Анализ результатов от claude

lab2/csv_to_tex.py

@@ -0,0 +1,243 @@
+"""
+Скрипт для конвертации результатов экспериментов из CSV в LaTeX таблицы.
+
+Этот скрипт автоматически сканирует папку experiments/, находит все подпапки
+с файлами results.csv, парсит данные экспериментов и генерирует LaTeX код
+таблиц в формате, готовом для вставки в отчёт.
+
+Структура входных данных:
+- experiments/N/results.csv, где N - размер популяции
+- CSV содержит результаты экспериментов с различными параметрами Pc и Pm
+- Значения в формате "X.Y (Z)" где X.Y - время выполнения, Z - количество итераций
+- "—" для отсутствующих данных
+
+Выходной файл: tables.tex с готовым LaTeX кодом всех таблиц.
+Лучший результат по времени выполнения в каждой таблице выделяется жирным.
+"""
+
+import re
+from pathlib import Path
+
+
+def parse_csv_file(csv_path: str) -> tuple[str, list[list[str]]]:
+    """
+    Парсит CSV файл с результатами эксперимента.
+
+    Args:
+        csv_path: Путь к CSV файлу
+
+    Returns:
+        Tuple с заголовком и данными таблицы
+    """
+    with open(csv_path, "r", encoding="utf-8") as file:
+        lines = file.readlines()
+
+    # Удаляем пустые строки и берём только строки с данными
+    clean_lines = [line.strip() for line in lines if line.strip()]
+
+    # Первая строка - заголовки
+    header = clean_lines[0]
+
+    # Остальные строки - данные
+    data_lines = clean_lines[1:]
+
+    # Парсим данные
+    data_rows = []
+    for line in data_lines:
+        parts = line.split(",")
+        if len(parts) >= 6:  # Pc + 5 значений Pm
+            data_rows.append(parts)
+
+    return header, data_rows
+
+
+def extract_time_value(value: str) -> float | None:
+    """
+    Извлекает значение времени из строки формата "X.Y (Z)".
+
+    Args:
+        value: Строка с результатом
+
+    Returns:
+        Время выполнения как float или None если значение пустое
+    """
+    value = value.strip()
+    if value == "—" or value == "" or value == "–":
+        return None
+
+    # Ищем паттерн "число.число (число)"
+    match = re.match(r"(\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.
+
+    Args:
+        data_rows: Строки данных таблицы
+
+    Returns:
+        Минимальное время или None если нет валидных значений
+    """
+    min_time = None
+
+    for row in data_rows:
+        for i in range(1, min(6, len(row))):  # Пропускаем первую колонку (Pc)
+            time_value = extract_time_value(row[i])
+            if time_value is not None:
+                if min_time is None or time_value < min_time:
+                    min_time = time_value
+
+    return min_time
+
+
+def format_value(value: str, best_time: float | None = None) -> str:
+    """
+    Форматирует значение для LaTeX таблицы, выделяя лучший результат жирным.
+
+    Args:
+        value: Строковое значение из CSV
+        best_time: Лучшее время в таблице для сравнения
+
+    Returns:
+        Отформатированное значение для LaTeX
+    """
+    value = value.strip()
+    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
+    ):
+        return f"\\textbf{{{value}}}"
+
+    return value
+
+
+def generate_latex_table(n: str, header: str, data_rows: list[list[str]]) -> str:
+    """
+    Генерирует LaTeX код таблицы.
+
+    Args:
+        n: Размер популяции
+        header: Заголовок таблицы
+        data_rows: Строки данных
+
+    Returns:
+        LaTeX код таблицы
+    """
+    # Находим лучшее время в таблице
+    best_time = find_best_time(data_rows)
+
+    # Извлекаем заголовки колонок из header
+    header_parts = header.split(",")
+    pm_values = header_parts[1:]  # Пропускаем "Pc \ Pm"
+
+    latex_code = f"""    \\begin{{table}}[h!]
+        \\centering
+        \\small
+        \\caption{{Результаты для $N = {n}$}}
+        \\begin{{tabularx}}{{\\linewidth}}{{l *{{5}}{{Y}}}}
+        \\toprule
+        $\\mathbf{{P_c \\;\\backslash\\; P_m}}$"""
+
+    # Добавляем заголовки Pm
+    for pm in pm_values:
+        latex_code += f" & \\textbf{{{pm.strip()}}}"
+
+    latex_code += " \\\\\n        \\midrule\n"
+
+    # Добавляем строки данных
+    for row in data_rows:
+        pc_value = row[0].strip()
+        latex_code += f"        \\textbf{{{pc_value}}}"
+
+        # 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)
+            latex_code += f" & {value}"
+
+        # Заполняем недостающие колонки если их меньше 5
+        for i in range(len(row) - 1, 5):
+            latex_code += " & —"
+
+        latex_code += " \\\\\n"
+
+    latex_code += f"""        \\bottomrule
+        \\end{{tabularx}}
+        \\label{{tab:pc_pm_results_{n}}}
+    \\end{{table}}"""
+
+    return latex_code
+
+
+def main():
+    """Основная функция скрипта."""
+    experiments_path = Path("experiments")
+
+    if not experiments_path.exists():
+        print("Папка experiments не найдена!")
+        return
+
+    tables = []
+
+    # Сканируем все подпапки в experiments, сортируем по числовому значению N
+    subdirs = [
+        subdir
+        for subdir in experiments_path.iterdir()
+        if subdir.is_dir() and subdir.name.isdigit()
+    ]
+    subdirs.sort(key=lambda x: int(x.name))
+
+    for subdir in subdirs:
+        n = subdir.name
+        csv_file = subdir / "results.csv"
+
+        if csv_file.exists():
+            print(f"Обрабатываем {csv_file}...")
+
+            try:
+                header, data_rows = parse_csv_file(str(csv_file))
+                best_time = find_best_time(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})")
+
+            except Exception as e:
+                print(f"✗ Ошибка при обработке {csv_file}: {e}")
+        else:
+            print(f"✗ Файл {csv_file} не найден")
+
+    # Сохраняем все таблицы в файл
+    if tables:
+        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"
+            )
+            f.write("% Убедитесь, что подключен \\usepackage{tabularx}\n")
+            f.write(
+                "% Используйте \\newcolumntype{Y}{>{\\centering\\arraybackslash}X} перед таблицами\n\n"
+            )
+
+            for i, table in enumerate(tables):
+                if i > 0:
+                    f.write("\n    \n")
+                f.write(table + "\n")
+
+        print(f"\n✓ Все таблицы сохранены в файл 'tables.tex'")
+        print(f"Сгенерировано таблиц: {len(tables)}")
+    else:
+        print("Не найдено данных для генерации таблиц!")
+
+
+if __name__ == "__main__":
+    main()

lab2/expirements.py

@@ -0,0 +1,157 @@
+import math
+import os
+import shutil
+import statistics
+
+import numpy as np
+from gen import GARunConfig, genetic_algorithm
+from prettytable import PrettyTable
+
+
+def fitness_function(chromosome: np.ndarray) -> np.ndarray:
+    return chromosome[0] ** 2 + 2 * chromosome[1] ** 2
+
+
+# Базовая папка для экспериментов
+BASE_DIR = "experiments"
+
+# Параметры для экспериментов
+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
+
+# Количество запусков для усреднения результатов
+NUM_RUNS = 1
+
+# Базовые параметры (как в main.py)
+BASE_CONFIG = {
+    "x_min": np.array([-5.12, -5.12]),
+    "x_max": np.array([5.12, 5.12]),
+    "fitness_func": fitness_function,
+    "max_generations": 200,
+    "seed": None,  # None для случайности, т. к. всё усредняем
+    "minimize": True,
+    "fitness_avg_threshold": 0.05,  # критерий остановки
+    # при включенном сохранении графиков на время смотреть бессмысленно
+    # "save_generations": [1, 50, 199],
+}
+
+
+def run_single_experiment(
+    pop_size: int, pc: float, pm: float
+) -> tuple[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).
