Цвета в табличках, остановка по лучшему решению

lab2/csv_to_tex.py

@@ -12,12 +12,16 @@
 - "—" для отсутствующих данных
 
 Выходной файл: tables.tex с готовым LaTeX кодом всех таблиц.
-Лучший результат по времени выполнения в каждой таблице выделяется жирным.
+Лучшие результаты по времени и фитнесу выделяются жирным (и цветом, если задан HIGHLIGHT_COLOR).
 """
 
 import re
 from pathlib import Path
 
+# Настройка цвета для выделения лучших результатов
+# None - только жирным, строка (например "magenta") - жирным и цветом
+HIGHLIGHT_COLOR = "magenta"
+
 
 def parse_csv_file(csv_path: str) -> tuple[str, list[list[str]]]:
     """
@@ -53,7 +57,7 @@ def parse_csv_file(csv_path: str) -> tuple[str, list[list[str]]]:
 
 def extract_time_value(value: str) -> float | None:
     """
-    Извлекает значение времени из строки формата "X.Y (Z)".
+    Извлекает значение времени из строки формата "X.Y (Z)" или "X.Y (Z) W.V".
 
     Args:
         value: Строка с результатом
@@ -73,6 +77,29 @@ def extract_time_value(value: str) -> float | None:
     return None
 
 
+def extract_fitness_value(value: str) -> float | None:
+    """
+    Извлекает значение фитнеса из строки формата "X.Y (Z) W.V".
+
+    Args:
+        value: Строка с результатом
+
+    Returns:
+        Значение фитнеса как float или None если значение пустое
+    """
+    value = value.strip()
+    if value == "—" or value == "" or value == "–":
+        return None
+
+    # Ищем паттерн "число.число (число) число.число"
+    # Фитнес - это последнее число в строке
+    match = re.search(r"\)\s+(\d+\.?\d*)\s*$", value)
+    if match:
+        return float(match.group(1))
+
+    return None
+
+
 def find_best_time(data_rows: list[list[str]]) -> float | None:
     """
     Находит минимальное время выполнения среди всех значений в таблице.
@@ -95,13 +122,38 @@ def find_best_time(data_rows: list[list[str]]) -> float | None:
     return min_time
 
 
-def format_value(value: str, best_time: float | None = None) -> str:
+def find_best_fitness(data_rows: list[list[str]]) -> float | None:
     """
-    Форматирует значение для LaTeX таблицы, выделяя лучший результат жирным.
+    Находит минимальное значение фитнеса среди всех значений в таблице.
+
+    Args:
+        data_rows: Строки данных таблицы
+
+    Returns:
+        Минимальное значение фитнеса или None если нет валидных значений
+    """
+    min_fitness = None
+
+    for row in data_rows:
+        for i in range(1, min(6, len(row))):  # Пропускаем первую колонку (Pc)
+            fitness_value = extract_fitness_value(row[i])
+            if fitness_value is not None:
+                if min_fitness is None or fitness_value < min_fitness:
+                    min_fitness = fitness_value
+
+    return min_fitness
+
+
+def format_value(
+    value: str, best_time: float | None = None, best_fitness: float | None = None
+) -> str:
+    """
+    Форматирует значение для LaTeX таблицы, выделяя лучшие результаты жирным.
 
     Args:
         value: Строковое значение из CSV
         best_time: Лучшее время в таблице для сравнения
+        best_fitness: Лучший фитнес в таблице для сравнения
 
     Returns:
         Отформатированное значение для LaTeX
@@ -110,13 +162,49 @@ def format_value(value: str, best_time: float | None = None) -> str:
     if value == "—" or value == "" or value == "–":
         return "—"
 
