162 lines
4.7 KiB
Org Mode
162 lines
4.7 KiB
Org Mode
#+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.
|