+    """
+    times = []
+    generations = []
+
+    for run_num in range(NUM_RUNS):
+        config = GARunConfig(
+            **BASE_CONFIG,
+            pop_size=pop_size,
+            pc=pc,
+            pm=pm,
+            results_dir=os.path.join(
+                BASE_DIR,
+                str(pop_size),
+                f"pc_{pc:.3f}",
+                f"pm_{pm:.3f}",
+                f"run_{run_num}",
+            ),
+        )
+
+        result = genetic_algorithm(config)
+        times.append(result.time_ms)
+        generations.append(result.generations_count)
+
+    # 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
+
+    return avg_time, std_time, avg_generations, std_generations
+
+
+def run_experiments_for_population(pop_size: int) -> PrettyTable:
+    """
+    Запускает эксперименты для одного размера популяции.
+    Возвращает таблицу результатов.
+    """
+    print(f"\nЗапуск экспериментов для популяции размером {pop_size}...")
+    print(f"Количество запусков для усреднения: {NUM_RUNS}")
+
+    # Создаем таблицу
+    table = PrettyTable()
+    table.field_names = ["Pc \\ Pm"] + [f"{pm:.3f}" for pm in PM_VALUES]
+
+    # Запускаем эксперименты для всех комбинаций Pc и Pm
+    for pc in PC_VALUES:
+        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)
+            )
+
+            # 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 avg_generations == BASE_CONFIG["max_generations"]:
+                cell_value = "—"
+
+            row.append(cell_value)
+        table.add_row(row)
+
+    return table
+
+
+def main():
+    """Основная функция для запуска всех экспериментов."""
+    print("=" * 60)
+    print("ЗАПУСК ЭКСПЕРИМЕНТОВ ПО ПАРАМЕТРАМ ГЕНЕТИЧЕСКОГО АЛГОРИТМА")
+    print("=" * 60)
+    print(f"Размеры популяции: {POPULATION_SIZES}")
+    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
+    if os.path.exists(BASE_DIR):
+        shutil.rmtree(BASE_DIR)
+    os.makedirs(BASE_DIR)
+
+    # Запускаем эксперименты для каждого размера популяции
+    for pop_size in POPULATION_SIZES:
+        table = run_experiments_for_population(pop_size)
+
+        print(f"\n{'='*60}")
+        print(f"РЕЗУЛЬТАТЫ ДЛЯ ПОПУЛЯЦИИ РАЗМЕРОМ {pop_size}")
+        print(f"{'='*60}")
+        print(
+            f"Формат: среднее_время±стд_отклонение_мс (среднее_поколения±стд_отклонение)"
+        )
+        print(f"Усреднено по {NUM_RUNS} запускам")
+        print(table)
+
+        pop_exp_dir = os.path.join(BASE_DIR, str(pop_size))
+        os.makedirs(pop_exp_dir, exist_ok=True)
+        with open(os.path.join(pop_exp_dir, "results.csv"), "w", encoding="utf-8") as f:
+            f.write(table.get_csv_string())
+        print(f"Результаты сохранены в папке: {pop_exp_dir}")
+
+    print(f"\n{'='*60}")
+    print("ВСЕ ЭКСПЕРИМЕНТЫ ЗАВЕРШЕНЫ!")
+    print(f"Результаты сохранены в {BASE_DIR}")
+    print(f"{'='*60}")
+
+
+if __name__ == "__main__":
+    main()

lab2/gen.py

@@ -0,0 +1,422 @@
+import os
+import random
+import shutil
+import time
+from copy import deepcopy
+from dataclasses import dataclass
+from typing import Callable
+
+import numpy as np
+import plotly.graph_objects as go
+from matplotlib import pyplot as plt
+from matplotlib.axes import Axes
+from mpl_toolkits.mplot3d import Axes3D
+from numpy.typing import NDArray
+
+type Chromosome = NDArray[np.float64]
+type Population = list[Chromosome]
+type Fitnesses = NDArray[np.float64]
+type FitnessFn = Callable[[Chromosome], Fitnesses]
+type CrossoverFn = Callable[[Chromosome, Chromosome], tuple[Chromosome, Chromosome]]
+type MutationFn = Callable[[Chromosome], Chromosome]
+
+
+@dataclass
+class GARunConfig:
+    x_min: Chromosome
+    x_max: Chromosome
+    fitness_func: FitnessFn
+    pop_size: int  # размер популяции
+    pc: float  # вероятность кроссинговера
+    pm: float  # вероятность мутации
+    max_generations: int  # максимальное количество поколений
+    seed: int | None = None  # seed для генератора случайных чисел
+    minimize: bool = False  # если True, ищем минимум вместо максимума
+    save_generations: list[int] | None = (
+        None  # индексы поколений для сохранения графиков
+    )
+    results_dir: str = "results"  # папка для сохранения графиков
+    fitness_avg_threshold: float | None = (
+        None  # порог среднего значения фитнес функции для остановки
+    )
+
+
+@dataclass(frozen=True)
+class Generation:
+    number: int
+    best: Chromosome
+    best_fitness: float
+    population: Population
+    fitnesses: Fitnesses
+
+
+@dataclass(frozen=True)
+class GARunResult:
+    generations_count: int
+    best_generation: Generation
+    history: list[Generation]
+    time_ms: float
+
+
+def initialize_population(
+    pop_size: int, x_min: Chromosome, x_max: Chromosome
+) -> Population:
+    """Инициализирует популяцию случайными векторами из заданного диапазона."""
+    return [np.random.uniform(x_min, x_max, x_min.shape) for _ in range(pop_size)]
+
+
+def reproduction(population: Population, fitnesses: Fitnesses) -> Population:
+    """Репродукция (селекция) методом рулетки.
+
+    Чем больше значение фитнеса, тем больше вероятность выбора особи. Для минимизации
+    значения фитнеса нужно предварительно инвертировать.
+    """
+    # Чтобы работать с отрицательными f, сдвигаем значения фитнес функции на минимальное
+    # значение в популяции. Вычитаем min_fit, т. к. min_fit может быть отрицательным.
+    min_fit = np.min(fitnesses)
+    shifted_fitnesses = fitnesses - min_fit + 1e-12
+
+    # Получаем вероятности для каждой особи
+    probs = shifted_fitnesses / np.sum(shifted_fitnesses)
+    cum = np.cumsum(probs)
+
+    # Выбираем особей методом рулетки
+    selected = []
+    for _ in population:
+        r = np.random.random()
+        idx = int(np.searchsorted(cum, r, side="left"))
+        selected.append(population[idx])
+
+    return selected
+
+
+def arithmetical_crossover_fn(
+    p1: Chromosome, p2: Chromosome, w: float = 0.5
+) -> tuple[Chromosome, Chromosome]:
+    """Арифметический кроссинговер."""
+    h1 = w * p1 + (1 - w) * p2
+    h2 = (1 - w) * p1 + w * p2
+    return h1, h2
+
+
+def geometrical_crossover_fn(
+    p1: Chromosome, p2: Chromosome, w: float = 0.5
+) -> tuple[Chromosome, Chromosome]:
+    """Геометрический кроссинговер."""
+    h1 = np.power(p1, w) * np.power(p2, 1 - w)
+    h2 = np.power(p2, w) * np.power(p1, 1 - w)
+    return h1, h2
+
+
+def crossover(
+    population: Population,
+    pc: float,
+    crossover_fn: CrossoverFn,
+) -> Population:
+    """Оператор кроссинговера (скрещивания) выполняется с заданной вероятностью pc.
+
+    Две хромосомы (родители) выбираются случайно из промежуточной популяции.
