-
Notifications
You must be signed in to change notification settings - Fork 0
/
Tests.py
284 lines (184 loc) · 10.7 KB
/
Tests.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
################################ TESTS ########################################
from math import ceil, sqrt
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import pickle
import os
import time
from Graphe import *
from MethodesApprochees import *
from SeparationEvaluation import *
def dessinerGraphe(tailles, temps, x_label = 'x', y_label='y', title='x en fonction de y', log=False, labels=["Glouton", "Couplage"], nom_fichier='Graphe') :
if isinstance(temps, np.ndarray):
for i in range(len(temps)):
plt.plot(tailles, temps[i], label = labels[i])
plt.xlabel(x_label)
plt.ylabel(y_label)
plt.legend()
else:
plt.plot(tailles, temps, label =labels)
plt.xlabel(x_label)
plt.ylabel(y_label)
plt.legend()
plt.title(title)
# vérifier si le dossier "plots" existe, sinon le créer
if not os.path.exists("plots"):
os.makedirs("plots")
# enregistrer le graphe
chemin= 'plots/'
plt.savefig(chemin + nom_fichier + '.png')
plt.show()
def dessinerGraphe3D(n_values, p_values, fonction, evaluation='T'):
"""
evaluation est le paramètre qui definit si on veut dessiner un graphe 3d pour évaluer
le temps 'T' ou la qualité 'Q' de la solution de l'algorithme donné en entrée
"""
# créer des grilles 2D pour n et p
n, p = np.meshgrid(n_values, p_values)
# créer un tableau pour stocker les temps d'exécution (resp. taille couplage)
resutat_evaluation = np.zeros_like(n, dtype=float)
# executer l'algorithme pour différentes combinaisons de n et p
for n_i in range(len(n_values)):
for p_j in range(len(p_values)):
nbGraphesGeneres=5
if(evaluation=='T'): #evaluer par rapport au temps
times = np.zeros((nbGraphesGeneres)) #times va contenir les temps de chaque iteration
for r in range(nbGraphesGeneres): #Calcule le temps d'execution de la fonction sur plusieurs graphes de meme taille
G = genererGraphe(int(n_values[n_i]), p_values[p_j]) #Generer un graphe de taille n=n_values[n_i] et avec une probabilite p=p_values[p_j]
start = time.time() #calculer le temps d'execution pour l'instance donnee
c = fonction(G)
end = time.time()
times[r] = (end-start)
temps_moyen=np.mean(list(times)) #calculer la moyenne des temps d'execution pour les graphes de taille j et l'ajouter au vecteur des moyennes
resutat_evaluation[p_j][n_i] = float(temps_moyen)
elif (evaluation=='Q'): #evaluer par rapport à la qualité de la solution (taille couplage)
tailleCouverture = np.zeros((nbGraphesGeneres)) #va contenir les tailles de couverture retournées à chaque iteration
for r in range(nbGraphesGeneres): #Calcule le temps d'execution de la fonction sur plusieurs graphes de meme taille
G = genererGraphe(int(n_values[n_i]), p_values[p_j]) #Generer un graphe de taille n=n_values[n_i] et avec une probabilite p=p_values[p_j]
tailleCouverture[r] = len(fonction(G)) #Calculer la taille d la solution retournée par la fonction
tailleCouv_moyenne=np.mean(list(tailleCouverture)) #calculer la moyenne des temps d'execution pour les graphes de taille j et l'ajouter au vecteur des moyennes
resutat_evaluation[p_j][n_i] = float(tailleCouv_moyenne)
#creer le graphique 3D
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
#afficher la surface 3D
ax.plot_surface(n, p, resutat_evaluation)
# Ajoutez des étiquettes aux axes
ax.set_xlabel('n')
ax.set_ylabel('p')
# vérifier si le dossier "plots" existe, sinon le créer
if not os.path.exists("plots"):
os.makedirs("plots")
# enregistrer le graphe
chemin= 'plots/'
if(evaluation=='T'):
ax.set_zlabel('Temps d\'exécution (s)')
if(fonction==algo_couplage):
nom_fichier="3D_temps_couplage"
plt.title('Evolution du temps d\'exécution de Couplage en fonction de n et p')
elif(fonction==algo_glouton):
nom_fichier="3D_temps_glouton"
plt.title('Evolution du temps d\'exécution de Glouton en fonction de n et p')
elif (evaluation=='Q') :
ax.set_zlabel('Taille couverture')
if(fonction==algo_couplage):
nom_fichier="3D_qualite_couplage"
plt.title('Taille de la couverture de Couplage en fonction de n et p')
elif(fonction==algo_glouton):
nom_fichier="3D_qualite_glouton"
plt.title('Taille de la couverture de Glouton en fonction de n et p')
plt.savefig(chemin + nom_fichier + '.png')
plt.show()
def calculerTemps(fonction, tailles, p, n):#, p
times = np.zeros((n)) #times va contenir les temps de chaque iteration
means = [] #va contenir les moyennes des temps pour des instances de tailles allant de 2 a m
for j in tailles:
