lab6

.gitignore

@@ -3,4 +3,9 @@
 !**/
 !*.gitignore
 !*.py
-!lab4/*
+!.gitkeep
+!lab3/data.txt
+!lab4/*
+!lab5/report/report.tex
+!lab5/README.md
+!lab6/README.md

lab3/data.txt

@@ -0,0 +1,89 @@
+1 11511.3889 42106.3889
+2 11503.0556 42855.2778
+3 11438.3333 42057.2222
+4 11438.3333 42057.2222
+5 11438.3333 42057.2222
+6 11785.2778 42884.4444
+7 11785.2778 42884.4444
+8 11785.2778 42884.4444
+9 11785.2778 42884.4444
+10 12363.3333 43189.1667
+11 11846.9444 42660.5556
+12 11503.0556 42855.2778
+13 11963.0556 43290.5556
+14 11963.0556 43290.5556
+15 12300.0000 42433.3333
+16 11973.0556 43026.1111
+17 11973.0556 43026.1111
+18 11461.1111 43252.7778
+19 11461.1111 43252.7778
+20 11461.1111 43252.7778
+21 11461.1111 43252.7778
+22 11600.0000 43150.0000
+23 12386.6667 43334.7222
+24 12386.6667 43334.7222
+25 11595.0000 43148.0556
+26 11595.0000 43148.0556
+27 11569.4444 43136.6667
+28 11310.2778 42929.4444
+29 11310.2778 42929.4444
+30 11310.2778 42929.4444
+31 11963.0556 43290.5556
+32 11416.6667 42983.3333
+33 11416.6667 42983.3333
+34 11595.0000 43148.0556
+35 12149.4444 42477.5000
+36 11595.0000 43148.0556
+37 11595.0000 43148.0556
+38 11108.6111 42373.8889
+39 11108.6111 42373.8889
+40 11108.6111 42373.8889
+41 11108.6111 42373.8889
+42 11183.3333 42933.3333
+43 12372.7778 42711.3889
+44 11583.3333 43150.0000
+45 11583.3333 43150.0000
+46 11583.3333 43150.0000
+47 11583.3333 43150.0000
+48 11583.3333 43150.0000
+49 11822.7778 42673.6111
+50 11822.7778 42673.6111
+51 12058.3333 42195.5556
+52 11003.6111 42102.5000
+53 11003.6111 42102.5000
+54 11003.6111 42102.5000
+55 11522.2222 42841.9444
+56 12386.6667 43334.7222
+57 12386.6667 43334.7222
+58 12386.6667 43334.7222
+59 11569.4444 43136.6667
+60 11569.4444 43136.6667
+61 11569.4444 43136.6667
+62 11155.8333 42712.5000
+63 11155.8333 42712.5000
+64 11155.8333 42712.5000
+65 11155.8333 42712.5000
+66 11133.3333 42885.8333
+67 11133.3333 42885.8333
+68 11133.3333 42885.8333
+69 11133.3333 42885.8333
+70 11133.3333 42885.8333
+71 11003.6111 42102.5000
+72 11770.2778 42651.9444
+73 11133.3333 42885.8333
+74 11690.5556 42686.6667
+75 11690.5556 42686.6667
+76 11751.1111 42814.4444
+77 12645.0000 42973.3333
+78 12421.6667 42895.5556
+79 12421.6667 42895.5556
+80 11485.5556 43187.2222
+81 11423.8889 43000.2778
+82 11423.8889 43000.2778
+83 11715.8333 41836.1111
+84 11297.5000 42853.3333
+85 11297.5000 42853.3333
+86 11583.3333 43150.0000
+87 11569.4444 43136.6667
+88 12286.9444 43355.5556
+89 12355.8333 43156.3889

lab4/main.py

@@ -26,9 +26,9 @@ from gp.mutations import (
     ShrinkMutation,
 )
 from gp.ops import ADD, COS, DIV, EXP, MUL, POW, SIN, SQUARE, SUB
-from gp.population import ramped_initialization
 from gp.primitive import Var
 from gp.selection import tournament_selection
+from gp.utils import ramped_initialization
 
 NUM_VARS = 8
 TEST_POINTS = 10000

lab5/README.md

@@ -0,0 +1,3 @@
+# Attention!
+
+lab5 is fully AI generated slop.

lab5/__init__.py

@@ -0,0 +1,3 @@
+"""Evolution strategy toolkit for lab 5."""
+
+__all__ = []

lab5/csv_to_tex.py

@@ -0,0 +1,327 @@
+"""
+Скрипт для конвертации результатов экспериментов из CSV в LaTeX таблицы для lab5.
+
+Адаптирован из lab2/csv_to_tex.py для работы с форматом эволюционных стратегий.
+Формат входных данных: "время±стд (поколения±стд) фитнес"
+"""
+
+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]]]:
+    """
+    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) >= 2:  # mu + хотя бы одно значение
+            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.W (...)".
+
+    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*)±", value)
+    if match:
+        return float(match.group(1))
+
+    # Если нет ±, пробуем просто число перед скобкой
+    match = re.match(r"(\d+\.?\d*)\s*\(", value)
+    if match:
+        return float(match.group(1))
+
+    return None
+
+
+def extract_generations_value(value: str) -> float | None:
+    """
+    Извлекает среднее число поколений из строки формата "... (X±Y) ...".
+
+    Args:
+        value: Строка с результатом
+
+    Returns:
+        Среднее число поколений как float или None если значение пустое
+    """
+    value = value.strip()
+    if value == "—" or value == "" or value == "–":
+        return None
+
+    # Ищем паттерн "(число±число)" и берём первое число
+    match = re.search(r"\((\d+\.?\d*)±", value)
+    if match:
+        return float(match.group(1))
+
+    # Если нет ±, пробуем просто число в скобках
+    match = re.search(r"\((\d+\.?\d*)\)", 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, len(row)):  # Пропускаем первую колонку (mu)
+            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 find_best_generations(data_rows: list[list[str]]) -> float | None:
+    """
+    Находит минимальное число поколений среди всех значений в таблице.
+
+    Args:
+        data_rows: Строки данных таблицы
+
+    Returns:
+        Минимальное число поколений или None если нет валидных значений
+    """
+    min_gens = None
+
+    for row in data_rows:
+        for i in range(1, len(row)):  # Пропускаем первую колонку (mu)
+            gens_value = extract_generations_value(row[i])
+            if gens_value is not None:
+                if min_gens is None or gens_value < min_gens:
+                    min_gens = gens_value
+
+    return min_gens
+
+
+def format_value(
+    value: str, best_time: float | None = None, best_gens: 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_gens: Лучшее число поколений для сравнения
+
+    Returns:
+        Отформатированное значение для LaTeX
+    """
+    value = value.strip()
+    if value == "—" or value == "" or value == "–":
+        return "—"
+
+    # Парсим значение: "время±стд (поколения±стд) фитнес"
+    # Пример: "60.6±47.9 (37±29) 0.0000"
+    pattern = r"(\d+\.?\d*)±(\d+\.?\d*)\s*\((\d+\.?\d*)±(\d+\.?\d*)\)\s+(\d+\.?\d+)"
+    match = re.match(pattern, value)
+
+    if not match:
+        # Если не удалось распарсить, возвращаем как есть
+        return value
+
+    time_avg = float(match.group(1))
+    time_std = float(match.group(2))
+    gens_avg = float(match.group(3))
+    gens_std = float(match.group(4))
+    fitness = match.group(5)
+
+    # Формируем части БЕЗ стандартных отклонений
+    time_part = f"{time_avg:.1f}"
+    gens_part = f"{gens_avg:.0f}"
+
+    # Проверяем, является ли время лучшим
+    is_best_time = best_time is not None and abs(time_avg - best_time) < 0.1
+    is_best_gens = best_gens is not None and abs(gens_avg - best_gens) < 0.1
+
+    # Выделяем лучшее время
+    if is_best_time:
+        if HIGHLIGHT_COLOR is not None:
+            time_part = f"\\textcolor{{{HIGHLIGHT_COLOR}}}{{\\textbf{{{time_part}}}}}"
+        else:
+            time_part = f"\\textbf{{{time_part}}}"
+
+    # Выделяем лучшее число поколений
+    if is_best_gens:
+        if HIGHLIGHT_COLOR is not None:
+            gens_part = f"\\textcolor{{{HIGHLIGHT_COLOR}}}{{\\textbf{{{gens_part}}}}}"
+        else:
+            gens_part = f"\\textbf{{{gens_part}}}"
+
+    # Не показываем фитнес в таблице, т.к. он всегда близок к нулю
+    return f"{time_part} ({gens_part})"
+
+
+def generate_latex_table(dimension: str, header: str, data_rows: list[list[str]]) -> str:
+    """
+    Генерирует LaTeX код таблицы.
+
+    Args:
+        dimension: Размерность задачи (2 или 3)
+        header: Заголовок таблицы
+        data_rows: Строки данных
+
+    Returns:
+        LaTeX код таблицы
+    """
+    # Находим лучшее время и лучшее число поколений в таблице
+    best_time = find_best_time(data_rows)
+    best_gens = find_best_generations(data_rows)
+
+    # Извлекаем заголовки колонок из header
+    header_parts = header.split(",")
+    p_mut_values = header_parts[1:]  # Пропускаем "mu \ p_mut"
+
+    num_cols = len(p_mut_values)
+
+    latex_code = f"""    \\begin{{table}}[h!]
+        \\centering
+        \\small
+        \\caption{{Результаты для $n = {dimension}$. Формат: время в мс (число поколений)}}
+        \\begin{{tabularx}}{{{0.95 if num_cols <= 5 else 1.0}\\linewidth}}{{l *{{{num_cols}}}{{Y}}}}
+        \\toprule
+        $\\mathbf{{\\mu \\;\\backslash\\; p_{{mut}}}}$"""
+
+    # Добавляем заголовки p_mut
+    for p_mut in p_mut_values:
+        latex_code += f" & \\textbf{{{p_mut.strip()}}}"
+
+    latex_code += " \\\\\n        \\midrule\n"
+
+    # Добавляем строки данных
+    for row in data_rows:
+        mu_value = row[0].strip()
+        latex_code += f"        \\textbf{{{mu_value}}}"
+
+        # Добавляем значения для каждого p_mut
+        for i in range(1, len(row)):
+            value = format_value(row[i], best_time, best_gens)
+            latex_code += f" & {value}"
+
+        # Заполняем недостающие колонки если их меньше чем в заголовке
+        for i in range(len(row) - 1, num_cols):
+            latex_code += " & —"
+
+        latex_code += " \\\\\n"
+
+    latex_code += f"""        \\bottomrule
+        \\end{{tabularx}}
+        \\label{{tab:es_results_{dimension}}}
+    \\end{{table}}"""
+
+    return latex_code
+
+
+def main():
+    """Основная функция скрипта."""
+    experiments_path = Path("lab5_experiments")
+
+    if not experiments_path.exists():
+        print("Папка lab5_experiments не найдена!")
+        return
+
+    tables = []
+
+    # Обрабатываем файлы dimension_2.csv и dimension_3.csv
+    for dimension in [2, 3]:
+        csv_file = experiments_path / f"dimension_{dimension}.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)
+                best_gens = find_best_generations(data_rows)
+                latex_table = generate_latex_table(str(dimension), header, data_rows)
+                tables.append(latex_table)
+                print(
+                    f"[OK] Таблица для n={dimension} готова (лучшее время: {best_time:.1f} мс, лучшее число поколений: {best_gens:.0f})"
+                )
+
+            except Exception as e:
+                print(f"[ERROR] Ошибка при обработке {csv_file}: {e}")
+        else:
+            print(f"[ERROR] Файл {csv_file} не найден")
+
+    # Сохраняем все таблицы в файл
+    if tables:
+        output_file = experiments_path / "tables.tex"
+        with open(output_file, "w", encoding="utf-8") as f:
+            f.write("% Автоматически сгенерированные LaTeX таблицы\n")
+            f.write(
+                "% Лучший результат по времени и по числу поколений 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"
+            )
+
+            for i, table in enumerate(tables):
+                if i > 0:
+                    f.write("\n    \n")
+                f.write(table + "\n")
+
+        print(f"\n[OK] Все таблицы сохранены в файл '{output_file}'")
+        print(f"Сгенерировано таблиц: {len(tables)}")
+    else:
+        print("Не найдено данных для генерации таблиц!")
+
+
+if __name__ == "__main__":
+    main()
+

