From b8e6261c1d79983e07ce165b883ef0362b36e167 Mon Sep 17 00:00:00 2001
From: Jiri Kalvoda <jirikalvoda@kam.mff.cuni.cz>
Date: Tue, 7 May 2024 20:39:19 +0200
Subject: [PATCH] =?UTF-8?q?prace:=20M=C3=A1me=201=20000=20test=C5=AF?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit
---
prace/bakalarka/g.py | 4 ++--
prace/bakalarka/index.md | 27 +++++++++++++--------------
2 files changed, 15 insertions(+), 16 deletions(-)
diff --git a/prace/bakalarka/g.py b/prace/bakalarka/g.py
index 3465c2842..47eacec57 100644
--- a/prace/bakalarka/g.py
+++ b/prace/bakalarka/g.py
@@ -46,7 +46,7 @@ def intro_graph(algo):
fig.update_layout(showlegend=False)
return fig
-def nonzero_coords(n, seeds, max_dim=20):
+def nonzero_coords(n, max_dim=20):
data_dir = d/"main_test/sdp/nonzero_coord"
nonzero_coords = [[float(i) for i in open(data_dir/f).read().split()] for f in os.listdir(data_dir) if f.startswith(f"{n}-")]
@@ -68,7 +68,7 @@ def nonzero_coords(n, seeds, max_dim=20):
)
return fig
-def max_coords(n, seeds, max_dim=20):
+def max_coords(n, max_dim=20):
data_dir = d/"main_test/sdp/max_coord"
max_coords = [[float(i) for i in open(data_dir/f).read().split()] for f in os.listdir(data_dir) if f.startswith(f"{n}-")]
diff --git a/prace/bakalarka/index.md b/prace/bakalarka/index.md
index 368989dcc..55b0d3b0d 100755
--- a/prace/bakalarka/index.md
+++ b/prace/bakalarka/index.md
@@ -389,7 +389,7 @@ fig.add_vline(x=200*hypoth,
annotation_text="hypotéza", annotation_position="top left",
fillcolor="green")
```
-Graf skóre $100$ běhů hvězdičkového rekurzivního řešení pro $n=200$.
+Graf skóre $1\,000$ běhů hvězdičkového rekurzivního řešení pro $n=200$.
:::
Autoři algoritmu o něm vyslovili domněnku, že $\delta_{\algo{rsg}} = {1\over 13} \cdot \sqrt{61} - {3\over 13} \doteq 0.370$.
@@ -842,7 +842,7 @@ Měření řešení BPS
=================
Součástí práce je implementace algoritmů řešících Binární paint shop problém.
-Každý z nich byl následně spuštěn pro různé velikosti, pokaždé na 100 nezávisle náhodně vybraných vstupech s počtem typů aut
+Každý z nich byl následně spuštěn pro různé velikosti, pokaždé na $1\,000$ nezávisle náhodně vybraných vstupech s počtem typů aut
10, 20, 50, 100, 200, 400, 566, 800, 1131, 1600, 2263 a 3200.[^2]
Jedna z implementací $\algo{sdp}$ -- pomocí sage vyžaduje moc paměti a proto byla spuštěna jen na vstupech do velikosti $566$.
Celý test běžel jednovláknově zhruba dva dny a využíval nejvýše 16 GB operační paměti.
@@ -1043,7 +1043,7 @@ Vizualizace jednoho z řešení pro $n=50$, které se vejde do 3D.
::: {#max_coords_400 c=figure floatpage=400}
```python {c=plotly}
from bakalarka import g
-fig = g.max_coords(400, range(1, 101))
+fig = g.max_coords(400)
```
Maximální hodnota v dané dimenzi pro $n=400$.
:::
@@ -1051,7 +1051,7 @@ Maximální hodnota v dané dimenzi pro $n=400$.
::: {#nonzero_coords_400 c=figure floatpage=400!}
```python {c=plotly}
from bakalarka import g
-fig = g.nonzero_coords(400, range(1, 101))
+fig = g.nonzero_coords(400)
```
Počet vektorů s danou souřadnicí větší než $0.05$ pro $n=400$.
:::
@@ -1060,7 +1060,7 @@ Počet vektorů s danou souřadnicí větší než $0.05$ pro $n=400$.