+
+    Если популяция нечетного размера, то последняя хромосома скрещивается со случайной
+    другой хромосомой из популяции. В таком случае одна из хромосом может поучаствовать
+    в кроссовере дважды.
+    """
+    # Создаем копию популяции и перемешиваем её для случайного выбора пар
+    shuffled_population = population.copy()
+    np.random.shuffle(shuffled_population)
+
+    next_population = []
+    pop_size = len(shuffled_population)
+
+    for i in range(0, pop_size, 2):
+        p1 = shuffled_population[i]
+        p2 = shuffled_population[(i + 1) % pop_size]
+        if np.random.random() <= pc:
+            p1, p2 = crossover_fn(p1, p2)
+        next_population.append(p1)
+        next_population.append(p2)
+
+    return next_population[:pop_size]
+
+
+def build_random_mutation_fn(x_min: Chromosome, x_max: Chromosome) -> MutationFn:
+    """Создаёт функцию случайной мутации."""
+
+    def mutation_fn(chrom: Chromosome) -> Chromosome:
+        chrom_new = chrom.copy()
+        k = np.random.randint(0, chrom_new.shape[0])
+        chrom_new[k] = np.random.uniform(x_min[k], x_max[k])
+        return chrom_new
+
+    return mutation_fn
+
+
+def mutation(population: Population, pm: float, mutation_fn: MutationFn) -> Population:
+    """Мутация происходит с вероятностью pm."""
+    next_population = []
+    for chrom in population:
+        next_population.append(
+            mutation_fn(chrom) if np.random.random() <= pm else chrom
+        )
+    return next_population
+
+
+def clear_results_directory(results_dir: str) -> None:
+    """Очищает папку с результатами перед началом эксперимента."""
+    if os.path.exists(results_dir):
+        shutil.rmtree(results_dir)
+    os.makedirs(results_dir, exist_ok=True)
+
+
+def eval_population(population: Population, fitness_func: FitnessFn) -> Fitnesses:
+    return np.array([fitness_func(chrom) for chrom in population])
+
+
+def plot_fitness_surface(
+    fitness_func: FitnessFn,
+    x_min: Chromosome,
+    x_max: Chromosome,
+    ax: Axes3D,
+    num_points: int = 100,
+) -> None:
+    """Рисует поверхность функции фитнеса в 3D."""
+    assert (
+        x_min.shape == x_max.shape == (2,)
+    ), "Рисовать графики можно только для функции от двух переменных"
+    X = np.linspace(x_min[0], x_max[0], num_points)
+    Y = np.linspace(x_min[1], x_max[1], num_points)
+    X, Y = np.meshgrid(X, Y)
+
+    vectorized_fitness = np.vectorize(lambda x, y: fitness_func(np.array([x, y])))
+    Z = vectorized_fitness(X, Y)
+
+    return ax.plot_surface(
+        X, Y, Z, cmap="viridis", edgecolor="none", alpha=0.7, shade=False
+    )
+
+
+def plot_fitness_contour(
+    fitness_func: FitnessFn,
+    x_min: Chromosome,
+    x_max: Chromosome,
+    ax: Axes,
+    num_points: int = 100,
+) -> None:
+    """Рисует контурный график функции фитнеса в 2D."""
+    X = np.linspace(x_min[0], x_max[0], num_points)
+    Y = np.linspace(x_min[1], x_max[1], num_points)
+    X, Y = np.meshgrid(X, Y)
+
+    vectorized_fitness = np.vectorize(lambda x, y: fitness_func(np.array([x, y])))
+    Z = vectorized_fitness(X, Y)
+
+    # Рисуем контуры
+    # X и Y поменяны местами для единообразия с 3D графиками, там ось Y изображена
+    # горизонтально из-за особенностей функции в моём варианте
+    contourf = ax.contourf(Y, X, Z, levels=20, cmap="viridis", alpha=0.7)
+    ax.set_xlabel("Y")
+    ax.set_ylabel("X")
+
+    # Добавляем цветовую шкалу
+    plt.colorbar(contourf, ax=ax, shrink=0.5)
+
+    # По умолчанию matplotlib пытается растянуть график по оси Y, тут мы это отключаем
+    ax.set_aspect("equal")
+
+
+def save_generation(
+    generation: Generation, history: list[Generation], config: GARunConfig
+) -> None:
+    """Сохраняем графики поколения.
+
+    Функция не самая универсальная, тут есть хардкод, однако для большинства вариантов
+    должна работать и так.
+    """
+    assert (
+        config.x_min.shape == config.x_max.shape == (2,)
+    ), "Рисовать графики можно только для функции от двух переменных"
+    os.makedirs(config.results_dir, exist_ok=True)
+
+    fig = plt.figure(figsize=(21, 7))
+    fig.suptitle(
+        f"Поколение #{generation.number}. "
+        f"Лучшая особь: {generation.best_fitness:.4f}. "
+        f"Среднее значение: {np.mean(generation.fitnesses):.4f}",
+        fontsize=14,
+        y=0.85,
+    )
+
+    # Контурный график (как вид сверху)
+    ax1 = fig.add_subplot(1, 3, 1)
+    plot_fitness_contour(config.fitness_func, config.x_min, config.x_max, ax1)
+
+    # Популяция на контурном графике
+    arr = np.array(generation.population)
+    # Координаты специально поменяны местами (см. plot_fitness_contour)
+    ax1.scatter(
+        arr[:, 1],
+        arr[:, 0],
+        c="red",
+        marker="o",
+        alpha=0.9,
+        s=20,
+    )
+
+    # Подпись под первым графиком
+    ax1.text(
+        0.5,
+        -0.3,
+        "(a)",
+        transform=ax1.transAxes,
+        ha="center",
+        fontsize=16,
+    )
+
+    # 3D графики с разных ракурсов
+    views_3d = [
+        # (elev, azim)
+        (50, 0),
+        (50, 15),
+    ]
+
+    for i, (elev, azim) in enumerate(views_3d):
+        ax = fig.add_subplot(1, 3, i + 2, projection="3d", computed_zorder=False)
+
+        plot_fitness_surface(config.fitness_func, config.x_min, config.x_max, ax)
+
+        ax.set_xlabel("X")
+        ax.set_ylabel("Y")
+        ax.set_zlabel("f(X, Y)")
+
+        ax.scatter(
+            arr[:, 0],
+            arr[:, 1],
+            generation.fitnesses + 1,  # type: ignore
+            c="red",
+            s=10,
+            marker="o",
+            alpha=0.9,
+        )
+
+        # Устанавливаем угол обзора
+        ax.view_init(elev=elev, azim=azim)
+
+        # Подпись под 3D графиками
+        label = chr(ord("b") + i)  # 'b' для i=0, 'c' для i=1
+        ax.text2D(
+            0.5,
+            -0.15,
+            f"({label})",
+            transform=ax.transAxes,
+            ha="center",
+            fontsize=16,
+        )
+
+    filename = f"generation_{generation.number:03d}.png"
+    path_png = os.path.join(config.results_dir, filename)
+    fig.savefig(path_png, dpi=150, bbox_inches="tight")
+    # Можно раскомментировать, чтобы подобрать более удачные ракурсы
+    # в интерактивном режиме
+    # fig.show()
+    # plt.pause(1000)
+    plt.close(fig)
+
+
+def genetic_algorithm(config: GARunConfig) -> GARunResult:
+    if config.seed is not None:
+        random.seed(config.seed)
+        np.random.seed(config.seed)
+
+    if config.save_generations:
+        clear_results_directory(config.results_dir)
+
+    population = initialize_population(config.pop_size, config.x_min, config.x_max)
+
+    start = time.perf_counter()
+    history: list[Generation] = []
+    best: Generation | None = None
+
+    generation_number = 1
+
+    while True:
+        # Вычисляем фитнес для всех особей в популяции
+        fitnesses = eval_population(population, config.fitness_func)
+
+        # Находим лучшую особь в поколении
+        best_index = (
+            int(np.argmin(fitnesses)) if config.minimize else int(np.argmax(fitnesses))
+        )
+
+        # Добавляем эпоху в историю
+        current = Generation(
+            number=generation_number,
+            best=population[best_index],
+            best_fitness=fitnesses[best_index],
+            population=deepcopy(population),
+            fitnesses=deepcopy(fitnesses),
+        )