lab5/es.py

@@ -0,0 +1,423 @@
+"""Evolution strategy implementation for laboratory work #5."""
+
+from __future__ import annotations
+
+import math
+import os
+import random
+import shutil
+import time
+from collections import deque
+from dataclasses import dataclass
+from typing import Callable, Iterable, Literal, Sequence
+
+import matplotlib.pyplot as plt
+import numpy as np
+from matplotlib.axes import Axes
+from mpl_toolkits.mplot3d import Axes3D  # noqa: F401 - required for 3D plotting
+from numpy.typing import NDArray
+
+Array = NDArray[np.float64]
+FitnessFn = Callable[[Array], float]
+
+
+@dataclass
+class Individual:
+    """Single individual of the evolution strategy population."""
+
+    x: Array
+    sigma: Array
+    fitness: float
+
+    def copy(self) -> "Individual":
+        return Individual(self.x.copy(), self.sigma.copy(), float(self.fitness))
+
+
+@dataclass(frozen=True)
+class Generation:
+    number: int
+    population: tuple[Individual, ...]
+    best: Individual
+    mean_fitness: float
+    sigma_scale: float
+
+
+@dataclass
+class EvolutionStrategyResult:
+    generations_count: int
+    best_generation: Generation
+    history: list[Generation]
+    time_ms: float
+
+
+@dataclass
+class EvolutionStrategyConfig:
+    fitness_func: FitnessFn
+    dimension: int
+    x_min: Array
+    x_max: Array
+    mu: int
+    lambda_: int
+    mutation_probability: float
+    initial_sigma: Array | float
+    max_generations: int
+    selection: Literal["plus", "comma"] = "comma"
+    recombination: Literal["intermediate", "discrete", "none"] = "intermediate"
+    parents_per_offspring: int = 2
+    success_rule_window: int = 10
+    success_rule_target: float = 0.2
+    sigma_increase: float = 1.22
+    sigma_decrease: float = 0.82
+    sigma_scale_min: float = 1e-3
+    sigma_scale_max: float = 100.0
+    tau: float | None = None
+    tau_prime: float | None = None
+    sigma_min: float = 1e-6
+    sigma_max: float = 10.0
+    best_value_threshold: float | None = None
+    max_stagnation_generations: int | None = None
+    save_generations: list[int] | None = None
+    results_dir: str = "results"
+    log_every_generation: bool = False
+    seed: int | None = None
+
+    def __post_init__(self) -> None:
+        assert self.dimension == self.x_min.shape[0] == self.x_max.shape[0], (
+            "Bounds dimensionality must match the dimension of the problem"
+        )
+        assert 0 < self.mu <= self.lambda_, "Require mu <= lambda and positive"
+        assert 0.0 < self.mutation_probability <= 1.0, (
+            "Mutation probability must be within (0, 1]"
+        )
+        if isinstance(self.initial_sigma, (int, float)):
+            if self.initial_sigma <= 0:
+                raise ValueError("Initial sigma must be positive")
+        else:
+            if self.initial_sigma.shape != (self.dimension,):
+                raise ValueError("initial_sigma must be scalar or an array of given dimension")
+            if np.any(self.initial_sigma <= 0):
+                raise ValueError("All sigma values must be positive")
+
+        if self.tau is None:
+            object.__setattr__(self, "tau", 1.0 / math.sqrt(2.0 * math.sqrt(self.dimension)))
+        if self.tau_prime is None:
+            object.__setattr__(self, "tau_prime", 1.0 / math.sqrt(2.0 * self.dimension))
+
+    def make_initial_sigma(self) -> Array:
+        if isinstance(self.initial_sigma, (int, float)):
+            return np.full(self.dimension, float(self.initial_sigma), dtype=np.float64)
+        return self.initial_sigma.astype(np.float64, copy=True)
+
+
+# ---------------------------------------------------------------------------
+# Helper utilities
+# ---------------------------------------------------------------------------
+
+def clear_results_directory(results_dir: str) -> None:
+    if os.path.exists(results_dir):
+        shutil.rmtree(results_dir)
+    os.makedirs(results_dir, exist_ok=True)
+
+
+def evaluate_population(population: Iterable[Individual], fitness_func: FitnessFn) -> None:
+    for individual in population:
+        individual.fitness = float(fitness_func(individual.x))
+
+
+def recombine(
+    parents: Sequence[Individual],
+    config: EvolutionStrategyConfig,
+) -> tuple[Array, Array, float]:
+    """Recombine parent individuals before mutation.
+
+    Returns the base vector, sigma and the best parent fitness.
+    """
+    if config.recombination == "none" or config.parents_per_offspring == 1:
+        parent = random.choice(parents)
+        return parent.x.copy(), parent.sigma.copy(), parent.fitness
+
+    selected = random.choices(parents, k=config.parents_per_offspring)
+    if config.recombination == "intermediate":
+        x = np.mean([p.x for p in selected], axis=0)
+        sigma = np.mean([p.sigma for p in selected], axis=0)
+    elif config.recombination == "discrete":
+        mask = np.random.randint(0, len(selected), size=config.dimension)
+        indices = np.arange(config.dimension)
+        x = np.array([selected[mask[i]].x[i] for i in indices], dtype=np.float64)
+        sigma = np.array([selected[mask[i]].sigma[i] for i in indices], dtype=np.float64)
+    else:  # pragma: no cover - defensive
+        raise ValueError(f"Unsupported recombination type: {config.recombination}")
+
+    parent_fitness = min(p.fitness for p in selected)
+    return x, sigma, parent_fitness
+
+
+def mutate(
+    x: Array,
+    sigma: Array,
+    config: EvolutionStrategyConfig,
+    sigma_scale: float,
+) -> tuple[Array, Array]:
+    """Apply log-normal mutation with optional per-coordinate masking."""
+    global_noise = np.random.normal()
+    coordinate_noise = np.random.normal(size=config.dimension)
+    sigma_new = sigma * np.exp(config.tau_prime * global_noise + config.tau * coordinate_noise)
+    sigma_new = np.clip(sigma_new, config.sigma_min, config.sigma_max)
+    sigma_new = np.clip(sigma_new * sigma_scale, config.sigma_min, config.sigma_max)
+
+    steps = np.random.normal(size=config.dimension) * sigma_new
+
+    if config.mutation_probability < 1.0:
+        mask = np.random.random(config.dimension) < config.mutation_probability
+        if not np.any(mask):
+            mask[np.random.randint(0, config.dimension)] = True
+        steps = steps * mask
+        sigma_new = np.where(mask, sigma_new, sigma)
+
+    x_new = np.clip(x + steps, config.x_min, config.x_max)
+    return x_new, sigma_new
+
+
+def create_offspring(
+    parents: Sequence[Individual],
+    config: EvolutionStrategyConfig,
+    sigma_scale: float,
+) -> tuple[list[Individual], list[bool]]:
+    offspring: list[Individual] = []
+    successes: list[bool] = []
+
+    for _ in range(config.lambda_):
+        base_x, base_sigma, best_parent_fitness = recombine(parents, config)
+        mutated_x, mutated_sigma = mutate(base_x, base_sigma, config, sigma_scale)
+        fitness = float(config.fitness_func(mutated_x))
+        child = Individual(mutated_x, mutated_sigma, fitness)
+        offspring.append(child)
+        successes.append(fitness < best_parent_fitness)
+
+    return offspring, successes
+
+
+def select_next_generation(
+    parents: list[Individual],
+    offspring: list[Individual],
+    config: EvolutionStrategyConfig,
+) -> list[Individual]:
+    if config.selection == "plus":
+        pool = parents + offspring
+    else:
+        pool = offspring
+
+    pool.sort(key=lambda ind: ind.fitness)
+    next_generation = [ind.copy() for ind in pool[: config.mu]]
+    return next_generation
+
+
+def compute_best(population: Sequence[Individual]) -> Individual:
+    best = min(population, key=lambda ind: ind.fitness)
+    return best.copy()
+
+
+def build_generation(
+    number: int,
+    population: list[Individual],
+    sigma_scale: float,
+) -> Generation:
+    copies = tuple(ind.copy() for ind in population)
+    best = compute_best(copies)
+    mean_fitness = float(np.mean([ind.fitness for ind in copies]))
+    return Generation(number, copies, best, mean_fitness, sigma_scale)
+
+
+def save_generation(generation: Generation, config: EvolutionStrategyConfig) -> None:
+    if config.dimension != 2:
+        raise ValueError("Visualization is only supported for 2D problems")
+
+    os.makedirs(config.results_dir, exist_ok=True)
+
+    fig = plt.figure(figsize=(21, 7))
+    fig.suptitle(
+        (
+            f"Поколение #{generation.number}. "
+            f"Лучшее значение: {generation.best.fitness:.6f}. "
+            f"Среднее: {generation.mean_fitness:.6f}. "
+            f"Масштаб σ: {generation.sigma_scale:.4f}"
+        ),
+        fontsize=14,
+        y=0.88,
+    )
+
+    ax_contour = fig.add_subplot(1, 3, 1)
+    plot_fitness_contour(config.fitness_func, config.x_min, config.x_max, ax_contour)
+    arr = np.array([ind.x for ind in generation.population])
+    ax_contour.scatter(arr[:, 1], arr[:, 0], c="red", s=20, alpha=0.9)
+    ax_contour.scatter(
+        generation.best.x[1], generation.best.x[0], c="black", s=60, marker="*", label="Лучший"
+    )
+    ax_contour.legend(loc="upper right")
+    ax_contour.text(0.5, -0.25, "(a)", transform=ax_contour.transAxes, ha="center", fontsize=16)
+
+    views = [(50, -45), (60, 30)]
+    fitnesses = np.array([ind.fitness for ind in generation.population])
+
+    for idx, (elev, azim) in enumerate(views, start=1):
+        ax = fig.add_subplot(1, 3, idx + 1, projection="3d", computed_zorder=False)
+        plot_fitness_surface(config.fitness_func, config.x_min, config.x_max, ax)
+        ax.scatter(arr[:, 0], arr[:, 1], fitnesses, c="red", s=12, alpha=0.9)
+        ax.scatter(
+            generation.best.x[0],
+            generation.best.x[1],
+            generation.best.fitness,
+            c="black",
+            s=60,
+            marker="*",
+        )
+        ax.view_init(elev=elev, azim=azim)
+        label = chr(ord("a") + idx)
+        ax.text2D(0.5, -0.15, f"({label})", transform=ax.transAxes, ha="center", fontsize=16)
+        ax.set_xlabel("X₁")
+        ax.set_ylabel("X₂")
+        ax.set_zlabel("f(x)")
+
+    filename = os.path.join(config.results_dir, f"generation_{generation.number:03d}.png")
+    fig.savefig(filename, dpi=150, bbox_inches="tight")
+    plt.close(fig)
+
+
+def plot_fitness_surface(
+    fitness_func: FitnessFn,
+    x_min: Array,
+    x_max: Array,
+    ax: Axes3D,
+    num_points: int = 100,
+) -> None:
+    if x_min.shape != (2,) or x_max.shape != (2,):
+        raise ValueError("Surface plotting is only available for 2D functions")
+
+    xs = np.linspace(x_min[0], x_max[0], num_points)
+    ys = np.linspace(x_min[1], x_max[1], num_points)
+    X, Y = np.meshgrid(xs, ys)
+    vectorized = np.vectorize(lambda a, b: fitness_func(np.array([a, b])))
+    Z = vectorized(X, Y)
+    ax.plot_surface(X, Y, Z, cmap="viridis", edgecolor="none", alpha=0.7, shade=False)
+
+
+def plot_fitness_contour(
+    fitness_func: FitnessFn,
+    x_min: Array,
+    x_max: Array,
+    ax: Axes,
+    num_points: int = 100,
+) -> None:
+    xs = np.linspace(x_min[0], x_max[0], num_points)
+    ys = np.linspace(x_min[1], x_max[1], num_points)
+    X, Y = np.meshgrid(xs, ys)
+    vectorized = np.vectorize(lambda a, b: fitness_func(np.array([a, b])))
+    Z = vectorized(X, Y)
+    contour = ax.contourf(Y, X, Z, levels=25, cmap="viridis", alpha=0.8)
+    plt.colorbar(contour, ax=ax, shrink=0.6)
+    ax.set_aspect("equal")
+    ax.set_xlabel("X₂")
+    ax.set_ylabel("X₁")
+
+
+# ---------------------------------------------------------------------------
+# Main algorithm
+# ---------------------------------------------------------------------------
+
+def run_evolution_strategy(config: EvolutionStrategyConfig) -> EvolutionStrategyResult:
+    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)
+
+    start = time.perf_counter()
+
+    parents = [
+        Individual(
+            np.random.uniform(config.x_min, config.x_max),
+            config.make_initial_sigma(),
+            0.0,
+        )
+        for _ in range(config.mu)
+    ]
+    evaluate_population(parents, config.fitness_func)
+
+    sigma_scale = 1.0
+    success_window: deque[float] = deque()
+    history: list[Generation] = []
+    best_overall: Generation | None = None
+    stagnation_counter = 0
+
+    for generation_number in range(1, config.max_generations + 1):
+        current_generation = build_generation(generation_number, parents, sigma_scale)
+        history.append(current_generation)
+
+        if config.log_every_generation:
+            print(
+                f"Generation #{generation_number}: best={current_generation.best.fitness:.6f} "
+                f"mean={current_generation.mean_fitness:.6f}"
+            )
+
+        if (
+            best_overall is None
+            or current_generation.best.fitness < best_overall.best.fitness
+        ):
+            best_overall = current_generation
+            stagnation_counter = 0
+        else:
+            stagnation_counter += 1
+
+        if (
+            config.best_value_threshold is not None
+            and current_generation.best.fitness <= config.best_value_threshold
+        ):
+            break
+
+        if (
+            config.max_stagnation_generations is not None
+            and stagnation_counter >= config.max_stagnation_generations
+        ):
+            break
+
+        offspring, successes = create_offspring(parents, config, sigma_scale)
+        success_ratio = sum(successes) / len(successes) if successes else 0.0
+        success_window.append(success_ratio)
+
+        if len(success_window) == config.success_rule_window:
+            average_success = sum(success_window) / len(success_window)
+            if average_success > config.success_rule_target:
+                sigma_scale = min(
+                    sigma_scale * config.sigma_increase, config.sigma_scale_max
+                )
+            elif average_success < config.success_rule_target:
+                sigma_scale = max(
+                    sigma_scale * config.sigma_decrease, config.sigma_scale_min
+                )
+            success_window.clear()
+
+        parents = select_next_generation(parents, offspring, config)
+
+        if config.save_generations and (
+            generation_number in config.save_generations
+            or generation_number == config.max_generations
+        ):
+            save_generation(current_generation, config)
+
+    end = time.perf_counter()
+
+    assert best_overall is not None
+
+    # Сохраняем последнее поколение, если нужно
+    if config.save_generations and history:
+        last_number = history[-1].number
+        if last_number not in config.save_generations:
+            save_generation(history[-1], config)
+
+    return EvolutionStrategyResult(
+        generations_count=len(history),
+        best_generation=best_overall,
+        history=history,
+        time_ms=(end - start) * 1000.0,
+    )

