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)
            )