Grafik_Upgrade.md verlangt "37 didaktisch wertvolle Visualisierungen". Es sind
19: Die Abschnitte "Modul 1-4" wiederholen die Grafiken 1-18 unter den Nummern
19-36, nur Grafik 37 ist zusaetzlich. Belegt an den Skriptnamen - 38
Nennungen, 19 verschiedene Dateien, erzeuge_kombinatorik_wand.py steht dreimal
darin. Von den 19 betreffen neun bereits vorhandene Diagramme.
Umgesetzt sind die zehn wirklich neuen plus eine elfte, die aus einem
Sachfehler des Auftrags entstand: Grafik 14 sollte in Abschnitt 12.3 stehen,
nannte aber Zahlen aus Kapitel 17. Beide Stellen haben jetzt ihre eigene
Grafik mit ihren eigenen Zahlen.
Vier Vorgaben des Auftrags wurden bewusst nicht befolgt: PNG bei 300 dpi (das
Buch kennt nur SVG - die 33 verwaisten PNGs waren gerade erst geloescht
worden), Matplotlib-Standardfarben (die Buchpalette steht in 33 Diagrammen),
harte Kapitelnummern im Fliesstext ({ref:sec:...} stattdessen) und die
fehlende Byte-Reproduzierbarkeit.
Der eigentliche Ertrag waren die Selbsttests. Jeder Generator prueft seine
Zahlen gegen das, was im Kapitel steht, und bricht bei Abweichung ab. Vier
haben angeschlagen:
* Kombinatorik-Wand: 25! ergibt 491,5 Mio. Jahre, die Tabelle nennt 490 Mio. -
Rundung auf zwei signifikante Stellen, nicht Fehler des Buchs.
* Laufzeit-Diagramm: Die abgedruckte Prozentspalte laesst sich aus den
abgedruckten Zeiten nicht exakt nachrechnen (0,001/0,008 ergibt 12 %,
gedruckt sind 14 %) - die Zeiten sind gerundet, die Prozente nicht.
* Predict-then-Optimize: geratene Datenaufteilung ergab 197,35 statt 200,95
MSE. Mit TRAINING aus dem Buchprogramm stimmen alle vier Kostenwerte.
* Almgren-Chriss: ein echter Fehler im Buchprogramm.
DER FUND: analytische_loesung() minimiert die eigene Kostenfunktion nicht. Ihr
Pfad kostet 10.860,40 EUR, der DP-Pfad 10.266,24 EUR - ein Gitterverfahren
kann das kontinuierliche Optimum aber nicht unterbieten. periodenkosten()
rechnet das Risiko mit lambda/2, die geschlossene Formel setzt
kappa~^2 = lambda*sigma^2*P0^2/eta ohne dieses Halbe. Mit lambda/2 liefert die
Formel 10.264,85 EUR und denselben Pfad wie die DP, knapp UNTER der
Gitterloesung. Die Grafik zeigt bis zur Entscheidung darueber den DP-Pfad; er
ist der, den das Kapitel abdruckt.
Nachweise: Alle elf Diagramme sind ueber zwei Laeufe byte-identisch. Kein
vorhandenes Diagramm wurde veraendert. Die Lastabwurf-Grafik reproduziert die
Befundtabelle exakt (874.870/2.504.154/28 von 40 gegen 351.356/415.924/0).
Zwei Abbildungen landeten beim automatischen Einfuegen im Codeblock (ihre
Anker standen in abgedruckten Ausgaben) und wurden dahinter verschoben; eine
Pruefung ueber alle elf zeigt null Fehlplatzierungen.
Neu: bilder_04/stil_04.py buendelt Palette, rcParams und speichere().
networkx wurde entgegen der Planung nicht gebraucht - pyproject.toml bleibt
unveraendert. PDF von 781 auf 788 Seiten, 44 Diagramme, 27 Generatoren.
Veroeffentlicht: 25 Dateien.
Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>
121 lines
5.1 KiB
Python
121 lines
5.1 KiB
Python
#!/usr/bin/env python3
|
|
|
|
# erzeuge_big_m_vergleich.py
|
|
"""
|
|
Erzeugt das Big-M-Diagramm zum MILP-Kapitel:
|
|
|
|
bilder_04/kap_milp_big_m.svg
|
|
|
|
Zwei Bilder derselben Bedingung x <= M*y mit y in [0,1], einmal mit straffem
|
|
und einmal mit ueberdimensioniertem M. Gezeigt wird die LP-RELAXATION - also
|
|
das, was der Solver sieht, bevor er y auf 0 oder 1 zwingt.
|
|
|
|
Der Punkt: Beide Modelle sind fuer y in {0,1} GLEICHWERTIG. Sie beschreiben
|
|
denselben zulaessigen Bereich, sobald y ganzzahlig ist. Verschieden ist nur die
|
|
Relaxation - und die entscheidet, wie gut die Schranke ist und wie lange der
|
|
Solver sucht. Bei zu grossem M kommt der Trickle Flow dazu: Ein y knapp ueber
|
|
null gilt dem Solver als geschlossen und laesst trotzdem grossen Fluss durch.
|
|
|
|
Die Trickle-Flow-Zahlen in der Anmerkung stammen aus der Loesung im Anhang des
|
|
Buchs (M = 7,2e9, y = 4e-8, rund 289 Einheiten Fluss). Die beiden M-Werte der
|
|
Geometrie sind Anschauungswerte; das Skript rechnet aus, ab welchem y die
|
|
Relaxation die volle Kapazitaet freigibt, statt eine Zahl zu behaupten. Die
|
|
Flaeche des Relaxationsgebiets waere der falsche Massstab - sie ist wegen der
|
|
Kapazitaetsgrenze in beiden Faellen aehnlich gross.
|
|
|
|
Aufruf (aus dem Repository-Wurzelverzeichnis):
|
|
python3 bilder_04/erzeuge_big_m_vergleich.py
|
|
|
|
Benoetigt: numpy, matplotlib
|
|
"""
|
|
|
|
from __future__ import annotations
|
|
|
|
import os
|
|
import sys
|
|
|
|
import numpy as np
|
|
|
|
sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))
|
|
from stil_04 import FARBEN, speichere # noqa: E402
|
|
import matplotlib.pyplot as plt # noqa: E402
|
|
|
|
KAPAZITAET = 40.0 # der tatsaechlich moegliche Hoechstwert von x
|
|
M_STRAFF = 40.0 # so klein wie moeglich: M = Kapazitaet
|
|
M_GROSS = 500.0 # "sicherheitshalber gross" - der haeufige Fehler
|
|
|
|
# Aus der Loesung im Anhang: ein verschwindend kleines y laesst grossen Fluss
|
|
# durch, weil es mit einem riesigen M multipliziert wird.
|
|
TRICKLE_M = 7.2e9
|
|
TRICKLE_Y = 4e-8
|
|
|
|
|
|
def schwelle(m: float) -> float:
|
|
"""Kleinstes y, bei dem die Relaxation die volle Kapazitaet freigibt.
|
|
|
|
Das ist der aussagekraeftige Vergleich - nicht die Flaeche des
|
|
Relaxationsgebiets. Die ist wegen der Kapazitaetsgrenze in beiden Faellen
|
|
aehnlich gross; der Unterschied liegt darin, wie WENIG y genuegt, um alles
|
|
durchzulassen."""