lab5/experiments.py

@@ -0,0 +1,129 @@
+"""Parameter sweep experiments for the evolution strategy."""
+
+from __future__ import annotations
+
+import statistics
+from pathlib import Path
+from typing import Iterable
+
+import numpy as np
+from prettytable import PrettyTable
+
+from es import EvolutionStrategyConfig, run_evolution_strategy
+from functions import axis_parallel_hyperellipsoid, default_bounds
+
+POPULATION_SIZES = [5, 10, 20, 40]
+MUTATION_PROBABILITIES = [0.3, 0.5, 0.7, 0.9, 1.0]
+NUM_RUNS = 5
+LAMBDA_FACTOR = 5
+RESULTS_DIR = Path("lab5_experiments")
+
+
+def build_config(dimension: int, mu: int, mutation_probability: float) -> EvolutionStrategyConfig:
+    x_min, x_max = default_bounds(dimension)
+    search_range = x_max - x_min
+    initial_sigma = np.full(dimension, 0.15 * search_range[0], dtype=np.float64)
+    return EvolutionStrategyConfig(
+        fitness_func=axis_parallel_hyperellipsoid,
+        dimension=dimension,
+        x_min=x_min,
+        x_max=x_max,
+        mu=mu,
+        lambda_=mu * LAMBDA_FACTOR,
+        mutation_probability=mutation_probability,
+        initial_sigma=initial_sigma,
+        max_generations=300,
+        selection="comma",
+        recombination="intermediate",
+        parents_per_offspring=2,
+        success_rule_window=5,
+        success_rule_target=0.2,
+        sigma_increase=1.22,
+        sigma_decrease=0.82,
+        sigma_scale_min=1e-3,
+        sigma_scale_max=50.0,
+        sigma_min=1e-5,
+        sigma_max=2.0,
+        best_value_threshold=1e-6,
+        max_stagnation_generations=80,
+        save_generations=None,
+        results_dir=str(RESULTS_DIR / "tmp"),
+        log_every_generation=False,
+        seed=None,
+    )
+
+
+def run_single_experiment(config: EvolutionStrategyConfig) -> tuple[float, int, float]:
+    result = run_evolution_strategy(config)
+    return result.time_ms, result.generations_count, result.best_generation.best.fitness
+
+
+def summarize(values: Iterable[float]) -> tuple[float, float]:
+    values = list(values)
+    if not values:
+        return 0.0, 0.0
+    if len(values) == 1:
+        return values[0], 0.0
+    return statistics.mean(values), statistics.stdev(values)
+
+
+def run_grid_for_dimension(dimension: int) -> PrettyTable:
+    table = PrettyTable()
+    table.field_names = ["mu \\ p_mut"] + [f"{pm:.2f}" for pm in MUTATION_PROBABILITIES]
+
+    for mu in POPULATION_SIZES:
+        row = [str(mu)]
+        for pm in MUTATION_PROBABILITIES:
+            times: list[float] = []
+            generations: list[int] = []
+            best_values: list[float] = []
+
+            for run_idx in range(NUM_RUNS):
+                config = build_config(dimension, mu, pm)
+                # Для воспроизводимости меняем seed для каждого запуска
+                config.seed = np.random.randint(0, 1_000_000)
+                time_ms, gens, best = run_single_experiment(config)
+                times.append(time_ms)
+                generations.append(gens)
+                best_values.append(best)
+
+            avg_time, std_time = summarize(times)
+            avg_gen, std_gen = summarize(generations)
+            avg_best, std_best = summarize(best_values)
+
+            cell = f"{avg_time:.1f}±{std_time:.1f} ({avg_gen:.0f}±{std_gen:.0f}) {avg_best:.4f}"
+            row.append(cell)
+        table.add_row(row)
+
+    return table
+
+
+def save_table(table: PrettyTable, path: Path) -> None:
+    path.parent.mkdir(parents=True, exist_ok=True)
+    with path.open("w", encoding="utf-8") as f:
+        f.write(table.get_csv_string())
+
+
+def main() -> None:
+    if RESULTS_DIR.exists():
+        for child in RESULTS_DIR.iterdir():
+            if child.is_file():
+                child.unlink()
+
+    print("=" * 80)
+    print("Исследование параметров эволюционной стратегии")
+    print("Популяции:", POPULATION_SIZES)
+    print("Вероятности мутации:", MUTATION_PROBABILITIES)
+    print(f"Каждая конфигурация запускается {NUM_RUNS} раз")
+    print("=" * 80)
+
+    for dimension in (2, 3):
+        print(f"\nРезультаты для размерности n={dimension}")
+        table = run_grid_for_dimension(dimension)
+        print(table)
+        save_table(table, RESULTS_DIR / f"dimension_{dimension}.csv")
+        print(f"Таблица сохранена в {RESULTS_DIR / f'dimension_{dimension}.csv'}")
+
+
+if __name__ == "__main__":
+    main()

lab5/functions.py

@@ -0,0 +1,33 @@
+"""Benchmark functions used in lab 5."""
+
+from __future__ import annotations
+
+import numpy as np
+from numpy.typing import NDArray
+
+
+Array = NDArray[np.float64]
+
+
+def axis_parallel_hyperellipsoid(x: Array) -> float:
+    """Axis-parallel hyper-ellipsoid benchmark function.
+
+    Parameters
+    ----------
+    x:
+        Point in :math:`\mathbb{R}^n`.
+
+    Returns
+    -------
+    float
+        The value of the hyper-ellipsoid function.
+    """
+    indices = np.arange(1, x.shape[0] + 1, dtype=np.float64)
+    return float(np.sum(indices * np.square(x)))
+
+
+def default_bounds(dimension: int, lower: float = -5.12, upper: float = 5.12) -> tuple[Array, Array]:
+    """Construct symmetric bounds for each dimension."""
+    x_min = np.full(dimension, lower, dtype=np.float64)
+    x_max = np.full(dimension, upper, dtype=np.float64)
+    return x_min, x_max

lab5/generate_report_figures.py

@@ -0,0 +1,34 @@
+"""Utility script to regenerate visualization frames for the LaTeX report."""
+
+from __future__ import annotations
+
+import sys
+from pathlib import Path
+
+
+def _import_run_for_dimension():
+    base_dir = Path(__file__).resolve().parent
+    sys.path.insert(0, str(base_dir))
+    try:
+        from main import run_for_dimension as fn  # type: ignore[import-not-found]
+    finally:
+        sys.path.pop(0)
+    return fn
+
+
+def main() -> None:
+    base_dir = Path(__file__).resolve().parent
+    results_dir = base_dir / "report" / "img" / "results"
+
+    run_for_dimension = _import_run_for_dimension()
+
+    run_for_dimension(
+        2,
+        results_dir=str(results_dir),
+        save_generations=[1, 2, 3, 5, 7, 9, 10, 15, 19],
+        log=False,
+    )
+
+
+if __name__ == "__main__":
+    main()