-    # Проверяем, является ли это лучшим результатом
+    # Проверяем есть ли фитнес в строке
-    current_time = extract_time_value(value)
+    fitness_match = re.search(r"(\d+\.?\d*)\s*\((\d+)\)\s+(\d+\.?\d*)\s*$", value)
-    if (
+
-        current_time is not None
+    if fitness_match:
-        and best_time is not None
+        # Есть фитнес: "время (поколения) фитнес"
-        and abs(current_time - best_time) < 0.001
+        time_str = fitness_match.group(1)
-    ):
+        generations_str = fitness_match.group(2)
+        fitness_str = fitness_match.group(3)
+
+        current_time = float(time_str)
+        current_fitness = float(fitness_str)
+
+        # Проверяем, является ли время лучшим
+        time_part = f"{time_str} ({generations_str})"
+        if best_time is not None and abs(current_time - best_time) < 0.001:
+            if HIGHLIGHT_COLOR is not None:
+                time_part = (
+                    f"\\textcolor{{{HIGHLIGHT_COLOR}}}{{\\textbf{{{time_part}}}}}"
+                )
+            else:
+                time_part = f"\\textbf{{{time_part}}}"
+
+        # Проверяем, является ли фитнес лучшим
+        fitness_part = fitness_str
+        if best_fitness is not None and abs(current_fitness - best_fitness) < 0.00001:
+            if HIGHLIGHT_COLOR is not None:
+                fitness_part = (
+                    f"\\textcolor{{{HIGHLIGHT_COLOR}}}{{\\textbf{{{fitness_part}}}}}"
+                )
+            else:
+                fitness_part = f"\\textbf{{{fitness_part}}}"
+
+        return f"{time_part} {fitness_part}"
+
+    else:
+        # Нет фитнеса: только "время (поколения)"
+        time_match = re.match(r"(\d+\.?\d*)\s*\((\d+)\)", value)
+        if time_match:
+            current_time = float(time_match.group(1))
+            if best_time is not None and abs(current_time - best_time) < 0.001:
+                if HIGHLIGHT_COLOR is not None:
+                    return f"\\textcolor{{{HIGHLIGHT_COLOR}}}{{\\textbf{{{value}}}}}"
+                else:
                     return f"\\textbf{{{value}}}"
 
         return value
@@ -134,8 +222,9 @@ def generate_latex_table(n: str, header: str, data_rows: list[list[str]]) -> str
     Returns:
         LaTeX код таблицы
     """
-    # Находим лучшее время в таблице
+    # Находим лучшее время и лучший фитнес в таблице
     best_time = find_best_time(data_rows)
+    best_fitness = find_best_fitness(data_rows)
 
     # Извлекаем заголовки колонок из header
     header_parts = header.split(",")
@@ -162,7 +251,7 @@ def generate_latex_table(n: str, header: str, data_rows: list[list[str]]) -> str
 
         # Добавляем значения для каждого Pm
         for i in range(1, min(6, len(row))):  # Максимум 5 колонок Pm
-            value = format_value(row[i], best_time)
+            value = format_value(row[i], best_time, best_fitness)
             latex_code += f" & {value}"
 
         # Заполняем недостающие колонки если их меньше 5
@@ -207,9 +296,12 @@ def main():
             try:
                 header, data_rows = parse_csv_file(str(csv_file))
                 best_time = find_best_time(data_rows)
+                best_fitness = find_best_fitness(data_rows)
                 latex_table = generate_latex_table(n, header, data_rows)
                 tables.append(latex_table)
-                print(f"✓ Таблица для N={n} готова (лучшее время: {best_time})")
+                print(
+                    f"✓ Таблица для N={n} готова (лучшее время: {best_time}, лучший фитнес: {best_fitness})"
+                )
 
             except Exception as e:
                 print(f"✗ Ошибка при обработке {csv_file}: {e}")
@@ -221,9 +313,13 @@ def main():
         with open("tables.tex", "w", encoding="utf-8") as f:
             f.write("% Автоматически сгенерированные LaTeX таблицы\n")
             f.write(
-                "% Лучший результат по времени выполнения в каждой таблице выделен жирным\n"
+                "% Лучший результат по времени и по фитнесу выделены жирным отдельно\n"
             )
             f.write("% Убедитесь, что подключен \\usepackage{tabularx}\n")
+            if HIGHLIGHT_COLOR is not None:
+                f.write(
+                    "% ВНИМАНИЕ: Убедитесь, что подключен \\usepackage{xcolor} для цветового выделения\n"
+                )
             f.write(
                 "% Используйте \\newcolumntype{Y}{>{\\centering\\arraybackslash}X} перед таблицами\n\n"
             )

lab2/expirements.py

@@ -19,6 +19,7 @@ BASE_DIR = "experiments"
 POPULATION_SIZES = [10, 25, 50, 100]
 PC_VALUES = [0.3, 0.4, 0.5, 0.6, 0.7, 0.8]  # вероятности кроссинговера
 PM_VALUES = [0.001, 0.01, 0.05, 0.1, 0.2]  # вероятности мутации
+SAVE_AVG_BEST_FITNESS = True
 