::: {#max_coords_200 c=figure floatpage=200}
```python {c=plotly}
from bakalarka import g
-fig = g.max_coords(200, range(1, 101))
+fig = g.max_coords(200)
```
Maximální hodnota v dané dimenzi pro $n=200$.
:::
@@ -1068,7 +1068,7 @@ Maximální hodnota v dané dimenzi pro $n=200$.
::: {#nonzero_coords_200 c=figure floatpage=200!}
```python {c=plotly}
from bakalarka import g
-fig = g.nonzero_coords(200, range(1, 101))
+fig = g.nonzero_coords(200)
```
Počet vektorů s danou souřadnicí větší než $0.05$ pro $n=200$.
:::
@@ -1076,7 +1076,7 @@ Počet vektorů s danou souřadnicí větší než $0.05$ pro $n=200$.
::: {#max_coords_100 c=figure floatpage=100}
```python {c=plotly}
from bakalarka import g
-fig = g.max_coords(100, range(1001, 1101))
+fig = g.max_coords(100)
```
Maximální hodnota v dané dimenzi pro $n=100$.
:::
@@ -1084,7 +1084,7 @@ Maximální hodnota v dané dimenzi pro $n=100$.
::: {#nonzero_coords_100 c=figure floatpage=100!}
```python {c=plotly}
from bakalarka import g
-fig = g.nonzero_coords(100, range(1001, 1101))
+fig = g.nonzero_coords(100)
```
Počet vektorů s danou souřadnicí větší než $0.05$ pro $n=100$.
:::
@@ -1092,7 +1092,7 @@ Počet vektorů s danou souřadnicí větší než $0.05$ pro $n=100$.
::: {#max_coords_50 c=figure floatpage=50}
```python {c=plotly}
from bakalarka import g
-fig = g.max_coords(50, range(2001, 2101))
+fig = g.max_coords(50)
```
Maximální hodnota v dané dimenzi pro $n=50$.
:::
@@ -1100,7 +1100,7 @@ Maximální hodnota v dané dimenzi pro $n=50$.
::: {#nonzero_coords_50 c=figure floatpage=50!}
```python {c=plotly}
from bakalarka import g
-fig = g.nonzero_coords(50, range(2001, 2101))
+fig = g.nonzero_coords(50)
```
Počet vektorů s danou souřadnicí větší než $0.05$ pro $n=50$.
:::
@@ -1232,19 +1232,19 @@ def gen_alg(pipeline_name, algo_name, name_suffix, floatpage, add_note=False):
pipeline = data.pipelines[pipeline_name]
by_n = data_lib.group_by_n(pipeline)
rows = []
- percentils = [10,50,90]
+ percentils = [5, 25, 50,75, 90]
print_errors = any(i.error or i.data.get("broken", False) for i in pipeline)
for n in sorted(by_n.keys()):
d = by_n[n]
scores = [ i.score/n for i in d]
scores.sort()
l = len(scores)
+ assert l == 1000
avg = sum(scores) / l
variance = sum((avg-i)**2 for i in scores)/(l-1)
errors = len([None for i in d if i.error or i.data.get("broken", False)])
rows.append(row(
n,
- l,
*([errors] if print_errors else []),
avg,
math.sqrt(variance),
@@ -1253,7 +1253,6 @@ def gen_alg(pipeline_name, algo_name, name_suffix, floatpage, add_note=False):
table = pf.Table(pf.TableBody(*rows), head=pf.TableHead(row(
[pf.Math("n", format='InlineMath')],
- "testů",
*(["chyb"] if print_errors else []),
[pf.Math("\\overline{\\delta_{\\algo{"+algo_name+"}}(n)}", format='InlineMath')],
[pf.Math("\\sqrt{\widehat{\\delta_{\\algo{"+algo_name+"}}(n)^2}}", format='InlineMath')],
@@ -1319,7 +1318,7 @@ fig.update_layout(
)
```
-Horní a dolní odhad na 100 náhodných instancí vygenerovaný sage $\algo{spd}$.
+Horní a dolní odhad na $1\,000$ náhodných instancí vygenerovaný sage $\algo{spd}$.
:::
Takto vygenerovaný dolní odhad nám bohužel nepřináší žádnou zajímavou informaci o chování na náhodném vstupu.
--
GitLab