lab5/main.py

@@ -0,0 +1,85 @@
+"""Entry point for running the evolution strategy on the benchmark function."""
+
+from __future__ import annotations
+
+import numpy as np
+
+from es import EvolutionStrategyConfig, run_evolution_strategy
+from functions import axis_parallel_hyperellipsoid, default_bounds
+
+
+def run_for_dimension(
+    dimension: int,
+    *,
+    results_dir: str,
+    max_generations: int = 200,
+    seed: int | None = 17,
+    save_generations: list[int] | None = None,
+    log: bool = False,
+):
+    x_min, x_max = default_bounds(dimension)
+    search_range = x_max - x_min
+    initial_sigma = np.full(dimension, 0.15 * search_range[0], dtype=np.float64)
+
+    config = EvolutionStrategyConfig(
+        fitness_func=axis_parallel_hyperellipsoid,
+        dimension=dimension,
+        x_min=x_min,
+        x_max=x_max,
+        mu=20,
+        lambda_=80,
+        mutation_probability=0.7,
+        initial_sigma=initial_sigma,
+        max_generations=max_generations,
+        selection="comma",
+        recombination="intermediate",
+        parents_per_offspring=2,
+        success_rule_window=5,
+        success_rule_target=0.2,
+        sigma_increase=1.22,
+        sigma_decrease=0.82,
+        sigma_scale_min=1e-3,
+        sigma_scale_max=50.0,
+        sigma_min=1e-5,
+        sigma_max=2.0,
+        best_value_threshold=1e-6,
+        max_stagnation_generations=40,
+        save_generations=save_generations,
+        results_dir=results_dir,
+        log_every_generation=log,
+        seed=seed,
+    )
+
+    result = run_evolution_strategy(config)
+
+    print("=" * 80)
+    print(f"Результаты для размерности n={dimension}")
+    print(f"Лучшее решение: {result.best_generation.best.x}")
+    print(f"Лучшее значение функции: {result.best_generation.best.fitness:.8f}")
+    print(f"Количество поколений: {result.generations_count}")
+    print(f"Время выполнения: {result.time_ms:.2f} мс")
+    print("=" * 80)
+
+    return result
+
+
+def main() -> None:
+    # Для n=2 дополнительно сохраняем графики поколений
+    run_for_dimension(
+        2,
+        results_dir="lab5_results_2d",
+        save_generations=[1, 2, 3, 5, 8, 10, 15, 20, 25, 30, 40, 50, 75, 100, 150, 200],
+        log=True,
+    )
+
+    # Для n=3 графики не строим, но выводим статистику
+    run_for_dimension(
+        3,
+        results_dir="lab5_results_3d",
+        save_generations=None,
+        log=False,
+    )
+
+
+if __name__ == "__main__":
+    main()