+        history.append(current)
+
+        # Обновляем лучшую эпоху
+        if (
+            best is None
+            or (config.minimize and current.best_fitness < best.best_fitness)
+            or (not config.minimize and current.best_fitness > best.best_fitness)
+        ):
+            best = current
+
+        # Проверка критериев остановки
+        stop_algorithm = False
+
+        if generation_number >= config.max_generations:
+            stop_algorithm = True
+
+        # if config.variance_threshold is not None:
+        #     fitness_variance = np.var(fitnesses)
+        #     if fitness_variance < config.variance_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 (
+                not config.minimize and mean_fitness > config.fitness_avg_threshold
+            ):
+                stop_algorithm = True
+
+        # Сохраняем указанные поколения и последнее поколение
+        if config.save_generations and (
+            stop_algorithm or generation_number in config.save_generations
+        ):
+            # save_generation(current, history, config)
+            save_generation(current, history, config)
+
+        if stop_algorithm:
+            break
+
+        # селекция (для минимума инвертируем знак)
+        parents = reproduction(
+            population, fitnesses if not config.minimize else -fitnesses
+        )
+
+        # кроссинговер попарно
+        next_population = crossover(parents, config.pc, arithmetical_crossover_fn)
+
+        # мутация
+        next_population = mutation(
+            next_population,
+            config.pm,
+            build_random_mutation_fn(config.x_min, config.x_max),
+        )
+
+        population = next_population[: config.pop_size]
+        generation_number += 1
+
+    end = time.perf_counter()
+
+    assert best is not None, "Best was never set"
+    return GARunResult(
+        len(history),
+        best,
+        history,
+        (end - start) * 1000.0,
+    )

lab2/main.py

@@ -0,0 +1,30 @@
+import matplotlib.pyplot as plt
+import numpy as np
+from gen import GARunConfig, genetic_algorithm
+
+
+def fitness_function(chromosome: np.ndarray) -> np.ndarray:
+    return chromosome[0] ** 2 + 2 * chromosome[1] ** 2
+
+
+config = GARunConfig(
+    x_min=np.array([-5.12, -5.12]),
+    x_max=np.array([5.12, 5.12]),
+    fitness_func=fitness_function,
+    max_generations=200,
+    pop_size=25,
+    pc=0.5,
+    pm=0.01,
+    minimize=True,
+    seed=17,
+    fitness_avg_threshold=0.05,
+    save_generations=[1, 2, 3, 5, 7, 10, 15],
+)
+
+result = genetic_algorithm(config)
+
+# Выводим результаты
+print(f"Лучшая особь: {result.best_generation.best}")
+print(f"Лучшее значение фитнеса: {result.best_generation.best_fitness:.6f}")
+print(f"Количество поколений: {result.generations_count}")
+print(f"Время выполнения: {result.time_ms:.2f} мс")

lab2/report/.gitignore

@@ -0,0 +1,6 @@
+*
+
+!**/
+!.gitignore
+!report.tex
+!img/**/*.png

lab2/report/report.tex

@@ -0,0 +1,608 @@
+\documentclass[a4paper, final]{article}
+%\usepackage{literat} % Нормальные шрифты
+\usepackage[14pt]{extsizes} % для того чтобы задать нестандартный 14-ый размер шрифта
+\usepackage{tabularx}
+\usepackage{booktabs}
+\usepackage[T2A]{fontenc}
+\usepackage[utf8]{inputenc}
+\usepackage[russian]{babel}
+\usepackage{amsmath}
+\usepackage[left=25mm, top=20mm, right=20mm, bottom=20mm, footskip=10mm]{geometry}
+\usepackage{ragged2e} %для растягивания по ширине
+\usepackage{setspace} %для межстрочно   го интервала
+\usepackage{moreverb} %для работы с листингами
+\usepackage{indentfirst} % для абзацного отступа
+\usepackage{moreverb} %для печати в листинге исходного кода программ
+\usepackage{pdfpages} %для вставки других pdf файлов
+\usepackage{tikz}
+\usepackage{graphicx}
+\usepackage{afterpage}
+\usepackage{longtable}
+\usepackage{float}
+
+
+
+% \usepackage[paper=A4,DIV=12]{typearea}
+\usepackage{pdflscape}
+% \usepackage{lscape}
+
+\usepackage{array}
+\usepackage{multirow}
+
+\renewcommand\verbatimtabsize{4\relax}
+\renewcommand\listingoffset{0.2em} %отступ от номеров строк в листинге
+\renewcommand{\arraystretch}{1.4} % изменяю высоту строки в таблице
+\usepackage[font=small, singlelinecheck=false, justification=centering, format=plain, labelsep=period]{caption} %для настройки заголовка таблицы
+\usepackage{listings} %листинги
+\usepackage{xcolor} % цвета
+\usepackage{hyperref}% для гиперссылок
+\usepackage{enumitem} %для перечислений
+
+\newcommand{\specialcell}[2][l]{\begin{tabular}[#1]{@{}l@{}}#2\end{tabular}}
+
+
+\setlist[enumerate,itemize]{leftmargin=1.2cm} %отступ в перечислениях
+
+\hypersetup{colorlinks,
+    allcolors=[RGB]{010 090 200}} %красивые гиперссылки (не красные)
+
+% подгружаемые языки — подробнее в документации listings (это всё для листингов)
+\lstloadlanguages{ SQL}
+% включаем кириллицу и добавляем кое−какие опции
+\lstset{tabsize=2,
+    breaklines,
+    basicstyle=\footnotesize,
+    columns=fullflexible,
+    flexiblecolumns,
+    numbers=left,
+    numberstyle={\footnotesize},
+    keywordstyle=\color{blue},
+    inputencoding=cp1251,
+    extendedchars=true
+}
+\lstdefinelanguage{MyC}{
+    language=SQL,
+%    ndkeywordstyle=\color{darkgray}\bfseries,
+%    identifierstyle=\color{black},
+%    morecomment=[n]{/**}{*/},
+%    commentstyle=\color{blue}\ttfamily,
+%    stringstyle=\color{red}\ttfamily,
+%    morestring=[b]",
+%    showstringspaces=false,
+%    morecomment=[l][\color{gray}]{//},
+    keepspaces=true,
+    escapechar=\%,
+    texcl=true
+}
+
+\textheight=24cm % высота текста
+\textwidth=16cm % ширина текста
+\oddsidemargin=0pt % отступ от левого края
+\topmargin=-1.5cm % отступ от верхнего края
+\parindent=24pt % абзацный отступ
+\parskip=5pt % интервал между абзацами
+\tolerance=2000 % терпимость к "жидким" строкам
+\flushbottom % выравнивание высоты страниц
+
+
+% Настройка листингов
+\lstset{
+    language=python,
+    extendedchars=\true,
+    inputencoding=utf8,
+    keepspaces=true,
+    % captionpos=b, % подписи листингов снизу
+}
+
+\begin{document} % начало документа
+    
+
+
+    % НАЧАЛО ТИТУЛЬНОГО ЛИСТА
+    \begin{center}
+        \hfill \break
+        \hfill \break
+        \normalsize{МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ\\
+            федеральное государственное автономное образовательное учреждение высшего образования «Санкт-Петербургский политехнический университет Петра Великого»\\[10pt]}
+        \normalsize{Институт компьютерных наук и кибербезопасности}\\[10pt] 
+        \normalsize{Высшая школа технологий искусственного интеллекта}\\[10pt] 
+        \normalsize{Направление: 02.03.01 <<Математика и компьютерные науки>>}\\
+        
+        \hfill \break
+        \hfill \break
+        \hfill \break
+        \hfill \break
+        \large{Лабораторная работа №2}\\
+        \large{по дисциплине}\\
+        \large{<<Генетические алгоритмы>>}\\
+        \large{Вариант 18}\\
+        
+        % \hfill \break
+        \hfill \break
+    \end{center}
+    
+    \small{ 
+        \begin{tabular}{lrrl}
+            \!\!\!Студент, & \hspace{2cm} & & \\
+            \!\!\!группы 5130201/20101 & \hspace{2cm} & \underline{\hspace{3cm}} &Тищенко А. А. \\\\
+            \!\!\!Преподаватель & \hspace{2cm} &  \underline{\hspace{3cm}} &  Большаков А. А. \\\\
+            &&\hspace{4cm}
+        \end{tabular}
+        \begin{flushright}
+            <<\underline{\hspace{1cm}}>>\underline{\hspace{2.5cm}} 2025г.
