!pip install geopandas

import numpy as np import pandas as pd import matplotlib.pyplot as plt from geopy.geocoders import Nominatim from geopy import distance import folium from folium import features

Data1 = pd.DataFrame(distancia_nodo, columns= df['direccion'], index= df['direccion']) #"A","B","C","D","E","F","G","H","I","K","L","N","M" # Esta solucion tiene que ser la arrojele vecino mas cercano o cualquier heuristica de contruccion X0 = clientes

#PARAMETROS T0 = 50 #Temperatura 3000 M = 10 #1000 N = 5 #50 Alpha = 0.50 #0.85 # estos son para para la grafica y ver como se comporta el algoritmo Temp = [] Min_Distance = []

Ran1 = np.random.randint(0,len(X0)) Ran2 = np.random.randint(0,len(X0)) while Ran1 == Ran2: Ran2 = np.random.randint(0,len(X0)) Xtemp = [] A1 = X0[Ran1] # Select the city to swap A2 = X0[Ran2] # Select the city to swap w = 0 for i in X0: if X0[w]==A1: Xtemp=np.append(Xtemp,A2) elif X0[w]==A2: Xtemp=np.append(Xtemp,A1) else: Xtemp=np.append(Xtemp,X0[w]) w = w+1

a = [] contador = [] c = 0 tipo = [] for i in range(M): for j in range(N): # se van generando numeros aleatorios para ir cambiando los clientes Ran1 = np.random.randint(0,len(X0)) Ran2 = np.random.randint(0,len(X0)) while Ran1 == Ran2: Ran2 = np.random.randint(0,len(X0)) Xtemp = [] #seleccionar los clientes que se cambiaron segun su posicion A1 = X0[Ran1] A2 = X0[Ran2] # una lista nueva de clientes w = 0 for i in X0: if X0[w]==A1: Xtemp=np.append(Xtemp,A2) elif X0[w]==A2: Xtemp=np.append(Xtemp,A1) else: Xtemp=np.append(Xtemp,X0[w]) w = w+1 Xtemp = list(Xtemp) Distances_X0 = [] # La distancia de la primera solucion, la solucion X0 es la que se le va haciendo cambios t = 0 for i in range(len(X0)-1): X1_1 = Data1.loc[X0[t],X0[t+1]] # se rocorre el cliente i y el cliente j Distances_X0.append(X1_1) # Append the distances t = t+1 #Distances_X0.append(X11) Len_X0 = sum(Distances_X0) # agregar distancias Distances_Xtemp = [] # La solucion objetivo, de la solución potencial (n+1) t = 0 for i in range(len(Xtemp)-1): X1_2 = Data1.loc[Xtemp[t],Xtemp[t+1]] # se rocorre el cliente i y el cliente j Distances_Xtemp.append(X1_2) #agregar distnacias t = t+1 Len_Xtemp = sum(Distances_Xtemp) # suma de distnacias ############################################################################################ rand_num = np.random.rand() # random para la formula de abajo que acepta o no los movimientos form_1 = 1/(np.exp((Len_Xtemp-Len_X0)/T0)) # la formula con un numero aletorio evalua la funcion objetivo dentro de una fumcion exponencial, me falta agragar este modelo en el informe ############################################################################################ if Len_Xtemp <= Len_X0: # evaluar si la funcion objetivo posible es mejor o no a lo que hay X0 = Xtemp elif rand_num <= form_1: # evaluar si el randmon es menor a la formula X0 = Xtemp else: # si es menor no se acepta la solucion y se queda con lo que tiene X0 = X0 Temp = np.append(Temp, T0) # agregar las temperaturas, esto es para la grafica Min_Distance = np.append(Min_Distance,Len_Xtemp) # este es el costo asociado de elegir una ruta, y se agrega para los graficos y la solucion T0 = Alpha*T0 # dentro del SA la temperatura tiene que ir decreciendo en funcion del alpha incial c+=1 contador.append(c) tipo.append('sa') #a.append(Len_Xtemp)