lab5/report/report.tex

@@ -0,0 +1,704 @@
+\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{xcolor}
+
+
+
+
+% \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 №5}\\
+        \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
+    \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 Реализовать программу на языке Python, использующую эволюционную стратегию для поиска минимума функции axis parallel hyper-ellipsoid;
+        \item Для $n = 2$ построить визуализацию поверхности и траектории поиска: отображать найденный экстремум и расположение популяции на каждом шаге, обеспечить пошаговый режим;
+        \item Исследовать влияние основных параметров ЭС (размер популяции, стратегия мутации, вероятность рекомбинации) на скорость сходимости, число поколений и точность результата;
+        \item Повторить вычислительный эксперимент для $n = 3$ и сопоставить затраты времени и качество найденного решения.
+    \end{enumerate}
+
+
+    \newpage
+    \section{Теоретические сведения}
+
+    \subsection{Общие сведения}
+
+    Эволюционные стратегии (ЭС), также как и генетические алгоритмы, основаны на эволюции популяции потенциальных решений, но, в отличие от них, здесь используются генетические операторы на уровне фенотипа, а не генотипа. Разница в том, что ГА работают в пространстве генотипа --- кодов решений, в то время как ЭС производят поиск в пространстве фенотипа --- векторном пространстве вещественных чисел.
+
+    В ЭС учитываются свойства хромосомы <<в целом>>, в отличие от ГА, где при поиске решений исследуются отдельные гены. В природе один ген может одновременно влиять на несколько свойств организма. С другой стороны, одно свойство особи может определяться несколькими генами. Естественная эволюция основана на исследовании совокупности генов, а не отдельного (изолированного) гена.
+
+    В эволюционных стратегиях целью является движение особей популяции по направлению к лучшей области ландшафта фитнесс-функции. ЭС изначально разработаны для решения многомерных оптимизационных задач, где пространство поиска --- многомерное пространство вещественных чисел.
+
+    Ранние эволюционные стратегии основывались на популяции, состоящей из одной особи, и в них использовался только один генетический оператор --- мутация. Здесь для представления особи (потенциального решения) была использована идея, которая заключается в следующем.
+
+    Особь представляется парой действительных векторов:
+    $$v = (\mathbf{x}, \boldsymbol{\sigma}),$$
+    где $\mathbf{x}$ --- точка в пространстве решений и $\boldsymbol{\sigma}$ --- вектор стандартных отклонений (вариабельность) от решения. В общем случае особь популяции определяется вектором потенциального решения и вектором <<стратегических параметров>> эволюции. Обычно это вектор стандартных отклонений (дисперсия), хотя допускаются и другие статистики.
+
+    Единственным генетическим оператором в классической ЭС является оператор мутации, который выполняется путём сложения координат вектора-родителя со случайными числами, подчиняющимися закону нормального распределения, следующим образом:
+    $$\mathbf{x}^{(t+1)} = \mathbf{x}^{(t)} + \mathcal{N}(\mathbf{0}, \boldsymbol{\sigma}),$$
+    где $\mathcal{N}(\mathbf{0}, \boldsymbol{\sigma})$ --- вектор независимых случайных чисел, генерируемых согласно распределению Гаусса с нулевым средним значением и стандартным отклонением $\boldsymbol{\sigma}$. Как видно из приведённой формулы, величина мутации управляется нетрадиционным способом. Иногда эволюционный процесс используется для изменения и самих стратегических параметров $\boldsymbol{\sigma}$, в этом случае величина мутации эволюционирует вместе с искомым потенциальным решением.
+
+    Интуитивно ясно, что увеличение отклонения подобно увеличению шага поиска на поверхности ландшафта. Высокая вариабельность способствует расширению пространства поиска и эффективна при нахождении потенциальных зон (суб)оптимальных решений и соответствует высоким значениям коэффициента мутации. В то же время малые значения вариабельности позволяют сфокусироваться на поиске решения в перспективной области. Стратегические параметры стохастически определяют величину шага поиска: большая вариабельность ведёт к большим шагам.
+
+    \subsection{Двукратная эволюционная (1+1)-стратегия}
+
+    Здесь потомок принимается в качестве нового члена популяции (он заменяет своего родителя), если значение фитнесс-функции (целевой функции) на нём лучше, чем у его родителя и выполняются все ограничения. Иначе (если значение фитнесс-функции на нём хуже, чем у родителя), потомок уничтожается и популяция остаётся неизменной.
+
+    Алгоритм процесса эволюции двукратной (1+1)-эволюционной стратегии можно сформулировать следующим образом:
+
+    \begin{enumerate}
+        \item Выбрать множество параметров $\mathbf{X}$, необходимых для представления решения данной проблемы, и определить диапазон допустимых изменений каждого параметра: $\{x_1^{min}, x_1^{max}\}, \{x_2^{min}, x_2^{max}\}, \ldots, \{x_P^{min}, x_P^{max}\}$. Установить номер поколения $t=0$; задать стандартное отклонение $\sigma_i$ для каждого параметра, функцию $f$, для которой необходимо найти оптимум, и максимальное число поколений $k$.
+
+        \item Для каждого параметра случайным образом выбрать начальное значение из допустимого диапазона: множество этих значений составляет начальную популяцию (из одной особи) $\mathbf{X}^{(t)} = (x_1, x_2, \ldots, x_P)$.
+
+        \item Вычислить значение оптимизируемой функции $f$ для родительской особи $F_p = f(\mathbf{X}^{(t)})$.
+
+        \item Создать новую особь-потомка: $\mathbf{X}^* = \mathbf{X}^{(t)} + \mathcal{N}(\mathbf{0}, \boldsymbol{\sigma})$.
+
+        \item Вычислить значение $f$ для особи-потомка $F_o = f(\mathbf{X}^*)$.
+
+        \item Сравнить значения функций $f$ для родителя и потомка; если значение потомка $F_o$ лучше, чем у родительской особи, то заменить родителя на потомка $\mathbf{X}^{(t)} = \mathbf{X}^*$, иначе оставить в популяции родителя.
+
+        \item Увеличить номер поколения $t = t + 1$.
+
+        \item Если не достигнуто максимальное число поколений $t < k$, то переход на шаг 4, иначе выдать найденное решение $\mathbf{X}^{(t)}$.
+    \end{enumerate}
+
+    Несмотря на то, что фактически здесь популяция состоит из одной особи, рассмотренная стратегия называется двукратной ЭС. Причина в том, что здесь фактически происходит конкуренция потомка и родителя.
+
+    \subsection{Правило успеха $1/5$}
+
+    Обычно вектор стандартных отклонений $\boldsymbol{\sigma}$ остаётся неизменным в течение всего процесса эволюции. Чтобы оптимизировать скорость сходимости этого процесса, И. Решенберг (основоположник ЭС) предложил правило успеха <<$1/5$>>.
+
+    Смысл его заключается в следующем --- правило применяется после каждых $k$ поколений процесса (где $k$ --- параметр этого метода):
+    $$\sigma^{(t+1)}_i = \begin{cases}
+        c_i \cdot \sigma^{(t)}_i, & \text{если } \varphi(k) > 1/5, \\
+        \sigma^{(t)}_i, & \text{если } \varphi(k) = 1/5, \\
+        c_d \cdot \sigma^{(t)}_i, & \text{если } \varphi(k) < 1/5,
+    \end{cases}$$
+    где $\varphi(k)$ --- отношение числа успешных мутаций к общему числу произведённых мутаций $k$ (число успехов, делённое на $k$), которое называется коэффициентом успеха для оператора мутации в течение $k$ последних поколений; величина $c_i > 1$, $c_d < 1$ --- регулирует увеличение/уменьшение отклонения мутации.
+
+    Обычно на практике оптимальные значения полагают равными следующим величинам: $c_d = 0.82$; $c_i = 1/0.82 = 1.22$. Смысл этого правила в следующем:
+    \begin{itemize}
+        \item если коэффициент успеха $\varphi(k) > 1/5$, то отклонение $\sigma^{(t+1)}$ увеличивается (мы идём более крупными шагами);
+        \item если коэффициент успеха $\varphi(k) < 1/5$, то отклонение $\sigma^{(t+1)}$ уменьшается (шаг поиска уменьшается).
+    \end{itemize}
+
+    Таким образом, алгоритм автоматически подстраивает шаг поиска под текущий рельеф функции.
+
+    \subsection{Многократная эволюционная стратегия}
+
+    По сравнению с двукратной многократная эволюция отличается не только размером популяции ($N > 2$), но и имеет некоторые дополнительные отличия:
+    \begin{itemize}
+        \item все особи в поколении имеют одинаковую вероятность выбора для мутации;
+        \item имеется возможность введения оператора рекомбинации, где два случайно выбранных родителя производят потомка по следующей схеме:
+        $$x_i^{\text{потомок}} = x_i^{q_i}, \quad i = 1, \ldots, n,$$
+        где $q_i = 1$ или $q_i = 2$ (т.е. каждая компонента потомка копируется из первого или второго родителя).
+    \end{itemize}
+
+    В современной литературе используются следующие обозначения:
+    \begin{itemize}
+        \item $(1+1)$-ЭС --- двукратная стратегия (1 родитель производит 1 потомка);
+        \item $(\mu+1)$-ЭС --- многократная стратегия ($\mu$ родителей производят 1 потомка);
+        \item $(\mu+\lambda)$-ЭС --- $\mu$ родителей производят $\lambda$ потомков и отбор $\mu$ лучших представителей производится среди объединённого множества ($\mu + \lambda$ особей) родителей и потомков;
+        \item $(\mu, \lambda)$-ЭС --- $\mu$ особей родителей порождает $\lambda$ потомков, причём $\lambda > \mu$ и процесс выбора $\mu$ лучших производится только на множестве потомков.
+    \end{itemize}
+
+    Следует подчеркнуть, что в обоих последних видах ЭС обычно число потомков существенно больше числа родителей $\lambda > \mu$ (иногда полагают $\lambda/\mu = 7$).
+
+    Многочисленные исследования доказывают, что ЭС не менее эффективно, а часто гораздо лучше справляются с задачами оптимизации в многомерных пространствах, при этом более просты в реализации из-за отсутствия процедур кодирования и декодирования хромосом.
+
+    \newpage
+    \section{Особенности реализации}
+
+    \subsection{Структура модулей}
+
+    \begin{itemize}
+        \item \textbf{Модуль \texttt{functions.py}}: содержит реализацию тестовой функции axis parallel hyper-ellipsoid и вспомогательные генераторы диапазонов.
+        \item \textbf{Модуль \texttt{es.py}}: ядро эволюционной стратегии. Определены структуры конфигурации, представление особей и популяции, операторы рекомбинации и мутации.
+        \item \textbf{Модуль \texttt{experiments.py}}: сценарии серийных экспериментов с переборами параметров и сохранением метрик.
+        \item \textbf{Модуль \texttt{main.py}}: точка входа для интерактивных запусков с визуализацией.
+    \end{itemize}
+
+    \subsection{Модуль functions.py}
+
+    Модуль содержит реализацию тестовой функции axis parallel hyper-ellipsoid:
+
+\begin{lstlisting}[language=Python]
+def axis_parallel_hyperellipsoid(x: Array) -> float:
+    """Axis-parallel hyper-ellipsoid benchmark function.
+    
+    Parameters:
+        x: Point in R^n
+        
+    Returns:
+        The value of the hyper-ellipsoid function
+    """
+    indices = np.arange(1, x.shape[0] + 1, dtype=np.float64)
+    return float(np.sum(indices * np.square(x)))
+\end{lstlisting}
+
+    Функция принимает вектор NumPy произвольной размерности и возвращает скалярное значение фитнеса. Для двумерного случая формула принимает вид $f(x_1, x_2) = x_1^2 + 2x_2^2$, для трёхмерного $f(x_1, x_2, x_3) = x_1^2 + 2x_2^2 + 3x_3^2$.
+
+    Также определена вспомогательная функция для генерации симметричных границ:
+
+\begin{lstlisting}[language=Python]
+def default_bounds(dimension: int, 
+                   lower: float = -5.12, 
+                   upper: float = 5.12) -> tuple[Array, Array]:
+    """Construct symmetric bounds for each dimension."""
+    x_min = np.full(dimension, lower, dtype=np.float64)
+    x_max = np.full(dimension, upper, dtype=np.float64)
+    return x_min, x_max
+\end{lstlisting}
+
+    \subsection{Модуль es.py}
+
+    \subsubsection{Структуры данных}
+
+    Особь представлена классом \texttt{Individual}, содержащим координаты решения, стратегические параметры и фитнес:
+
+\begin{lstlisting}[language=Python]
+@dataclass
+class Individual:
+    """Single individual of the evolution strategy population."""
+    x: Array        # Coordinates in solution space
+    sigma: Array    # Standard deviations for mutation
+    fitness: float  # Fitness value
+    
+    def copy(self) -> "Individual":
+        return Individual(self.x.copy(), 
+                          self.sigma.copy(), 
+                          float(self.fitness))
+\end{lstlisting}
+
+    Конфигурация эволюционной стратегии задаётся через \texttt{EvolutionStrategyConfig}:
+
+\begin{lstlisting}[language=Python]
+@dataclass
+class EvolutionStrategyConfig:
+    fitness_func: FitnessFn
+    dimension: int
+    x_min: Array
+    x_max: Array
+    mu: int                           # Number of parents
+    lambda_: int                      # Number of offspring
+    mutation_probability: float
+    initial_sigma: Array | float
+    max_generations: int
+    selection: Literal["plus", "comma"] = "comma"
+    recombination: Literal["intermediate", "discrete", 
+                           "none"] = "intermediate"
+    success_rule_window: int = 10
+    success_rule_target: float = 0.2
+    sigma_increase: float = 1.22
+    sigma_decrease: float = 0.82
+    # ... other parameters
+\end{lstlisting}
+
+    \subsubsection{Рекомбинация}
+
+    Функция \texttt{recombine} реализует выбор родителей и создание базового вектора для потомка:
+
+\begin{lstlisting}[language=Python]
+def recombine(parents: Sequence[Individual],
+              config: EvolutionStrategyConfig) -> tuple[Array, Array, float]:
+    """Recombine parent individuals before mutation.
+    
+    Returns:
+        Base vector, sigma and the best parent fitness
+    """
+    if config.recombination == "none":
+        parent = random.choice(parents)
+        return parent.x.copy(), parent.sigma.copy(), parent.fitness
+    
+    selected = random.choices(parents, 
+                              k=config.parents_per_offspring)
+    
+    if config.recombination == "intermediate":
+        x = np.mean([p.x for p in selected], axis=0)
+        sigma = np.mean([p.sigma for p in selected], axis=0)
+    elif config.recombination == "discrete":
+        mask = np.random.randint(0, len(selected), 
+                                  size=config.dimension)
+        x = np.array([selected[mask[i]].x[i] 
+                       for i in range(config.dimension)])
+        sigma = np.array([selected[mask[i]].sigma[i] 
+                           for i in range(config.dimension)])
+    
+    parent_fitness = min(p.fitness for p in selected)
+    return x, sigma, parent_fitness
+\end{lstlisting}
+
+    Промежуточная рекомбинация усредняет координаты родителей, дискретная копирует каждую координату из случайно выбранного родителя.
+
+    \subsubsection{Мутация}
+
+    Оператор мутации использует логнормальное распределение для адаптации стратегических параметров:
+
+\begin{lstlisting}[language=Python]
+def mutate(x: Array, sigma: Array, 
+           config: EvolutionStrategyConfig,
+           sigma_scale: float) -> tuple[Array, Array]:
+    """Apply log-normal mutation with optional 
+       per-coordinate masking."""
+    global_noise = np.random.normal()
+    coordinate_noise = np.random.normal(size=config.dimension)
+    
+    # Adapt sigma using log-normal distribution
+    sigma_new = sigma * np.exp(config.tau_prime * global_noise + 
+                                config.tau * coordinate_noise)
+    sigma_new = np.clip(sigma_new * sigma_scale, 
+                        config.sigma_min, config.sigma_max)
+    
+    # Apply mutation steps
+    steps = np.random.normal(size=config.dimension) * sigma_new
+    
+    # Optional per-coordinate mutation probability
+    if config.mutation_probability < 1.0:
+        mask = np.random.random(config.dimension) < \
+               config.mutation_probability
+        if not np.any(mask):
+            mask[np.random.randint(0, config.dimension)] = True
+        steps = steps * mask
+        sigma_new = np.where(mask, sigma_new, sigma)
+    
+    x_new = np.clip(x + steps, config.x_min, config.x_max)
+    return x_new, sigma_new
+\end{lstlisting}
+
+    Параметры $\tau$ и $\tau'$ вычисляются как $\tau = 1/\sqrt{2\sqrt{n}}$ и $\tau' = 1/\sqrt{2n}$, где $n$ --- размерность задачи.
+
+    \subsubsection{Создание потомков}
+
+    Функция \texttt{create\_offspring} генерирует $\lambda$ потомков и отслеживает успешные мутации:
+
+\begin{lstlisting}[language=Python]
+def create_offspring(parents: Sequence[Individual],
+                     config: EvolutionStrategyConfig,
+                     sigma_scale: float) -> tuple[list[Individual], 
+                                                   list[bool]]:
+    """Create offspring and track successful mutations."""
+    offspring: list[Individual] = []
+    successes: list[bool] = []
+    
+    for _ in range(config.lambda_):
+        base_x, base_sigma, best_parent_fitness = \
+            recombine(parents, config)
+        mutated_x, mutated_sigma = \
+            mutate(base_x, base_sigma, config, sigma_scale)
+        fitness = float(config.fitness_func(mutated_x))
+        child = Individual(mutated_x, mutated_sigma, fitness)
+        offspring.append(child)
+        successes.append(fitness < best_parent_fitness)
+    
+    return offspring, successes
+\end{lstlisting}
+
+    \subsubsection{Селекция}
+
+    Отбор следующего поколения производится согласно выбранной стратегии:
+
+\begin{lstlisting}[language=Python]
+def select_next_generation(parents: list[Individual],
+                           offspring: list[Individual],
+                           config: EvolutionStrategyConfig) -> list[Individual]:
+    """Select next generation according to the strategy."""
+    if config.selection == "plus":
+        pool = parents + offspring  # (mu + lambda)-strategy
+    else:
+        pool = offspring            # (mu, lambda)-strategy
+    
+    pool.sort(key=lambda ind: ind.fitness)
+    next_generation = [ind.copy() for ind in pool[:config.mu]]
+    return next_generation
+\end{lstlisting}
+
+    \subsection{Главная функция алгоритма}
+
+    Функция \texttt{run\_evolution\_strategy} реализует основной цикл эволюционной стратегии с адаптацией по правилу успеха $1/5$:
+
+\begin{lstlisting}[language=Python]
+def run_evolution_strategy(config: EvolutionStrategyConfig) -> EvolutionStrategyResult:
+    """Main evolution strategy loop with 1/5 success rule."""
+    # Initialize random seed
+    if config.seed is not None:
+        random.seed(config.seed)
+        np.random.seed(config.seed)
+    
+    # Initialize population
+    parents = [Individual(
+        np.random.uniform(config.x_min, config.x_max),
+        config.make_initial_sigma(),
+        0.0
+    ) for _ in range(config.mu)]
+    evaluate_population(parents, config.fitness_func)
+    
+    sigma_scale = 1.0
+    success_window: deque[float] = deque()
+    
+    for generation_number in range(1, config.max_generations + 1):
+        # Create offspring and track successes
+        offspring, successes = create_offspring(parents, config, 
+                                                 sigma_scale)
+        success_ratio = sum(successes) / len(successes)
+        success_window.append(success_ratio)
+        
+        # Apply 1/5 success rule
+        if len(success_window) == config.success_rule_window:
+            average_success = sum(success_window) / \
+                              len(success_window)
+            if average_success > config.success_rule_target:
+                sigma_scale = min(sigma_scale * config.sigma_increase,
+                                   config.sigma_scale_max)
+            elif average_success < config.success_rule_target:
+                sigma_scale = max(sigma_scale * config.sigma_decrease,
+                                   config.sigma_scale_min)
+            success_window.clear()
+        
+        # Select next generation
+        parents = select_next_generation(parents, offspring, config)
+        
+        # Check stopping criteria
+        # ...
+    
+    return EvolutionStrategyResult(...)
+\end{lstlisting}
+
+    Правило успеха $1/5$ применяется каждые $k$ поколений (по умолчанию $k=5$): если доля успешных мутаций выше $1/5$, масштаб $\sigma$ увеличивается в $1.22$ раза, если ниже --- уменьшается в $0.82$ раза.
+
+    \newpage
+    \section{Результаты работы}
+
+    Для демонстрации работы алгоритма была выполнена визуализация процесса оптимизации двумерной функции ($n=2$) со следующими параметрами:
+
+    \begin{itemize}
+        \item $\mu = 20$ -- размер популяции родителей.
+        \item $\lambda = 80$ -- число потомков ($\lambda = 4\mu$).
+        \item $p_{mut} = 0.7$ -- вероятность мутации каждой координаты.
+        \item Промежуточная рекомбинация двух родителей.
+        \item $(\mu, \lambda)$-селекция: родители полностью заменяются.
+        \item Адаптивное масштабирование шага мутации по правилу успеха $1/5$.
+        \item Начальное стандартное отклонение $\sigma_0 = 0.15 \cdot (x_{max} - x_{min})$.
+    \end{itemize}
+
+    Визуализация воспроизводит поверхность целевой функции и положение популяции на каждом шаге. Пошаговый режим позволяет наблюдать влияние изменения дисперсий: при успешных мутациях облако точек расширяется, при неудачах сжимается вокруг текущего минимума. Популяция постепенно консолидируется вокруг глобального минимума в точке $(0, 0)$.
+
+
+        \begin{figure}[H]
+            \centering
+            \includegraphics[width=1\linewidth]{img/results/generation_001.png}
+            \caption{Поколение 1: начальная популяция и рельеф функции}
+        \end{figure}
+
+        \begin{figure}[H]
+            \centering
+            \includegraphics[width=1\linewidth]{img/results/generation_002.png}
+            \caption{Поколение 2: адаптация стратегических параметров}
+        \end{figure}
+
+        \begin{figure}[H]
+            \centering
+            \includegraphics[width=1\linewidth]{img/results/generation_003.png}
+            \caption{Поколение 3: фокусировка поиска около минимума}
+        \end{figure}
+
+        \begin{figure}[H]
+            \centering
+            \includegraphics[width=1\linewidth]{img/results/generation_005.png}
+            \caption{Поколение 5: сжатие облака решений}
+        \end{figure}
+
+        \begin{figure}[H]
+            \centering
+            \includegraphics[width=1\linewidth]{img/results/generation_008.png}
+            \caption{Поколение 8: стабилизация шага мутации}
+        \end{figure}
+
+        \begin{figure}[H]
+            \centering
+            \includegraphics[width=1\linewidth]{img/results/generation_010.png}
+            \caption{Поколение 10: движение вдоль долины уровня}
+        \end{figure}
+
+        % \begin{figure}[H]
+        %     \centering
+        %     \includegraphics[width=1\linewidth]{img/results/generation_015.png}
+        %     \caption{Поколение 15: уточнение положения минимума}
+        % \end{figure}
+
+        \begin{figure}[H]
+            \centering
+            \includegraphics[width=1\linewidth]{img/results/generation_017.png}
+            \caption{Поколение 17: окончательная популяция}
+        \end{figure}
+
+
+
+    \newpage
+    \section{Исследование параметров}
+
+    В рамках лабораторной работы было проведено исследование влияния размера популяции $\mu$ и вероятности мутации $p_{mut}$ на эффективность алгоритма. Для экспериментов использовалась $(\mu, \lambda)$-стратегия с $\lambda = 5\mu$, промежуточной рекомбинацией и адаптивным масштабированием шага мутации по правилу успеха $1/5$.
+
+    \subsection{Проведение измерений}
+
+    Для исследования были выбраны следующие значения параметров:
+    \begin{itemize}
+        \item $\mu = 5, 10, 20, 40$ -- размер популяции родителей.
+        \item $p_{mut} = 0.3, 0.5, 0.7, 0.9, 1.0$ -- вероятность мутации каждой координаты.
+        \item Количество независимых запусков для усреднения результатов: 5.
+        \item Критерий остановки: достижение порога $f(\mathbf{x}) < 10^{-6}$ или исчерпание лимита 300 поколений.
+    \end{itemize}
+
+    Результаты измерений представлены в таблицах~\ref{tab:es_results_2} и~\ref{tab:es_results_3}. В ячейках указано среднее время выполнения в миллисекундах и среднее число поколений до достижения критерия остановки. Лучшие результаты по времени выполнения и по числу поколений выделены жирным цветом.
+
+    \newcolumntype{Y}{>{\centering\arraybackslash}X}
+
+    \begin{table}[h!]
+        \centering
+        \small
+        \caption{Результаты для $n = 2$. Формат: время в мс (число поколений)}
+        \begin{tabularx}{0.95\linewidth}{l *{5}{Y}}
+        \toprule
+        $\mathbf{\mu \;\backslash\; p_{mut}}$ & \textbf{0.30} & \textbf{0.50} & \textbf{0.70} & \textbf{0.90} & \textbf{1.00} \\
+        \midrule
+        \textbf{5} & 60.6 (37) & 35.1 (23) & 37.9 (25) & 29.2 (20) & \textcolor{magenta}{\textbf{20.4}} (17) \\
+        \textbf{10} & 69.5 (22) & 84.1 (28) & 61.1 (21) & 48.2 (17) & 38.1 (16) \\
+        \textbf{20} & 109.6 (18) & 120.4 (20) & 107.0 (18) & 100.2 (17) & 69.4 (15) \\
+        \textbf{40} & 239.8 (19) & 225.9 (19) & 199.9 (17) & 180.6 (16) & 121.4 (\textcolor{magenta}{\textbf{13}}) \\
+        \bottomrule
+        \end{tabularx}
+        \label{tab:es_results_2}
+    \end{table}
+
+    \begin{table}[h!]
+        \centering
+        \small
+        \caption{Результаты для $n = 3$. Формат: время в мс (число поколений)}
+        \begin{tabularx}{0.95\linewidth}{l *{5}{Y}}
+        \toprule
+        $\mathbf{\mu \;\backslash\; p_{mut}}$ & \textbf{0.30} & \textbf{0.50} & \textbf{0.70} & \textbf{0.90} & \textbf{1.00} \\
+        \midrule
+        \textbf{5} & 146.0 (88) & 212.2 (126) & 93.7 (60) & 44.8 (29) & \textcolor{magenta}{\textbf{30.3}} (25) \\
+        \textbf{10} & 155.9 (49) & 149.3 (48) & 88.7 (30) & 69.8 (24) & 55.7 (23) \\
+        \textbf{20} & 235.5 (38) & 199.0 (32) & 157.7 (26) & 125.8 (21) & 105.9 (21) \\
+        \textbf{40} & 670.3 (53) & 374.2 (31) & 311.8 (26) & 258.2 (22) & 194.0 (\textcolor{magenta}{\textbf{20}}) \\
+        \bottomrule
+        \end{tabularx}
+        \label{tab:es_results_3}
+    \end{table}
+
+    \subsection{Анализ результатов}
+
+    Анализ экспериментальных данных выявляет следующие закономерности:
+
+    \begin{itemize}
+        \item \textbf{Влияние вероятности мутации:} Увеличение $p_{mut}$ от 0.3 до 1.0 последовательно улучшает результаты как по времени, так и по числу поколений. Это объясняется тем, что более частая мутация всех координат ускоряет исследование пространства и адаптацию популяции. Лучшие результаты достигаются при $p_{mut} = 1.0$ (мутация всех координат на каждом шаге).
+
+        \item \textbf{Влияние размера популяции:} При малых $\mu$ (5-10) алгоритм демонстрирует наименьшее время выполнения и умеренное число поколений. С ростом $\mu$ до 40 время увеличивается пропорционально размеру популяции, но число поколений снижается благодаря более широкому охвату пространства поиска. Для двумерной задачи оптимальным является $\mu=5$, $p_{mut}=1.0$ (20.4 мс, 17 поколений).
+
+        \item \textbf{Масштабирование на размерность:} При переходе от $n=2$ к $n=3$ время выполнения изменяется незначительно (30.3 мс против 20.4 мс для лучшей конфигурации), однако требуется больше поколений (25 против 17). Это связано с усложнением ландшафта целевой функции и необходимостью большего числа итераций для достижения порога $10^{-6}$.
+
+        \item \textbf{Эффективность адаптации:} Правило успеха $1/5$ обеспечивает автоматическую подстройку масштаба мутации, что позволяет алгоритму быстро сходиться без ручной настройки начального $\sigma$. Минимальное число поколений (13 и 20 для $n=2$ и $n=3$ соответственно) достигается при больших популяциях ($\mu=40$) и высокой вероятности мутации ($p_{mut}=1.0$).
+    \end{itemize}
+
+    \newpage
+    \section{Ответ на контрольный вопрос}
+
+    \textbf{Вопрос}: Что такое направленная мутация?
+
+    \textbf{Ответ}: Направленная мутация --- это тип мутации, при котором изменения вносятся не случайным образом, а с учётом информации о ландшафте фитнес-функции или направлении улучшения решения. В отличие от обычной (ненаправленной) мутации, которая добавляет случайный шум к параметрам, направленная мутация использует информацию о градиенте функции приспособленности, историю успешных мутаций или другие эвристики, чтобы изменять особь в направлении, с большей вероятностью ведущем к улучшению. Это позволяет ускорить сходимость алгоритма, особенно вблизи оптимума, комбинируя преимущества эволюционного поиска и методов локальной оптимизации.
+
+    \newpage
+    \section*{Заключение}
+    \addcontentsline{toc}{section}{Заключение}
+
+    В ходе пятой лабораторной работы реализована программа оптимизации многомерных функций методом эволюционных стратегий. Получены следующие результаты:
+
+    \begin{enumerate}
+        \item Изучены теоретические основы $(1+1)$ и популяционных ЭС, включая самонастраивающуюся мутацию и правило успеха $1/5$;
+        \item Разработана модульная Python-реализация с поддержкой визуализации поиска и гибкой конфигурацией стратегических параметров;
+        \item Проведены вычислительные эксперименты для измерения влияния размера популяции, интенсивности мутации и схемы адаптации на скорость сходимости при $n=2$ и $n=3$;
+        \item Подготовлена инфраструктура для дальнейшего расширения: сохранение историй поколений, экспорт результатов и интерактивный просмотр шагов оптимизации.
+    \end{enumerate}
+
+\newpage
+
+% \section*{Список литратуры}
+
+\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}