+        \end{flushright}
+    }
+    
+    \hfill \break
+    % \hfill \break
+    \begin{center} \small{Санкт-Петербург, 2025} \end{center}
+    \thispagestyle{empty} % выключаем отображение номера для этой страницы
+    
+    % КОНЕЦ ТИТУЛЬНОГО ЛИСТА
+    \newpage
+    
+    \tableofcontents
+
+    \newpage
+    \section {Постановка задачи}
+    В данной работе были поставлены следующие задачи:
+
+    \begin{itemize}
+        \item Изучить теоретический материал;
+        \item Ознакомиться с вариантами кодирования хромосомы;
+        \item Рассмотреть способы выполнения операторов репродукции,
+        кроссинговера и мутации;
+        \item Выполнить индивидуальное задание на любом языке высокого
+        уровня с необходимыми комментариями и выводами
+    \end{itemize}
+
+    \textbf{Индивидуальное задание вариант 18:}
+
+    \textbf{Дано:} Функция Axis parallel hyper-ellipsoid function.
+
+    Общая формула для n-мерного случая:
+    $$f(\mathbf{x}) = \sum_{i=1}^{n} i \cdot x_i^2$$
+    где $\mathbf{x} = (x_1, x_2, \ldots, x_n)$, область определения $x_i \in [-5.12, 5.12]$ для всех $i = 1, \ldots, n$.
+
+    Для двумерного случая (n=2):
+    $$f(x, y) = 1 \cdot x^2 + 2 \cdot y^2 = x^2 + 2y^2$$
+    область нахождения решения $x \in [-5.12, 5.12], y \in [-5.12, 5.12]$.
+
+    Глобальный минимум: $f(\mathbf{x}) = 0$ в точке $x_i = 0$ для всех $i = 1, \ldots, n$. Для двумерного случая: $\min f(x, y) = f(0, 0) = 0$.
+
+    \vspace{0.3cm}
+    \textbf{Требуется:}
+
+    \begin{enumerate}
+        \item Создать программу, использующую генетический алгоритм для нахождения минимума данной функции;
+        \item Для n=2 вывести на экран график функции с указанием найденного экстремума и точек популяции. Предусмотреть возможность пошагового просмотра процесса поиска решения;
+        \item Исследовать зависимость времени поиска, числа поколений (генераций), точности нахождения решения от основных параметров генетического алгоритма: числа особей в популяции, вероятности кроссинговера и мутации;
+        \item Повторить процесс поиска решения для n=3, сравнить результаты и скорость работы программы.
+    \end{enumerate}
+
+
+    \newpage
+    \section{Теоретические сведения}
+
+    Генетические алгоритмы (ГА) используют принципы и терминологию, заимствованные у биологической науки – генетики. В ГА каждая особь представляет потенциальное решение некоторой
+    проблемы. В классическом ГА особь кодируется строкой двоичных символов – хромосомой. Однако при работе с оптимизационными задачами в непрерывных пространствах вполне естественно представлять гены напрямую вещественными числами. В этом случае хромосома есть вектор вещественных чисел (real-coded алгоритмы). Их точность определяется исключительно разрядной сеткой ЭВМ. Длина хромосомы совпадает с длиной вектора-решения оптимизационной задачи, каждый ген отвечает за одну переменную. Генотип объекта становится идентичным его фенотипу.
+
+    Множество особей – потенциальных решений составляет популяцию. Поиск (суб)оптимального решения проблемы выполняется в процессе эволюции популяции - последовательного преобразования одного конечного множества решений в другое с помощью генетических операторов репродукции, кроссинговера и мутации.
+
+    Предварительно простой ГА случайным образом генерирует начальную популяцию стрингов
+    (хромосом). Затем алгоритм генерирует следующее поколение (популяцию), с помощью трех основных генетических операторов:
+
+    \begin{enumerate}
+        \item Оператор репродукции (ОР);
+        \item Оператор скрещивания (кроссинговера, ОК);
+        \item Оператор мутации (ОМ).
+    \end{enumerate}
+
+    ГА работает до тех пор, пока не будет выполнено заданное количество поколений (итераций)
+    процесса эволюции или на некоторой генерации будет получено заданное качество или вследствие
+    преждевременной сходимости при попадании в некоторый локальный оптимум. На Рис.~\ref{fig:alg} представлен простой генетический алгоритм.
+
+    \begin{figure}[h!]
+       \centering
+       \includegraphics[width=0.9\linewidth]{img/alg.png}
+       \caption{Простой генетический алгоритм}
+       \label{fig:alg}
+    \end{figure}
+
+    \newpage
+    \subsection{Основная терминология в генетических алгоритмах}
+
+    \textbf{Ген} -- элементарный код в хромосоме $s_i$, называемый также знаком или детектором 
+    (в классическом ГА $s_i = 0, 1$).
+
+    \textbf{Хромосома} -- упорядоченная последовательность генов в виде закодированной структуры 
+    данных $S = (s_1, s_2, \ldots, s_n)$, определяющая решение. Может быть представлена как двоичная 
+    последовательность (где $s_i = 0, 1$) или как вектор вещественных чисел (real-coded представление).
+
+    \textbf{Локус} -- местоположение (позиция, номер бита) данного гена в хромосоме.
+
+    \textbf{Аллель} -- значение, которое принимает данный ген (например, 0 или 1).
+
+    \textbf{Особь} -- одно потенциальное решение задачи (представляемое хромосомой).
+
+    \textbf{Популяция} -- множество особей (хромосом), представляющих потенциальные решения.
+
+    \textbf{Поколение} -- текущая популяция ГА на данной итерации алгоритма.
+
+    \textbf{Генотип} -- набор хромосом данной особи. В популяции могут использоваться как отдельные 
+    хромосомы, так и целые генотипы.
+
+    \textbf{Генофонд} -- множество всех возможных генотипов.
+
+    \textbf{Фенотип} -- набор значений, соответствующий данному генотипу. Это декодированное множество 
+    параметров задачи (например, десятичное значение $x$, соответствующее двоичному коду).
+
+    \textbf{Размер популяции $N$} -- число особей в популяции.
+
+    \textbf{Число поколений} -- количество итераций, в течение которых производится поиск.
+
+    \textbf{Селекция} -- совокупность правил, определяющих выживание особей на основе значений целевой функции.
+
+    \textbf{Эволюция популяции} -- чередование поколений, в которых хромосомы изменяют свои признаки, 
+    чтобы каждая новая популяция лучше приспосабливалась к среде.
+
+    \textbf{Фитнесс-функция} -- функция полезности, определяющая меру приспособленности особи. 