 # Количество запусков для усреднения результатов
 NUM_RUNS = 1
@@ -31,7 +32,9 @@ BASE_CONFIG = {
     "max_generations": 200,
     "seed": None,  # None для случайности, т. к. всё усредняем
     "minimize": True,
-    "fitness_avg_threshold": 0.05,  # критерий остановки
+    # "fitness_avg_threshold": 0.05,  # критерий остановки
+    # "max_best_repetitions": 10,
+    "best_value_threshold": 0.005,
     # при включенном сохранении графиков на время смотреть бессмысленно
     # "save_generations": [1, 50, 199],
 }
@@ -39,13 +42,15 @@ BASE_CONFIG = {
 
 def run_single_experiment(
     pop_size: int, pc: float, pm: float
-) -> tuple[float, float, float, float]:
+) -> tuple[float, float, float, float, float, float]:
     """
     Запускает несколько экспериментов с заданными параметрами и усредняет результаты.
-    Возвращает (среднее_время_в_мс, стд_отклонение_времени, среднее_поколений, стд_отклонение_поколений).
+    Возвращает (среднее_время_в_мс, стд_отклонение_времени, среднее_поколений,
+    стд_отклонение_поколений, среднее_лучшее_значение_фитнеса, стд_отклонение_лучшего_значения_фитнеса).
     """
     times = []
     generations = []
+    best_fitnesses = []
 
     for run_num in range(NUM_RUNS):
         config = GARunConfig(
@@ -65,14 +70,26 @@ def run_single_experiment(
         result = genetic_algorithm(config)
         times.append(result.time_ms)
         generations.append(result.generations_count)
+        best_fitnesses.append(result.best_generation.best_fitness)
 
     # Вычисляем средние значения и стандартные отклонения
     avg_time = statistics.mean(times)
     std_time = statistics.stdev(times) if len(times) > 1 else 0.0
     avg_generations = statistics.mean(generations)
     std_generations = statistics.stdev(generations) if len(generations) > 1 else 0.0
+    avg_best_fitness = statistics.mean(best_fitnesses)
+    std_best_fitness = (
+        statistics.stdev(best_fitnesses) if len(best_fitnesses) > 1 else 0.0
+    )
 
-    return avg_time, std_time, avg_generations, std_generations
+    return (
+        avg_time,
+        std_time,
+        avg_generations,
+        std_generations,
+        avg_best_fitness,
+        std_best_fitness,
+    )
 
 
 def run_experiments_for_population(pop_size: int) -> PrettyTable:
@@ -92,14 +109,22 @@ def run_experiments_for_population(pop_size: int) -> PrettyTable:
         row = [f"{pc:.1f}"]
         for pm in PM_VALUES:
             print(f"  Эксперимент: pop_size={pop_size}, Pc={pc:.1f}, Pm={pm:.3f}")
-            avg_time, std_time, avg_generations, std_generations = (
+            (
-                run_single_experiment(pop_size, pc, pm)
+                avg_time,
-            )
+                std_time,
+                avg_generations,
+                std_generations,
+                avg_best_fitness,
+                std_best_fitness,
+            ) = run_single_experiment(pop_size, pc, pm)
 
             # Форматируем результат: среднее_время±стд_отклонение (среднее_поколения±стд_отклонение)
             # cell_value = f"{avg_time:.1f}±{std_time:.1f} ({avg_generations:.1f}±{std_generations:.1f})"
             cell_value = f"{avg_time:.1f} ({avg_generations:.0f})"
 
+            if SAVE_AVG_BEST_FITNESS:
+                cell_value += f" {avg_best_fitness:.5f}"
+
             if avg_generations == BASE_CONFIG["max_generations"]:
                 cell_value = "—"
 
@@ -118,9 +143,6 @@ def main():
     print(f"Значения Pc: {PC_VALUES}")
     print(f"Значения Pm: {PM_VALUES}")
     print(f"Количество запусков для усреднения: {NUM_RUNS}")
-    print(
-        f"Критерий остановки: среднее значение > {BASE_CONFIG['fitness_avg_threshold']}"
-    )
     print("=" * 60)
 
     # Создаем базовую папку

lab2/gen.py

@@ -42,6 +42,9 @@ class GARunConfig:
     fitness_avg_threshold: float | None = (
         None  # порог среднего значения фитнес функции для остановки
     )
+    best_value_threshold: float | None = (
+        None  # остановка при достижении значения фитнеса лучше заданного
+    )
     log_every_generation: bool = False  # логировать каждое поколение
 
 
@@ -396,6 +399,15 @@ def genetic_algorithm(config: GARunConfig) -> GARunResult:
         #     if fitness_variance < config.variance_threshold:
         #         stop_algorithm = True
 
+        if config.best_value_threshold is not None:
+            if (
+                config.minimize and current.best_fitness < config.best_value_threshold
+            ) or (
+                not config.minimize
+                and current.best_fitness > config.best_value_threshold
+            ):
+                stop_algorithm = True
+
         if config.fitness_avg_threshold is not None:
             mean_fitness = np.mean(fitnesses)
             if (config.minimize and mean_fitness < config.fitness_avg_threshold) or (