univer-7th-semester/genetic-algorithms
Code Actions Releases 7

Цвета в табличках, остановка по лучшему решению

Browse Source
This commit is contained in:
Артём Тищенко
2025-10-09 13:15:09 +03:00
parent 745cfea282
commit ee79d6ad41
3 changed files with 157 additions and 27 deletions
Download Patch File Download Diff File Expand all files Collapse all files

126
lab2/csv_to_tex.py
View File

@@ -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
current_time = extract_time_value(value)
if (
current_time is not None
and best_time is not None
and abs(current_time - best_time) < 0.001
):
# Проверяем есть ли фитнес в строке
fitness_match = re.search(r"(\d+\.?\d*)\s*\((\d+)\)\s+(\d+\.?\d*)\s*$", value)
if fitness_match:
# Есть фитнес: "время (поколения) фитнес"
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"
)

42
lab2/expirements.py
View File

@@ -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

12
lab2/gen.py
View File

@@ -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 (