+    В задачах оптимизации она совпадает с целевой функцией или описывает близость к оптимальному решению.
+
+    \subsection{Генетические операторы}
+
+    \subsubsection{Оператор репродукции}
+
+    Репродукция -- процесс копирования хромосом в промежуточную популяцию для дальнейшего 
+    ``размножения'' в соответствии со значениями фитнесс-функции. В данной работе рассматривается метод колеса рулетки. Каждой хромосоме соответствует сектор, пропорциональный значению фитнесс-функции. 
+    Хромосомы с большим значением имеют больше шансов попасть в следующее поколение.
+
+    \subsubsection{Операторы кроссинговера для real-coded алгоритмов}
+
+    Оператор скрещивания непрерывного ГА (кроссовер) порождает одного или нескольких потомков от двух хромосом. Требуется из двух векторов вещественных чисел получить новые векторы по определённым законам. Большинство real-coded алгоритмов генерируют новые векторы в окрестности родительских пар.
+
+    Пусть $C_1=(c_{11},c_{21},\ldots,c_{n1})$ и $C_2=(c_{12},c_{22},\ldots,c_{n2})$ -- две хромосомы, выбранные оператором селекции для скрещивания.
+
+    \textbf{Арифметический кроссовер (arithmetical crossover):} создаются два потомка $H_1=(h_{11},\ldots,h_{n1})$, $H_2=(h_{12},\ldots,h_{n2})$, где:
+    $$h_{k1}=w \cdot c_{k1}+(1-w) \cdot c_{k2}$$
+    $$h_{k2}=w \cdot c_{k2}+(1-w) \cdot c_{k1}$$
+    где $k=1,\ldots,n$, $w$ -- весовой коэффициент из интервала $[0;1]$.
+
+    \begin{figure}[h!]
+       \centering
+       \includegraphics[width=0.5\linewidth]{img/arithmetic_crossover.png}
+       \caption{Арифметический кроссовер}
+       \label{fig:arithmetic_crossover}
+    \end{figure}
+
+    \textbf{Геометрический кроссовер (geometrical crossover):} создаются два потомка $H_1=(h_{11},\ldots,h_{n1})$, $H_2=(h_{12},\ldots,h_{n2})$, где:
+    $$h_{k1}=(c_{k1})^w \cdot (c_{k2})^{(1-w)}$$
+    $$h_{k2}=(c_{k2})^w \cdot (c_{k1})^{(1-w)}$$
+    где $w$ -- случайное число из интервала $[0;1]$.
+
+    \begin{figure}[h!]
+       \centering
+       \includegraphics[width=0.5\linewidth]{img/geometric_crossover.png}
+       \caption{Геометрический кроссовер}
+       \label{fig:geometric_crossover}
+    \end{figure}
+
+    \textbf{Смешанный кроссовер (BLX-alpha crossover):} генерируется один потомок $H=(h_1,\ldots,h_k,\ldots,h_n)$, где $h_k$ -- случайное число из интервала $[c_{min}-I \cdot \alpha, c_{max}+I \cdot \alpha]$, $c_{min}=\min(c_{k1},c_{k2})$, $c_{max}=\max(c_{k1},c_{k2})$, $I=c_{max}-c_{min}$.
+
+    \begin{figure}[h!]
+       \centering
+       \includegraphics[width=0.5\linewidth]{img/blx_crossover.png}
+       \caption{Смешанный кроссовер}
+       \label{fig:blx_crossover}
+    \end{figure}
+
+    \textbf{SBX кроссовер (Simulated Binary Crossover):} кроссовер, имитирующий двоичный, разработанный в 1995 году исследовательской группой под руководством K. Deb'а. Моделирует принципы работы двоичного оператора скрещивания, сохраняя важное свойство -- среднее значение функции приспособленности остаётся неизменным у родителей и их потомков.
+
+    Создаются два потомка $H_k=(h_{1k}, \ldots, h_{jk}, \ldots, h_{nk})$, $k=1,2$, где:
+    $$h_{j1} = 0.5[(1+\beta_k)c_{j1} + (1-\beta_k)c_{j2}]$$
+    $$h_{j2} = 0.5[(1-\beta_k)c_{j1} + (1+\beta_k)c_{j2}]$$
+
+    где $\beta_k \geq 0$ -- число, полученное по формуле:
+    $$\beta_k = \begin{cases}
+    (2u)^{\frac{1}{n+1}}, & \text{при } u \leq 0.5 \\
+    \left(\frac{1}{2(1-u)}\right)^{\frac{1}{n+1}}, & \text{при } u > 0.5
+    \end{cases}$$
+
+    где $u \in (0,1)$ -- случайное число, распределённое по равномерному закону, $n \in [2,5]$ -- параметр кроссовера. Увеличение $n$ повышает вероятность появления потомка в окрестности родителей.
+
+    \begin{figure}[h!]
+       \centering
+       \includegraphics[width=0.7\linewidth]{img/sbx_crossover.png}
+       \caption{SBX кроссовер}
+       \label{fig:sbx_crossover}
+    \end{figure}
+
+    \subsubsection{Операторы мутации для real-coded алгоритмов}
+
+    В качестве оператора мутации наибольшее распространение получили: случайная и неравномерная мутация.
+
+    \textbf{Случайная мутация (random mutation):} ген, подлежащий изменению, принимает случайное значение из интервала своего изменения.
+
+    \textbf{Неравномерная мутация (non-uniform mutation):} из особи случайно выбирается точка $c_k$ с разрешёнными пределами изменения $[c_{kl}, c_{kr}]$. Точка меняется на:
+    $$c_k' = \begin{cases}
+    c_k + \Delta(t, c_{kr} - c_k), & \text{при } a = 1 \\
+    c_k - \Delta(t, c_k - c_{kl}), & \text{при } a = 0
+    \end{cases}$$
+
+    где $a$ -- случайно выбранное направление изменения, $\Delta(t, y)$ -- функция, возвращающая случайную величину в пределах $[0, y]$ таким образом, что при увеличении $t$ среднее возвращаемое значение уменьшается:
+    $$\Delta(t, y) = y \cdot r \cdot \left(1 - \frac{t}{T}\right)^b$$
+
+    где $r$ -- случайная величина на интервале $[0, 1]$, $t$ -- текущая эпоха работы генетического алгоритма, $T$ -- общее разрешённое число эпох алгоритма, $b$ -- задаваемый пользователем параметр, определяющий степень зависимости от числа эпох.
+
+    \newpage
+    \section{Особенности реализации}
+    В рамках работы создана мини-библиотека \texttt{gen.py} для экспериментов с real-coded
+    генетическим алгоритмом для многомерных функций. Второй модуль
+    \texttt{expirements.py} организует серийные эксперименты (перебор параметров,
+    форматирование и сохранение результатов).
+
+    \begin{itemize}
+        \item \textbf{Кодирование особей}: каждая хромосома представлена как \texttt{np.ndarray} вещественных чисел (\texttt{Chromosome = NDArray[np.float64]}). Длина хромосомы соответствует размерности задачи оптимизации. Популяция -- список хромосом (\texttt{Population = list[Chromosome]}). Инициализация случайными векторами в заданном диапазоне:
+        \begin{itemize}
+            \item \texttt{initialize\_population(pop\_size: int, x\_min: Chromosome, x\_max:}\\ \texttt{Chromosome) -> Population}
+        \end{itemize}
+        \item \textbf{Фитнесс и минимум/максимум}: целевая функция принимает хромосому (вектор) и возвращает скалярное значение фитнесса. Для режима минимизации используется внутреннее преобразование при селекции (сдвиг на минимальное значение), что позволяет применять рулетку при отрицательных значениях:
+        \begin{itemize}
+            \item \texttt{eval\_population(population: Population, fitness\_func: FitnessFn) -> Fitnesses}
+            \item Логика режима минимизации в \texttt{genetic\_algorithm(config: GARunConfig) -> GARunResult}
+        \end{itemize}
+        \item \textbf{Селекция (рулетка)}: вероятности нормируются после сдвига на минимальное значение в поколении (устойчиво к отрицательным фитнессам). Функция:
+        \texttt{reproduction(population: Population, fitnesses: Fitnesses) -> Population}.
