrará en el tablero de la interfaz.

El criterio de paro de nuestro programa son dos, los cuales son que se agoten el número de generaciones ingresadas por medio de la interfaz o que nos devuelva un sudoku válido que debe cumplir la condición de que la aptitud del sudoku sea 0.

About

This repository includes an implementation of a genetic algorithm specifically designed to solve Sudokus. Explore this implementation and discover how genetic algorithms can effectively address this challenge.

Topics

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages