b7af2f1d9a
Erster Commit des Strangs "Optimierte Entscheidungsfindung mit Python" (Version 04). Die Historie der 71 Commits bis zur Trennung bleibt im uebergeordneten Repository OR_mit_Python liegen, das ab jetzt nur noch Version_03 (eingefroren) verwaltet und Version_04/ ignoriert. Bewusst kein "git subtree split": Der Pfad Version_04/ existiert erst seit der Verzeichnistrennung, ein Split braechte daher nur 7 der 41 einschlaegigen Commits - eine Teilhistorie, die vollstaendig aussieht und es nicht ist. Stand: 5 Teile, 23 Kapitel, 5 Anhaenge, 292 Abschnitte, 703 Querverweise, 325 Indexmarken, 73 Beispielprogramme, 32 SVGs, 4 Plotly-Figuren, 25 Notebooks, PDF mit 715 Seiten. Zusaetzlich in diesem Commit: * pyproject.toml mit Abhaengigkeitsgruppen finance, large-scale, api, figures, dev, empfehlungen. Die abgedruckte requirements.txt bleibt unveraendert daneben bestehen. ortools steht in der Grundausstattung, highspy erst in [large-scale] - so kann der HiGHS-Symbolkonflikt bei der schlanken Installation gar nicht erst auftreten. * Dabei zwei Funde: graphviz wird von erzeuge_architektur_diagramme.py importiert, fehlt aber in requirements.txt (jetzt in [figures]); pymoo steht in requirements.txt, wird aber von keinem Programm importiert, sondern nur im Kapitel Metaheuristiken empfohlen (jetzt in [empfehlungen]). * NEUER_TITEL.md nach Kritik_und_Verbesserungsvorschlaege/ verschoben - es ist die Vorlage des Titelblatts, kein Bestandteil des Werks. Die beiden Fundstellen in PROGRESS.md und erzeuge_titelseite.py nachgezogen. * PROGRESS.md nannte noch den Untertitel der ersten Fassung; auf den tatsaechlichen aus erzeuge_titelseite.py korrigiert. Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
91 lines
3.2 KiB
Python
91 lines
3.2 KiB
Python
#!/usr/bin/env python3
|
|
|
|
# Runden_Gegenbeispiel.py
|
|
"""
|
|
Kapitel MILP: Wie schlecht ist Runden wirklich?
|
|
|
|
Ersetzt die unbelegte Behauptung "20-50 % Verlust" durch eine Messung ueber
|
|
viele Zufallsinstanzen.
|
|
"""
|
|
|
|
import numpy as np
|
|
from scipy.optimize import linprog
|
|
|
|
|
|
def erzeuge_instanz(n, m, rng):
|
|
"""Zufaelliges Rucksack-aehnliches MILP mit kleinen Zahlen."""
|
|
c = rng.integers(3, 20, size=n).astype(float) # Ertraege
|
|
A = rng.integers(1, 9, size=(m, n)).astype(float) # Verbraeuche
|
|
b = (A.sum(axis=1) * rng.uniform(0.25, 0.45)).round() # knappe Kapazitaeten
|
|
return c, A, b
|
|
|
|
|
|
def loese_lp(c, A, b, ganzzahlig=False):
|
|
"""LP-Relaxation oder exaktes MILP ueber HiGHS."""
|
|
n = len(c)
|
|
ergebnis = linprog(
|
|
c=-c, A_ub=A, b_ub=b, bounds=[(0, None)] * n,
|
|
integrality=np.ones(n) if ganzzahlig else None,
|
|
method="highs")
|
|
return (-ergebnis.fun, ergebnis.x) if ergebnis.success else (None, None)
|
|
|
|
|
|
def abrunden_und_reparieren(x_lp, c, A, b):
|
|
"""Naive Strategie: abrunden, dann gierig auffuellen, solange zulaessig."""
|
|
x = np.floor(x_lp + 1e-9)
|
|
verbessert = True
|
|
while verbessert: # gierig auffuellen
|
|
verbessert = False
|
|
for j in np.argsort(-c): # bester Ertrag zuerst
|
|
kandidat = x.copy()
|
|
kandidat[j] += 1
|
|
if np.all(A @ kandidat <= b + 1e-9):
|
|
x = kandidat
|
|
verbessert = True
|
|
break
|
|
return c @ x, x
|
|
|
|
|
|
if __name__ == "__main__":
|
|
rng = np.random.default_rng(2026)
|
|
print("=" * 82)
|
|
print(" WIE TEUER IST RUNDEN? (200 Zufallsinstanzen je Groesse)")
|
|
print("=" * 82)
|
|
print(f"{'n x m':>8} | {'Aufrunden unzul.':>17} | {'Abrunden: mittl.':>17} | "
|
|
f"{'schlimmster':>12} | {'gierig':>8}")
|
|
print(f"{'':>8} | {'':>17} | {'Verlust':>17} | {'Fall':>12} | {'Verlust':>8}")
|
|
print("-" * 82)
|
|
|
|
for n, m in [(5, 2), (10, 3), (20, 5), (40, 8)]:
|
|
unzulaessig = 0
|
|
verluste_ab, verluste_gierig = [], []
|
|
|
|
for _ in range(200):
|
|
c, A, b = erzeuge_instanz(n, m, rng)
|
|
z_lp, x_lp = loese_lp(c, A, b, ganzzahlig=False)
|
|
z_ip, _ = loese_lp(c, A, b, ganzzahlig=True)
|
|
if z_lp is None or z_ip is None or z_ip <= 0:
|
|
continue
|
|
|
|
# Variante 1: aufrunden
|
|
x_auf = np.ceil(x_lp - 1e-9)
|
|
if np.any(A @ x_auf > b + 1e-9):
|
|
unzulaessig += 1
|
|
|
|
# Variante 2: abrunden
|
|
x_ab = np.floor(x_lp + 1e-9)
|
|
verluste_ab.append(1.0 - (c @ x_ab) / z_ip)
|
|
|
|
# Variante 3: abrunden + gierig auffuellen
|
|
z_gierig, _ = abrunden_und_reparieren(x_lp, c, A, b)
|
|
verluste_gierig.append(1.0 - z_gierig / z_ip)
|
|
|
|
print(f"{n:>3} x {m:<3} | {unzulaessig/2:>15.1f} % | "
|
|
f"{np.mean(verluste_ab)*100:>15.1f} % | "
|
|
f"{np.max(verluste_ab)*100:>10.1f} % | "
|
|
f"{np.mean(verluste_gierig)*100:>6.1f} %")
|
|
|
|
print("-" * 82)
|
|
print("Lesart: 'Aufrunden unzul.' = Anteil der Faelle, in denen die aufgerundete")
|
|
print("Loesung eine Nebenbedingung verletzt. 'Verlust' = Abstand zum exakten Optimum.")
|
|
print("=" * 82)
|