|
|
return min(1.0, KAPAZITAET / m)
|
|
|
|
|
|
def zeichne(faktor: float) -> None:
|
|
figur, achsen = plt.subplots(1, 2, figsize=(9.2, 4.0), sharey=True)
|
|
y = np.linspace(0, 1, 300)
|
|
|
|
for achse, m, titel, farbe in (
|
|
(achsen[0], M_STRAFF, f"straff: $M = {M_STRAFF:.0f}$",
|
|
FARBEN["gut"]),
|
|
(achsen[1], M_GROSS, f"zu groß: $M = {M_GROSS:.0f}$",
|
|
FARBEN["fehler"])):
|
|
obergrenze = np.minimum(m * y, KAPAZITAET)
|
|
achse.fill_between(y, 0, obergrenze, color=farbe, alpha=0.16, zorder=2)
|
|
achse.plot(y, obergrenze, "-", color=farbe, linewidth=2.2, zorder=4,
|
|
label=r"$x \le M\,y$ und $x \le$ Kapazität")
|
|
achse.axhline(KAPAZITAET, color=FARBEN["linie"], linewidth=1.0,
|
|
linestyle="--", zorder=3)
|
|
achse.text(0.02, KAPAZITAET + 1.5, "Kapazität", fontsize=8.5,
|
|
color=FARBEN["gedaempft"])
|
|
|
|
# Die beiden Punkte, die das ganzzahlige Modell zulaesst.
|
|
achse.plot([0, 1], [0, KAPAZITAET], "o", color=FARBEN["haupt"],
|
|
markersize=8, zorder=5)
|
|
achse.annotate(r"$y=0$: zu", xy=(0, 0), xytext=(8, 10),
|
|
textcoords="offset points", fontsize=8.5,
|
|
color=FARBEN["haupt"])
|
|
achse.annotate(r"$y=1$: offen", xy=(1, KAPAZITAET), xytext=(-64, -18),
|
|
textcoords="offset points", fontsize=8.5,
|
|
color=FARBEN["haupt"])
|
|
|
|
achse.set_xlim(0, 1.02)
|
|
achse.set_ylim(0, KAPAZITAET * 1.25)
|
|
achse.set_xlabel(r"Schaltvariable $y \in [0,1]$ (relaxiert)")
|
|
achse.set_title(titel, fontsize=10.5, color=farbe)
|
|
|
|
achsen[0].set_ylabel(r"Menge $x$")
|
|
achsen[1].annotate(
|
|
f"Schon $y = {schwelle(M_GROSS):.2f}$ gibt die volle\n"
|
|
f"Kapazität frei — links braucht es dafür $y = 1$.\n"
|
|
f"Der Solver darf das Lager also fast\n"
|
|
f"geschlossen lassen und trotzdem alles liefern.",
|
|
xy=(0.16, KAPAZITAET * 0.42), fontsize=9, color=FARBEN["fehler"],
|
|
ha="left")
|
|
achsen[1].plot([schwelle(M_GROSS)], [KAPAZITAET], "o",
|
|
color=FARBEN["fehler"], markersize=8, zorder=6)
|
|
|
|
figur.suptitle("Dieselbe Bedingung, zwei Zahlen für $M$ — gleich für "
|
|
"$y \\in \\{0,1\\}$, verschieden für den Solver",
|
|
fontsize=10.5, color=FARBEN["text"], y=1.02)
|
|
speichere(figur, "kap_milp_big_m")
|
|
|
|
|
|
if __name__ == "__main__":
|
|
faktor = schwelle(M_STRAFF) / schwelle(M_GROSS)
|
|
print(f" volle Kapazität ab y = {schwelle(M_STRAFF):.3f} (M = "
|
|
f"{M_STRAFF:.0f})")
|
|
print(f" volle Kapazität ab y = {schwelle(M_GROSS):.3f} (M = "
|
|
f"{M_GROSS:.0f}) → {faktor:.0f}-mal weniger y genügt")
|
|
print(f" Trickle Flow im Anhang: y = {TRICKLE_Y:g} gilt als 0, "
|
|
f"laesst aber M*y = {TRICKLE_M * TRICKLE_Y:.0f} Einheiten durch.")
|
|
zeichne(faktor)
|