docs/Summary.org

@@ -1,161 +0,0 @@
-#+TITLE: Práctica 3
-#+SUBTITLE: Metaheurísticas
-#+AUTHOR: Amin Kasrou Aouam
-#+DATE: 2021-06-22
-#+PANDOC_OPTIONS: template:~/.pandoc/templates/eisvogel.latex
-#+PANDOC_OPTIONS: listings:t
-#+PANDOC_OPTIONS: toc:t
-#+PANDOC_METADATA: lang=es
-#+PANDOC_METADATA: titlepage:t
-#+PANDOC_METADATA: listings-no-page-break:t
-#+PANDOC_METADATA: toc-own-page:t
-#+PANDOC_METADATA: table-use-row-colors:t
-#+PANDOC_METADATA: colorlinks:t
-#+PANDOC_METADATA: logo:/home/coolneng/Photos/Logos/UGR.png
-#+LaTeX_HEADER: \usepackage[ruled, lined, linesnumbered, commentsnumbered, longend]{algorithm2e}
-* Práctica 3
-
-** Introducción
-
-En esta práctica, usaremos distintos algoritmos de búsqueda, basados en trayectorias, para resolver el problema de la máxima diversidad (MDP). Implementaremos:
-
-- Enfriamiento simulado
-- Búsqueda multiarranque
-
-** Algoritmos
-
-*** Enfriamiento simulado
-
-El enfriamiento simulado es un algoritmo de búsqueda basado en trayectorias, con un criterio probabilístico basado en la termodinámica.
-
-El procedimiento general del algoritmo queda ilustrado a continuación:
-
-\begin{algorithm}
-    \KwIn{A list $[a_i]$, $i=1, 2, \cdots, n$, that contains the components of a solution}
-    \KwOut{Processed list}
-
-    $currentSol \leftarrow initialize()$
-
-    $T0 \leftarrow initialize()$
-
-    $Tf \leftarrow initialize()$
-
-    $bestSol \leftarrow currentSol$
-
-    $T \leftarrow Tf$
-
-    \While{$T > Tf$}{
-        $neighbour \leftarrow generateNeighbour(currentSol)$
-
-        $delta \leftarrow fitness(neighbour) - fitness(currentSol)$
-
-        \If{$delta > 0 \vee acceptNeighbour(neighbour)$}{
-            $currentSol \leftarrow neighbour$
-
-            \If{$fitness(currentSol) > fitness(bestSol)$}{
-                $bestSol \leftarrow currentSol$
-            }
-        }
-        $coolDown(T)$
-    }
-    \KwRet{$bestSolution$}
-\end{algorithm}
-
-*** Búsqueda multiarranque
-
-La búsqueda multiarranque es un algoritmo que itera las 2 etapas siguientes:
-
-1. Generación de una solución inicial
-2. Búsqueda local
-
-Es una variante simple de implementar a partir de una búsqueda local
-
-El procedimiento general del algoritmo queda ilustrado a continuación:
-
-\begin{algorithm}
-    \KwIn{A list $[a_i]$, $i=1, 2, \cdots, m$, the solution}
-    \KwOut{Processed list}
-
-    $Solutions = [\ ]$
-
-    $initialSolutions \leftarrow getRandomSolutions()$
-
-    $Solutions.append(firstSolution)$
-
-    $maxIterations \leftarrow 1000$
-
-    \For{$i \leftarrow 0$ \KwTo $maxIterations$}{
-        \For{$element in initialSolutions$}{
-            $lastSolution \leftarrow getLastElement(initialSolutions)$
-
-            \While{$neighbour \leq lastSolution$}{
-                $neighbour \leftarrow getNeighbouringSolution(lastSolution)$
-
-                $Solutions.append(neighbour)$
-
-                $lastSolution \leftarrow getLastElement(neighbour)$
-            }
-
-            $finalSolution \leftarrow getLastElement(Solutions)$
-        }
-    }
-    \KwRet{$finalSolution$}
-\end{algorithm}
-
-** Implementación
-
-La práctica ha sido implementada en /Python/, usando las siguientes bibliotecas:
-
-- NumPy
-- Pandas
-
-\clearpage
-
-*** Instalación
-
-Para ejecutar el programa es preciso instalar Python, junto con las bibliotecas *Pandas* y *NumPy*.
-
-Se proporciona el archivo shell.nix para facilitar la instalación de las dependencias, con el gestor de paquetes [[https://nixos.org/][Nix]]. Tras instalar la herramienta Nix, únicamente habría que ejecutar el siguiente comando en la raíz del proyecto:
-
-#+begin_src shell
-nix-shell
-#+end_src
-
-** Ejecución
-
-La ejecución del programa se realiza mediante el siguiente comando:
-
-#+begin_src shell
-python src/main.py <dataset> <algoritmo>
-#+end_src
-
-Los parámetros posibles son:
-
-| dataset                              | algoritmo  |
-| Cualquier archivo de la carpeta data | annealing  |
-|                                      | multistart |
-
-También se proporciona un script que ejecuta 1 iteración de cada algoritmo, sobre cada uno de los /datasets/, y guarda los resultados en una hoja de cálculo. Se puede ejecutar mediante el siguiente comando:
-
-#+begin_src shell
-python src/execution.py
-#+end_src
-
-*Nota*: se precisa instalar la biblioteca [[https://xlsxwriter.readthedocs.io/][XlsxWriter]] para la exportación de los resultados a un archivo Excel.
-
-* Análisis de los resultados
-** Enfriamiento simulado
-
-#+CAPTION: Enfriamiento simulado
-[[./assets/annealing.png]]
-
-El tiempo de ejecución varía ligeramente según el dataset:
-
-- Dataset con n=500: 13 segundos
-- Dataset con n=2000: 38-39 segundos
-
-La distancia total obtenida, toma valores muy diferentes según el dataset en el que se ejecuta.
-
-** Búsqueda multiarranque
-
-Desafortunadamente, un /bug/ en el script de ejecución ha hecho que la segunda pestaña de la hoja de cálculo únicamente tenga el valor de los datasets.

src/execution.py

@@ -48,7 +48,7 @@ def script_execution(filenames, df_list):
     parameters = [["annealing"], ["multistart"]]
     for dataset in filenames:
         print(f"Running on dataset {dataset}")
-        for index, params in zip(range(2), parameters):
+        for index, params in zip(range(4), parameters):
             print(f"Running {params} algorithm")
             output_cmd = run(
                 [executable, script, dataset, *params], capture_output=True