+        \item \textbf{Кроссинговер}: реализованы арифметический и геометрический кроссоверы для real-coded алгоритмов. Кроссинговер выполняется попарно по перемешанной популяции с вероятностью $p_c$. Функции:
+        \begin{itemize}
+            \item \texttt{arithmetical\_crossover\_fn(p1: Chromosome, p2: Chromosome, w: float) -> tuple[Chromosome, Chromosome]}
+            \item \texttt{geometrical\_crossover\_fn(p1: Chromosome, p2: Chromosome, w: float) -> tuple[Chromosome, Chromosome]}
+            \item \texttt{crossover(population: Population, pc: float, crossover\_fn: CrossoverFn) -> Population}
+        \end{itemize}
+        \item \textbf{Мутация}: случайная мутация -- с вероятностью $p_m$ на хромосому изменяется один случайно выбранный ген на случайное значение из допустимого диапазона. Функции:
+        \begin{itemize}
+            \item \texttt{build\_random\_mutation\_fn(x\_min: Chromosome, x\_max: Chromosome) -> MutationFn}
+            \item \texttt{mutation(population: Population, pm: float, mutation\_fn: MutationFn) -> Population}
+        \end{itemize}
+
+        \item \textbf{Критерий остановки}: поддерживается критерий по среднему значению фитнесс-функции в популяции и максимальному количеству поколений. Хранится история всех поколений. Проверка выполняется в функции:
+        
+        \texttt{genetic\_algorithm(config: GARunConfig) -> GARunResult}.
+        \item \textbf{Визуализация}: для двумерных функций реализованы 3D-графики поверхности и 2D-контурные графики с отображением популяций. Функции:
+        \begin{itemize}
+            \item \texttt{plot\_fitness\_surface(fitness\_func: FitnessFn, x\_min: Chromosome, x\_max: Chromosome, ax: Axes3D)}
+            \item \texttt{plot\_fitness\_contour(fitness\_func: FitnessFn, x\_min: Chromosome, x\_max: Chromosome, ax: Axes)}
+            \item \texttt{save\_generation(generation: Generation, history: list[Generation], config: GARunConfig)}
+        \end{itemize}
+        \item \textbf{Измерение времени}: длительность вычислений возвращается в миллисекундах как часть \texttt{GARunResult.time\_ms}.
+        \item \textbf{Файловая организация}: результаты экспериментов сохраняются иерархически в структуре \texttt{experiments/N/} с таблицами результатов в формате CSV. Задействованные функции:
+        \begin{itemize}
+            \item \texttt{clear\_results\_directory(results\_dir: str) -> None}
+            \item \texttt{run\_single\_experiment(pop\_size: int, pc: float, pm: float) -> tuple[float, float, float, float]}
+            \item \texttt{run\_experiments\_for\_population(pop\_size: int) -> PrettyTable}
+        \end{itemize}
+    \end{itemize}
+
+    В модуле \texttt{expirements.py} задаётся целевая функция axis parallel hyper-ellipsoid: $f(x, y) = x^2 + 2y^2$ и параметры экспериментов.
+    Серийные запуски и сохранение результатов реализованы в функциях \texttt{run\_single\_experiment}, \texttt{run\_experiments\_for\_population} и \texttt{main}.
+
+    \newpage
+    \section{Результаты работы}
+    На Рис.~\ref{fig:gen1}--\ref{fig:lastgen} представлены результаты работы генетического алгоритма со следующими параметрами:
+    \begin{itemize}
+        \item $N = 25$ -- размер популяции.
+        \item $p_c = 0.5$ -- вероятность кроссинговера.
+        \item $p_m = 0.01$ -- вероятность мутации.
+        \item $0.05$ -- минимальное среднее значение фитнесс функции по популяции для остановки алгоритма. Глобальный минимум функции равен $f(0, 0) = 0$.
+        \item Использован арифметический кроссовер для real-coded хромосом.
+    \end{itemize}
+
+    С каждым поколением точность найденного минимума становится выше. Популяция постепенно сходится к глобальному минимуму в точке $(0, 0)$. На графиках показаны 2D-контурный график (a) и 3D-поверхность целевой функции с точками популяции текущего поколения (b) и (c).
+
+    \begin{figure}[h!]
+       \centering
+       \includegraphics[width=1\linewidth]{img/results/generation_001.png}
+       \caption{График целевой функции и популяции поколения №1}
+       \label{fig:gen1}
+    \end{figure}
+
+    \begin{figure}[h!]
+       \centering
+       \includegraphics[width=1\linewidth]{img/results/generation_002.png}
+       \caption{График целевой функции и популяции поколения №2}
+       \label{fig:gen2}
+    \end{figure}
+
+    \begin{figure}[h!]
+       \centering
+       \includegraphics[width=1\linewidth]{img/results/generation_003.png}
+       \caption{График целевой функции и популяции поколения №3}
+       \label{fig:gen3}
+    \end{figure}
+
+
+    \begin{figure}[h!]
+       \centering
+       \includegraphics[width=1\linewidth]{img/results/generation_005.png}
+       \caption{График целевой функции и популяции поколения №5}
+       \label{fig:gen5}
+    \end{figure}
+
+    \begin{figure}[h!]
+       \centering
+       \includegraphics[width=1\linewidth]{img/results/generation_007.png}
+       \caption{График целевой функции и популяции поколения №7}
+       \label{fig:gen7}
+    \end{figure}
+
+    \begin{figure}[h!]
+       \centering
+       \includegraphics[width=1\linewidth]{img/results/generation_010.png}
+       \caption{График целевой функции и популяции поколения №10}
+       \label{fig:gen10}
+    \end{figure}
+
+    \begin{figure}[h!]
+       \centering
+       \includegraphics[width=1\linewidth]{img/results/generation_013.png}
+       \caption{График целевой функции и популяции поколения №13}
+       \label{fig:lastgen}
+    \end{figure}
+
+
+    \newpage
+    \phantom{text}
+    \newpage
+    \phantom{text}
+    
+    \newpage
+    \section{Исследование реализации}
+    \subsection{Проведение измерений}
+    В рамках лабораторной работы необходимо было исследовать зависимость времени выполнения задачи и количества поколений от популяции и вероятностей кроссинговера и мутации хромосомы
+
+    Для исследования были выбраны следующие значения параметров:
+    \begin{itemize}
+        \item $N = 10, 25, 50, 100$ -- размер популяции.
+        \item $p_c = 0.3, 0.4, 0.5, 0.6, 0.7, 0.8$ -- вероятность кроссинговера.
+        \item $p_m = 0.001, 0.01, 0.05, 0.1, 0.2$ -- вероятность мутации.
+    \end{itemize}
+
+    Результаты измерений представлены в таблицах \ref{tab:pc_pm_results_10}--\ref{tab:pc_pm_results_100}. В ячейках указано время в миллисекундах нахождения минимума функции. В скобках указано количество поколений, за которое было найдено решение. Если в ячейке стоит прочерк, то это означает, что решение не было найдено за 200 поколений. Лучшее значение по времени выполнения для каждого размера популяции выделено жирным шрифтом.
+
+    \newcolumntype{Y}{>{\centering\arraybackslash}X}
+
+    \begin{table}[h!]