lab6/README.md

@@ -0,0 +1,3 @@
+# Attention!
+
+lab6 is fully AI generated slop.

lab6/aco.py

@@ -0,0 +1,160 @@
+import math
+import random
+from dataclasses import dataclass
+from typing import List, Sequence, Tuple
+
+import matplotlib.pyplot as plt
+
+City = Tuple[float, float]
+Tour = List[int]
+
+
+def euclidean_distance(c1: City, c2: City) -> float:
+    return math.hypot(c1[0] - c2[0], c1[1] - c2[1])
+
+
+def build_distance_matrix(cities: Sequence[City]) -> list[list[float]]:
+    size = len(cities)
+    matrix = [[0.0 for _ in range(size)] for _ in range(size)]
+    for i in range(size):
+        for j in range(i + 1, size):
+            dist = euclidean_distance(cities[i], cities[j])
+            matrix[i][j] = matrix[j][i] = dist
+    return matrix
+
+
+def plot_tour(cities: Sequence[City], tour: Sequence[int], save_path: str) -> None:
+    x = [cities[i][0] for i in tour]
+    y = [cities[i][1] for i in tour]
+
+    fig, ax = plt.subplots(figsize=(7, 7))
+    ax.plot(x + [x[0]], y + [y[0]], "k-", linewidth=1)
+    ax.plot(x, y, "ro", markersize=4)
+
+    ax.axis("equal")
+    fig.tight_layout()
+    fig.savefig(save_path, dpi=220)
+    plt.close(fig)
+
+
+def plot_history(best_lengths: Sequence[float], save_path: str) -> None:
+    if not best_lengths:
+        return
+
+    iterations = list(range(len(best_lengths)))
+
+    fig, ax = plt.subplots(figsize=(10, 6))
+    ax.plot(iterations, best_lengths, linewidth=2, color="blue")
+
+    ax.set_xlabel("Итерация", fontsize=12)
+    ax.set_ylabel("Длина лучшего тура", fontsize=12)
+    ax.grid(True, alpha=0.3)
+
+    fig.savefig(save_path, dpi=150, bbox_inches="tight")
+    plt.close(fig)
+
+
+@dataclass
+class ACOConfig:
+    cities: Sequence[City]
+    n_ants: int
+    n_iterations: int
+    alpha: float = 1.0
+    beta: float = 5.0
+    rho: float = 0.5
+    q: float = 1.0
+    seed: int | None = None
+
+
+@dataclass
+class ACOResult:
+    best_tour: Tour
+    best_length: float
+    history: List[float]
+
+
+class AntColonyOptimizer:
+    def __init__(self, config: ACOConfig):
+        self.config = config
+        if config.seed is not None:
+            random.seed(config.seed)
+
+        self.cities = config.cities
+        self.dist_matrix = build_distance_matrix(config.cities)
+        n = len(config.cities)
+        self.pheromone = [[1.0 if i != j else 0.0 for j in range(n)] for i in range(n)]
+
+    def _choose_next_city(self, current: int, unvisited: set[int]) -> int:
+        candidates = list(unvisited)
+        weights = []
+        for nxt in candidates:
+            tau = self.pheromone[current][nxt] ** self.config.alpha
+            eta = (1.0 / (self.dist_matrix[current][nxt] + 1e-12)) ** self.config.beta
+            weights.append(tau * eta)
+
+        total = sum(weights)
+        probs = [w / total for w in weights]
+        return random.choices(candidates, weights=probs, k=1)[0]
+
+    def _build_tour(self, start: int) -> Tour:
+        n = len(self.cities)
+        tour = [start]
+        unvisited = set(range(n))
+        unvisited.remove(start)
+
+        current = start
+        while unvisited:
+            nxt = self._choose_next_city(current, unvisited)
+            tour.append(nxt)
+            unvisited.remove(nxt)
+            current = nxt
+
+        return tour
+
+    def _tour_length(self, tour: Sequence[int]) -> float:
+        return sum(
+            self.dist_matrix[tour[i]][tour[(i + 1) % len(tour)]]
+            for i in range(len(tour))
+        )
+
+    def run(self) -> ACOResult:
+        best_tour: Tour = []
+        best_length = float("inf")
+        best_history: list[float] = []
+
+        for _ in range(self.config.n_iterations):
+            tours: list[Tour] = []
+            lengths: list[float] = []
+
+            for _ in range(self.config.n_ants):
+                start_city = random.randrange(len(self.cities))
+                tour = self._build_tour(start_city)
+                length = self._tour_length(tour)
+                tours.append(tour)
+                lengths.append(length)
+
+                if length < best_length:
+                    best_length = length
+                    best_tour = tour
+
+            for i in range(len(self.pheromone)):
+                for j in range(len(self.pheromone)):
+                    self.pheromone[i][j] *= 1 - self.config.rho
+
+            for tour, length in zip(tours, lengths):
+                deposit = self.config.q / length
+                for i in range(len(tour)):
+                    a, b = tour[i], tour[(i + 1) % len(tour)]
+                    self.pheromone[a][b] += deposit
+                    self.pheromone[b][a] += deposit
+
+            best_history.append(best_length)
+
+        return ACOResult(
+            best_tour=best_tour, best_length=best_length, history=best_history
+        )
+
+
+def run_aco(config: ACOConfig) -> ACOResult:
+    optimizer = AntColonyOptimizer(config)
+    return optimizer.run()

lab6/main.py

@@ -0,0 +1,38 @@
+import os
+
+from aco import ACOConfig, plot_history, plot_tour, run_aco
+
+# В списке из 89 городов только 38 уникальных
+cities = set()
+with open(os.path.join(os.path.dirname(__file__), "../lab3/data.txt"), "r") as file:
+    for line in file:
+        # x и y поменяны местами в визуализациях в методичке
+        _, y, x = line.split()
+        cities.add((float(x), float(y)))
+cities = list(cities)
+
+config = ACOConfig(
+    cities=cities,
+    n_ants=50,
+    n_iterations=50,
+    alpha=1.2,
+    beta=5.0,
+    rho=0.5,
+    q=1.0,
+    seed=7,
+)
+
+result = run_aco(config)
+print(f"Лучшая длина: {result.best_length:.2f}")
+print(f"Лучший тур: {result.best_tour}")
+
+results_dir = os.path.join(os.path.dirname(__file__), "report", "img")
+os.makedirs(results_dir, exist_ok=True)
+
+plot_tour(
+    config.cities, result.best_tour, os.path.join(results_dir, "aco_best_tour.png")
+)
+plot_history(result.history, os.path.join(results_dir, "aco_history.png"))
+
+with open(os.path.join(results_dir, "aco_best_tour.txt"), "w", encoding="utf-8") as f:
+    f.write(" ".join(map(str, result.best_tour)))