for i in range(n): #Calcule le temps d'execution de la fonction sur plusieurs graphes de meme taille
if p == -1:
p=1/sqrt(j)
G = genererGraphe(j, p) #Generer un graphe de taille j et avec une probabilite p
start = time.time() #calculer le temps d'execution pour l'instance donnee
c = fonction(G)
end = time.time()
times[i] = end-start
means.append(np.mean(list(times))) #calculer la moyenne des temps d'execution pour les graphes de taille j et l'ajouter au vecteur des moyennes
return means
def calculerTailleCouverture(fonction, tailles, p, n):#, p
tailleCouverture = np.zeros((n)) #va contenir les tailles de couverture retournées à chaque iteration
means = [] #va contenir les moyennes des temps pour des instances de tailles allant de 2 a m
for j in tailles:
for i in range(n): #Calcule le temps d'execution de la fonction sur plusieurs graphes de meme taille
if p == -1:
p=1/sqrt(j)
G = genererGraphe(j, p) #Generer un graphe de taille j et avec une probabilite p
tailleCouverture[i] = len(fonction(G)) #Calculer la taille d la solution retournée par la fonction
means.append(np.mean(list(tailleCouverture))) #calculer la moyenne des tailles de couverture pour les graphes de taille j et l'ajouter au vecteur des moyennes
return means
def calculerNbNoeuds(fonction, tailles, p, n):#, p
nbNoeuds = np.zeros((n)) #va contenir le nombre de noeuds générés à chaque iteration
means = [] #va contenir les moyennes des temps pour des instances de tailles allant de 2 a m
for j in tailles:
for i in range(n): #Calcule le temps d'execution de la fonction sur plusieurs graphes de meme taille
if p == -1:
p=1/sqrt(j)
G = genererGraphe(j, p) #Generer un graphe de taille j et avec une probabilite p
c, nbNoeuds[i] = fonction(G, True) #enregistrer le nombre de noeuds retournée par la fonction
means.append(np.mean(list(nbNoeuds))) #calculer la moyenne du nombre de noeuds pour les graphes de taille j et l'ajouter au vecteur des moyennes
return means
def calculerComplexiteExpo(tailles, temps):
#x_log = np.log(np.array([float(t) for t in tailles]))
x = np.array([float(t) for t in tailles])
y= np.log(temps)#[0]
# Approximation par une droite
coeffs = np.polyfit(x, y, 1)
a, b = coeffs
y_pred = a*x + b
# Tracé de la courbe originale et de la droite d'approximation
plt.plot(x, y, label='Courbe originale')
plt.plot(x, y_pred, label='Droite d\'approximation')
plt.legend()
plt.show()
print(f"complexite en O({(np.round(np.exp(a),2))}**x)")
def calculerComplexitePoly(tailles, temps):
#x_log = np.log(np.array([float(t) for t in tailles]))
x = np.log(np.array([float(t) for t in tailles]))
y= np.log(temps)#[0]
# Approximation par une droite
coeffs = np.polyfit(x, y, 1)
a, b = coeffs
y_pred = a*x + b
# Tracé de la courbe originale et de la droite d'approximation
plt.plot(x, y, label='Courbe originale')
plt.plot(x, y_pred, label='Droite d\'approximation')
plt.legend()
plt.show()
print(f"complexite en O(n**{np.round(a,2)}))")
def sauvegarderDonnes(nom_fichier, x, y):
# vérifier si le dossier "data" existe, sinon le créer
if not os.path.exists("data"):
os.makedirs("data")
#enregistrer les données dans un fichier pickel
chemin_data= 'data/'
name=chemin_data + nom_fichier
with open(name+'.pickle', 'wb') as fichier_pickle:
pickle.dump({'x': x, 'y': y}, fichier_pickle)
def lireDonnes(name):
with open(name+'.pickle', 'rb') as fichier_pickle:
return (pickle.load(fichier_pickle))
def calculerRapportApproximation(fonction, tailles, p, n):#, p
tailleCouverture_Approchee = np.zeros((n)) #va contenir les tailles de couverture retournées par les algos approchés (couplage et glouton) à chaque iteration
tailleCouverture_Exacte = np.zeros((n)) #va contenir les tailles de couverture retournées par un algorithme exacte (branchement_ameliore_maxDeg) à chaque iteration
rapports_moyens = [] #va contenir les moyennes des rapport d'approximation
for j in tailles:
for i in range(n): #Calcule le temps d'execution de la fonction sur plusieurs graphes de meme taille
if p == -1:
p=1/sqrt(j)
G = genererGraphe(j, p) #Generer un graphe de taille j et avec une probabilite p
sommets=frozenset(G[1])
G_ = G.copy()
tailleCouverture_Approchee[i] = len(fonction(G)) #Calculer la taille de la solution retournée par la fonction
G_[1]=sommets
tailleCouverture_Exacte[i] = len(branchement_ameliore_maxDeg(G_))
rapports_moyens.append(np.mean(list(tailleCouverture_Approchee))/np.mean(list(tailleCouverture_Exacte))) #calculer la moyenne des tailles de couverture pour les graphes de taille j et l'ajouter au vecteur des moyennes
return rapports_moyens