+        \centering
+        \small
+        \caption{Результаты для $N = 10$}
+        \begin{tabularx}{\linewidth}{l *{5}{Y}}
+        \toprule
+        $\mathbf{P_c \;\backslash\; P_m}$ & \textbf{0.001} & \textbf{0.010} & \textbf{0.050} & \textbf{0.100} & \textbf{0.200} \\
+        \midrule
+        \textbf{0.3} & — & — & 8.9 (87) & 5.3 (46) & — \\
+        \textbf{0.4} & — & — & 19.1 (127) & 14.2 (111) & 2.9 (24) \\
+        \textbf{0.5} & — & — & 13.3 (117) & 13.7 (123) & 10.1 (74) \\
+        \textbf{0.6} & — & — & 7.8 (68) & 14.4 (100) & 7.5 (57) \\
+        \textbf{0.7} & — & 6.9 (59) & — & \textbf{1.1 (9)} & — \\
+        \textbf{0.8} & — & — & — & 5.4 (41) & — \\
+        \bottomrule
+        \end{tabularx}
+        \label{tab:pc_pm_results_10}
+    \end{table}
+
+
+    \begin{table}[h!]
+        \centering
+        \small
+        \caption{Результаты для $N = 25$}
+        \begin{tabularx}{\linewidth}{l *{5}{Y}}
+        \toprule
+        $\mathbf{P_c \;\backslash\; P_m}$ & \textbf{0.001} & \textbf{0.010} & \textbf{0.050} & \textbf{0.100} & \textbf{0.200} \\
+        \midrule
+        \textbf{0.3} & — & 3.2 (17) & 11.8 (55) & — & — \\
+        \textbf{0.4} & — & 2.6 (11) & 4.8 (22) & 17.7 (85) & — \\
+        \textbf{0.5} & \textbf{1.9 (10)} & — & 29.0 (137) & — & — \\
+        \textbf{0.6} & — & 2.7 (13) & 17.6 (81) & 35.7 (157) & — \\
+        \textbf{0.7} & — & 2.6 (13) & 9.1 (38) & 28.3 (119) & — \\
+        \textbf{0.8} & — & 17.6 (76) & 13.7 (57) & 23.4 (95) & — \\
+        \bottomrule
+        \end{tabularx}
+        \label{tab:pc_pm_results_25}
+    \end{table}
+
+
+    \begin{table}[h!]
+        \centering
+        \small
+        \caption{Результаты для $N = 50$}
+        \begin{tabularx}{\linewidth}{l *{5}{Y}}
+        \toprule
+        $\mathbf{P_c \;\backslash\; P_m}$ & \textbf{0.001} & \textbf{0.010} & \textbf{0.050} & \textbf{0.100} & \textbf{0.200} \\
+        \midrule
+        \textbf{0.3} & 5.6 (19) & 4.7 (15) & — & — & — \\
+        \textbf{0.4} & \textbf{3.3 (11)} & 48.7 (148) & — & — & — \\
+        \textbf{0.5} & 4.0 (12) & 8.0 (24) & 56.5 (151) & — & — \\
+        \textbf{0.6} & 3.6 (10) & 4.9 (14) & 29.3 (77) & — & — \\
+        \textbf{0.7} & 3.9 (11) & 36.5 (87) & 44.2 (107) & — & — \\
+        \textbf{0.8} & — & 76.4 (189) & 17.3 (41) & — & — \\
+        \bottomrule
+        \end{tabularx}
+        \label{tab:pc_pm_results_50}
+    \end{table}
+
+
+    \begin{table}[h!]
+        \centering
+        \small
+        \caption{Результаты для $N = 100$}
+        \begin{tabularx}{\linewidth}{l *{5}{Y}}
+        \toprule
+        $\mathbf{P_c \;\backslash\; P_m}$ & \textbf{0.001} & \textbf{0.010} & \textbf{0.050} & \textbf{0.100} & \textbf{0.200} \\
+        \midrule
+        \textbf{0.3} & 7.8 (14) & 12.6 (22) & — & — & — \\
+        \textbf{0.4} & — & 14.9 (25) & — & — & — \\
+        \textbf{0.5} & 7.3 (12) & 10.9 (17) & — & — & — \\
+        \textbf{0.6} & 8.4 (13) & 12.4 (16) & — & — & — \\
+        \textbf{0.7} & 9.9 (14) & 11.1 (15) & — & — & — \\
+        \textbf{0.8} & \textbf{7.0 (10)} & 28.4 (38) & — & — & — \\
+        \bottomrule
+        \end{tabularx}
+        \label{tab:pc_pm_results_100}
+    \end{table}
+
+        
+    \newpage
+    \phantom{text}
+    \newpage
+    \phantom{text}
+    \subsection{Анализ результатов}
+    
+    Ключевые наблюдения:
+    \begin{itemize}
+        \item При небольших популяциях ($N=10$) лучший результат достигается при $p_c=0.7$, $p_m=0.1$ (1.1 мс, 9 пок.). Многие комбинации с низкой мутацией ($p_m \leq 0.01$) и высокой мутацией ($p_m=0.2$) не сходятся за 200 поколений.
+        \item Для $N=25$ оптимальные параметры: $p_c=0.5$, $p_m=0.001$ (1.9 мс, 10 пок.) — лучший результат среди всех экспериментов. Большинство комбинаций с $p_m \geq 0.05$ показывают плохую сходимость.
+        \item Для $N=50$ минимальное время при $p_c=0.4$, $p_m=0.001$ (3.3 мс, 11 пок.). Почти все комбинации с $p_m \geq 0.05$ не сходятся, что указывает на чувствительность к избыточной мутации.
+        \item Для $N=100$ лучший результат при $p_c=0.8$, $p_m=0.001$ (7.0 мс, 10 пок.). Только комбинации с очень низкой мутацией обеспечивают сходимость.
+        \item С ростом размера популяции диапазон работающих параметров сужается: для больших $N$ критична минимальная мутация ($p_m=0.001$).
+    \end{itemize}
+    
+    Практические выводы:
+    \begin{itemize}
+        \item Для данной задачи axis parallel hyper-ellipsoid function оптимальная стратегия — использование очень низких значений мутации ($p_m=0.001$) для популяций $N \geq 25$.
+        \item Малые популяции ($N=10$) требуют умеренной мутации ($p_m=0.1$) для обеспечения достаточного разнообразия.
+        \item Функция показывает высокую чувствительность к параметрам: большинство неоптимальных комбинаций приводят к отсутствию сходимости за 200 поколений.
+        \item Лучшее соотношение скорости и надёжности показывает $N=25$ с минимальной мутацией — компромисс между вычислительными затратами и качеством решения.
+    \end{itemize}
+
+    \newpage
+    \section{Ответ на контрольный вопрос}
+
+    \textbf{Вопрос}: Какую роль в ГА играет оператор репродукции (ОР)?
+
+    \textbf{Ответ}: Оператор репродукции (ОР) в ГА играет роль селекции. Он выбирает наиболее приспособленных особей для дальнейшего участия в скрещивании и мутации. Это позволяет сохранить наиболее приспособленные особи и постепенно улучшить популяцию.
+        
+
+    \newpage
+    \section*{Заключение}
+    \addcontentsline{toc}{section}{Заключение}
+
+    В ходе второй лабораторной работы:
+
+    \begin{enumerate}
+        \item Был изучен теоретический материал, основная терминология ГА, генетические операторы,
+        использующиеся в простых ГА;
+        \item Реализована программа на языке Python для нахождения минимума заданной функции;
+        \item Проведено исследование зависимости времени выполнения программы и поколения от мощности популяции и коэффициентов кроссинговера и мутации.
+    \end{enumerate}
+
+\newpage
+\section*{Список литературы}
+\addcontentsline{toc}{section}{Список литературы}
+
+\vspace{-1.5cm}
+\begin{thebibliography}{0}
+    \bibitem{vostrov}
+    Методические указания по выполнению лабораторных работ к курсу «Генетические алгоритмы», 119 стр.
+\end{thebibliography}
+
+\end{document}