lab6/report/.gitignore

@@ -0,0 +1,5 @@
+*
+!**/
+!.gitignore
+!report.tex
+!img/**/*.png

lab6/report/report.tex

@@ -0,0 +1,455 @@
+\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{xcolor}
+
+
+
+
+% \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 №6}\\
+        \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 Реализовать с использованием муравьиных алгоритмов решение задачи коммивояжера по индивидуальному заданию согласно номеру варианта.
+        \item Представить графически найденное решение
+        \item Сравнить найденное решение с представленным в условии задачи оптимальным решением и результатами, полученными в лабораторной работе №3.
+    \end{itemize}
+
+    \textbf{Индивидуальное задание вариант 18:}
+
+    \textbf{Дано:} Эвклидовы координаты городов 38 городов в Джибути (см.~Приложение~А). Оптимальный тур представлен на Рис.~\ref{fig:optimal_tour}, его длина равна 6659.
+
+    \begin{figure}[h!]
+       \centering
+       \includegraphics[width=0.5\linewidth]{img/optimal_tour.png}
+       \caption{Оптимальный тур для заданного набора данных}
+       \label{fig:optimal_tour}
+    \end{figure}
+
+
+    \newpage
+    \section{Теоретические сведения}
+
+    \subsection{Общие сведения о муравьиных алгоритмах}
+    
+    Муравьиные алгоритмы (МА) относятся к метаэвристическим методам оптимизации и предназначены преимущественно для решения задач комбинаторной оптимизации, в частности задачи поиска оптимальных путей на графах. Основная идея таких алгоритмов основана на моделировании коллективного поведения реальных муравьёв, использующих феромонные следы для обмена информацией.
+    
+    Каждый агент, называемый \textit{искусственным муравьём}, поэтапно строит решение задачи, перемещаясь по графу и выбирая следующую вершину на основе вероятностного правила, учитывающего концентрацию феромона на дугах графа. Феромон отражает привлекательность соответствующих маршрутов: чем выше его концентрация на дуге, тем вероятнее выбор этой дуги муравьём.
+    
+    \subsection{Простой муравьиный алгоритм (SACO)}
+    
+    Для иллюстрации рассмотрим простой муравьиный алгоритм SACO (Simple Ant Colony Optimization). Пусть задан граф 
+    \[
+    G = (V, E),
+    \] 
+    где $V$ — множество вершин, $E$ — множество рёбер. Каждой дуге $(i,j)$ сопоставлена величина феромона $\tau_{ij}$.
+    
+    В начальный момент концентрация феромона обычно принимается нулевой, однако для предотвращения зацикливания каждому ребру присваивается малое случайное начальное значение $\tau_{ij}^{(0)}$.
+    
+    Каждый муравей $k=1,\ldots,n_k$ помещается в стартовую вершину и начинает построение пути. Если муравей находится в вершине $i$, он выбирает следующую вершину $j \in N_i^k$ на основе вероятностного правила
+    \[
+    p_{ij}^k(t) = \frac{\tau_{ij}^\alpha(t)}{\sum\limits_{l \in N_i^k} \tau_{il}^\alpha(t)},
+    \]
+    где $\alpha$ — параметр, определяющий степень влияния феромона.
+    
+    При отсутствии допустимых переходов допускается возврат в предыдущую вершину, что приводит к появлению петель, которые впоследствии удаляются.
+    
+    После завершения построения полного пути $x_k(t)$ выполняется его оценка. Длина пути обозначается как $L_k(t)$ и равна числу пройденных дуг.
+    
+    \subsection{Обновление феромона}
+    
+    Каждый муравей откладывает феромон на рёбрах своего пути согласно правилу
+    \[
+    \Delta \tau_{ij}^k(t) =
+    \begin{cases}
+    \frac{1}{L_k(t)}, &\text{если дуга } (i,j) \in x_k(t), \\
+    0, &\text{иначе}.
+    \end{cases}
+    \]
+    
+    Общее обновление феромона на дуге $(i,j)$:
+    \[
+    \tau_{ij}(t+1) = \tau_{ij}(t) + \sum_{k=1}^{n_k} \Delta\tau_{ij}^k(t).
+    \]
+    
+    Чем короче путь, тем больше феромона откладывается на его рёбрах, что повышает вероятность выбора коротких маршрутов в последующих итерациях.
+    
+    \subsection{Испарение феромона}
+    
+    Чтобы предотвратить преждевременную сходимость алгоритма к локальным минимумам, применяется механизм \textit{искусственного испарения феромона}. На каждом шаге выполняется:
+    \[
+    \tau_{ij}(t) = (1 - \rho)\,\tau_{ij}(t),
+    \]
+    где $\rho \in [0,1]$ — коэффициент испарения. Большие значения $\rho$ усиливают случайность поиска, малые — повышают устойчивость к изменениям.
+    
+    \subsection{Критерии остановки алгоритма}
+    
+    Муравьиные алгоритмы могут завершаться при выполнении одного из условий:
+    \begin{itemize}
+        \item достигнуто максимальное число итераций;
+        \item найдено решение приемлемого качества $f(x_k(t)) \leq \varepsilon$;
+        \item все муравьи начинают строить одинаковые маршруты, что говорит о стабилизации процесса.
+    \end{itemize}
+    
+    \subsection{Описание общего алгоритма}
+    
+    Алгоритм SACO можно представить в следующем виде:
+    
+    \begin{enumerate}
+        \item Инициализация феромона малыми случайными значениями $\tau_{ij}^{(0)}$.
+        \item Размещение всех муравьёв в начальной вершине.
+        \item Для каждой итерации:
+        \begin{enumerate}
+            \item Каждый муравей строит путь согласно вероятностному правилу выбора вершины.
+            \item Выполняется удаление петель.
+            \item Вычисляется длина пути $L_k(t)$.
+        \end{enumerate}
+        \item Выполняется испарение феромона.
+        \item Каждый муравей откладывает феромон на рёбрах своего пути.
+        \item Итерация продолжается до выполнения критерия остановки.
+    \end{enumerate}
+    
+    Муравьиные алгоритмы позволяют эффективно находить приближённые решения задач комбинаторной оптимизации, таких как задача коммивояжёра, что и является целью данной лабораторной работы.
+    
+
+
+    \newpage
+    \section{Особенности реализации}
+
+    Код решения собран в модуле \texttt{lab6/aco.py}. Реализация использует объектно-ориентированный подход с явной типизацией через современные аннотации типов Python (PEP 604). Ниже приведены ключевые элементы реализации с сигнатурами функций и пояснениями.
+
+    \subsection{Структуры данных конфигурации и результата}
+    Конфигурация алгоритма оформлена через \texttt{@dataclass} и включает все параметры, влияющие на поведение ACO:
+    \begin{lstlisting}[language=Python]
+@dataclass
+class ACOConfig:
+    cities: Sequence[City]      # список координат городов
+    n_ants: int                 # число муравьев
+    n_iterations: int           # число итераций
+    alpha: float = 1.0          # влияние феромона
+    beta: float = 5.0           # влияние эвристики (1/расстояние)
+    rho: float = 0.5            # коэффициент испарения
+    q: float = 1.0              # константа для отложения феромона
+    seed: int | None = None     # зерно ГСЧ (воспроизводимость)
+\end{lstlisting}
+
+    Результат работы алгоритма представлен структурой:
+    \begin{lstlisting}[language=Python]
+@dataclass
+class ACOResult:
+    best_tour: Tour             # индексы городов в порядке обхода
+    best_length: float          # длина лучшего маршрута
+    history: List[float]        # история длин по итерациям
+\end{lstlisting}
+
+    \subsection{Класс AntColonyOptimizer и инициализация}
+    Основная логика инкапсулирована в классе \texttt{AntColonyOptimizer}, который принимает конфигурацию при создании:
+    \begin{lstlisting}[language=Python]
+class AntColonyOptimizer:
+    def __init__(self, config: ACOConfig)
+\end{lstlisting}
+
+    В конструкторе выполняются следующие действия:
+    \begin{itemize}
+        \item инициализация генератора случайных чисел через \texttt{random.seed(config.seed)} для обеспечения воспроизводимости экспериментов;
+        \item вычисление матрицы расстояний между всеми городами с помощью \texttt{build\_distance\_matrix};
+        \item создание матрицы феромона размером $n \times n$, где все недиагональные элементы инициализируются единицами, а диагональные — нулями (для предотвращения самопереходов).
+    \end{itemize}
+
+    \subsection{Построение тура муравьём}
+    Каждый муравей строит полный гамильтонов цикл, начиная со случайно выбранного стартового города. Ключевой метод выбора следующего города:
+    \begin{lstlisting}[language=Python]
+def _choose_next_city(self, current: int, 
+                      unvisited: set[int]) -> int
+\end{lstlisting}
+
+    Метод реализует вероятностный выбор на основе формулы:
+    \[
+    p_{ij} = \frac{[\tau_{ij}]^\alpha \cdot [\eta_{ij}]^\beta}{\sum_{k \in \text{unvisited}} [\tau_{ik}]^\alpha \cdot [\eta_{ik}]^\beta}
+    \]
+    где $\tau_{ij}$ — уровень феромона на ребре $(i,j)$, а $\eta_{ij} = 1/d_{ij}$ — эвристическая привлекательность (обратная величина расстояния). К расстоянию добавляется малая константа $10^{-12}$ для численной стабильности при делении. Финальный выбор осуществляется через \texttt{random.choices} с вычисленными вероятностями.
+
+    Построение полного тура выполняет метод:
+    \begin{lstlisting}[language=Python]
+def _build_tour(self, start: int) -> Tour
+\end{lstlisting}
+    Начиная со стартового города, муравей последовательно выбирает следующие непосещённые города до тех пор, пока множество \texttt{unvisited} не станет пустым.
+
+    Вычисление длины построенного тура:
+    \begin{lstlisting}[language=Python]
+def _tour_length(self, tour: Sequence[int]) -> float
+\end{lstlisting}
+    Метод суммирует расстояния между последовательными городами в туре, включая замыкающее ребро от последнего города к первому, используя предвычисленную матрицу расстояний.
+
+    \subsection{Основной цикл алгоритма}
+    Главный метод запуска оптимизации:
+    \begin{lstlisting}[language=Python]
+def run(self) -> ACOResult
+\end{lstlisting}
+
+    На каждой из \texttt{n\_iterations} итераций выполняются следующие шаги:
+    \begin{enumerate}
+        \item \textbf{Построение туров}: каждый из \texttt{n\_ants} муравьёв создаёт свой маршрут, начиная со случайного города. Вычисляется длина каждого маршрута, и глобально лучший тур обновляется при обнаружении более короткого.
+        \item \textbf{Испарение феромона}: все элементы матрицы феромона умножаются на $(1 - \rho)$, моделируя естественное испарение. Это предотвращает неограниченный рост концентрации феромона и позволяет алгоритму «забывать» плохие решения.
+        \item \textbf{Отложение феромона}: для каждого муравья вычисляется вклад $\Delta\tau = q/L$, где $L$ — длина его маршрута. Этот вклад добавляется симметрично на оба направления каждого ребра в туре. Таким образом, короткие маршруты откладывают больше феромона.
+        \item \textbf{Запись истории}: лучшая на данный момент длина добавляется в список \texttt{history} для последующего анализа сходимости.
+    \end{enumerate}
+
+    По завершении всех итераций метод возвращает \texttt{ACOResult} с лучшим найденным туром, его длиной и историей оптимизации.
+
+    \subsection{Точка входа}
+    Для удобства использования предоставлена функция верхнего уровня:
+    \begin{lstlisting}[language=Python]
+def run_aco(config: ACOConfig) -> ACOResult
+\end{lstlisting}
+    Она создаёт экземпляр оптимизатора и запускает алгоритм, возвращая результат.
+
+    \subsection{Визуализация}
+    Модуль включает две функции для визуализации результатов средствами \texttt{matplotlib}:
+
+    Функция построения графика маршрута:
+    \begin{lstlisting}[language=Python]
+def plot_tour(cities: Sequence[City], tour: Sequence[int], 
+              save_path: str) -> None
+\end{lstlisting}
+    Отображает города в виде точек и соединяет их ломаной линией в порядке обхода, включая возврат к начальной точке. Используется соотношение сторон \texttt{aspect="equal"} для сохранения геометрии, сетка для лучшей читаемости координат. Результат сохраняется в PNG с разрешением 220 DPI.
+
+    Функция построения графика сходимости:
+    \begin{lstlisting}[language=Python]
+def plot_history(best_lengths: Sequence[float], 
+                 save_path: str) -> None
+\end{lstlisting}
+    Строит линейный график изменения длины лучшего найденного тура по итерациям. Позволяет визуально оценить скорость сходимости и стабильность алгоритма.
+
+    \newpage
+    \section{Результаты работы}
+
+    Алгоритм был запущен со следующими параметрами: 50 муравьёв, 50 итераций, $\alpha = 1{,}2$, $\beta = 5$, $\rho = 0{,}5$, $q = 1$. Лучший найденный тур имеет длину $6662{,}35$, что на $0{,}05\%$ отличается от оптимального значения 6659.
+
+    \begin{figure}[h!]
+       \centering
+       \begin{minipage}{0.48\linewidth}
+           \centering
+           \includegraphics[width=0.95\linewidth]{img/optimal_tour.png}
+           \caption{Оптимальный маршрут длиной 6659}
+           \label{fig:optimal_result}
+       \end{minipage}\hfill
+       \begin{minipage}{0.48\linewidth}
+           \centering
+           \includegraphics[width=0.95\linewidth]{img/aco_best_tour.png}
+           \caption{Лучший маршрут, найденный муравьиным алгоритмом (6662{,}35)}
+           \label{fig:aco_tour}
+       \end{minipage}
+    \end{figure}
+
+    \begin{figure}[h!]
+       \centering
+       \includegraphics[width=0.9\linewidth]{img/aco_history.png}
+       \caption{Сходимость длины лучшего тура по итерациям}
+       \label{fig:aco_history}
+    \end{figure}
+
+    \subsection{Сравнение с результатами лабораторной работы~№3}
+
+    Для лабораторной работы №3 с генетическим алгоритмом лучший результат составил \textbf{6667{,}03} при популяции $N=500$, вероятностях $P_c=0{,}9$ и $P_m=0{,}5$. Муравьиный алгоритм показал более точное решение: длина тура \textbf{6662{,}35} против оптимального 6659. Разница с оптимумом составила 3{,}35 единицы (0{,}05\%), тогда как в лабораторной работе №3 отклонение было 8{,}03 (0{,}12\%).
+
+    \begin{figure}[h!]
+       \centering
+       \begin{minipage}{0.48\linewidth}
+           \centering
+           \includegraphics[width=0.95\linewidth]{img/best_lab3.png}
+           \caption{Лучший маршрут из лабораторной работы №3 (ГА): длина 6667{,}03}
+           \label{fig:lab3_best}
+       \end{minipage}\hfill
+       \begin{minipage}{0.48\linewidth}
+           \centering
+           \includegraphics[width=0.95\linewidth]{img/aco_best_tour.png}
+           \caption{Лучший маршрут лабораторной работы №6 (МА): длина 6662{,}35}
+           \label{fig:lab6_best}
+       \end{minipage}
+    \end{figure}
+
+    \begin{figure}[h!]
+       \centering
+       \includegraphics[width=0.43\linewidth]{img/optimal_tour.png}
+       \caption{Оптимальный маршрут длиной 6659}
+       \label{fig:optimal_comparison}
+    \end{figure}
+
+    \newpage
+    \section{Ответ на контрольный вопрос}
+    
+    \textbf{Вопрос}: Какие критерии окончания могут быть использованы в простом МА?
+    
+    \textbf{Ответ}: В простом муравьином алгоритме могут использоваться следующие критерии завершения работы:
+    
+    \begin{itemize}
+        \item окончание при превышении заданного числа итераций;
+        \item окончание по достижению приемлемого решения;
+        \item окончание в случае, когда все муравьи начинают следовать одним и тем же путём.
+    \end{itemize}
+
+    \newpage
+    \section*{Заключение}
+    \addcontentsline{toc}{section}{Заключение}
+
+    В ходе шестой лабораторной работы выполнена реализация простого муравьиного алгоритма для задачи коммивояжёра:
+
+    \begin{enumerate}
+        \item Разработан модуль \texttt{aco.py} с конфигурацией алгоритма, построением туров, обновлением феромона и визуализацией результатов с помощью \texttt{matplotlib}.
+        \item Проведён численный эксперимент на данных из варианта 18 (38 городов Джибути); подобраны параметры $\alpha=1{,}2$, $\beta=5$, $\rho=0{,}5$, 50 муравьёв, 400 итераций.
+        \item Получено приближённое решение длиной 6662{,}35, что всего на 0{,}05\% хуже известного оптимума 6659 и лучше результата, достигнутого генетическим алгоритмом из лабораторной работы №3.
+    \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}