stats for simulated annealing

tests/102_analyse_simulated_annealing_no_random_temperatures_variations.py

@@ -0,0 +1,118 @@
+import matplotlib.pyplot as plt
+from libs.clustering import split_tour_across_clusters
+from libs.simulated_annealing import SimulatedAnnealing, total_distance
+import numpy as np
+
+cities = [[6734, 1453], [2233, 10], [5530, 1424], [401, 841], [3082, 1644], [7608, 4458], [7573, 3716], [7265, 1268], [6898, 1885], [1112, 2049], [5468, 2606], [5989, 2873], [4706, 2674], [4612, 2035], [6347, 2683], [6107, 669], [7611, 5184], [7462, 3590], [7732, 4723], [5900, 3561], [4483, 3369], [6101, 1110], [5199, 2182], [1633, 2809], [4307, 2322], [675, 1006], [7555, 4819], [7541, 3981], [3177, 756], [7352, 4506], [7545, 2801], [3245, 3305], [6426, 3173], [4608, 1198], [23, 2216], [7248, 3779], [7762, 4595], [7392, 2244], [3484, 2829], [6271, 2135], [4985, 140], [1916, 1569], [7280, 4899], [7509, 3239], [10, 2676], [6807, 2993], [5185, 3258], [3023, 1942]]
+optimal =  33523
+
+colors = [
+    '#1f77b4',  # Bleu moyen
+    '#ff7f0e',  # Orange
+    '#2ca02c',  # Vert
+    '#d62728',  # Rouge
+    '#9467bd',  # Violet
+    '#8c564b',  # Marron
+    '#e377c2',  # Rose
+    '#7f7f7f',  # Gris
+    '#bcbd22',  # Vert olive
+    '#17becf',  # Turquoise
+    '#1b9e77',  # Vert Teal
+    '#d95f02',  # Orange foncé
+    '#7570b3',  # Violet moyen
+    '#e7298a',  # Fuchsia
+    '#66a61e',  # Vert pomme
+    '#e6ab02',  # Jaune or
+    '#a6761d',  # Bronze
+    '#666666',  # Gris foncé
+    '#f781bf',  # Rose clair
+    '#999999',  # Gris moyen
+]
+
+nb_ville = 100
+max_coords = 1000
+nb_truck = 1
+temperatures = [1000, 10000, 100000,]
+cooling_rate = 0.999
+temperature_ok = 0.001
+iterations = 1
+
+clusters = split_tour_across_clusters(cities, nb_truck)
+
+for cluster in clusters.values():
+    print(len(cluster))
+
+# create new figure for annealing paths
+colors = [
+    '#1f77b4',  # Bleu moyen
+    '#ff7f0e',  # Orange
+    '#2ca02c',  # Vert
+    '#d62728',  # Rouge
+    '#9467bd',  # Violet
+    '#8c564b',  # Marron
+    '#e377c2',  # Rose
+    '#7f7f7f',  # Gris
+    '#bcbd22',  # Vert olive
+    '#17becf',  # Turquoise
+    '#1b9e77',  # Vert Teal
+    '#d95f02',  # Orange foncé
+    '#7570b3',  # Violet moyen
+    '#e7298a',  # Fuchsia
+    '#66a61e',  # Vert pomme
+    '#e6ab02',  # Jaune or
+    '#a6761d',  # Bronze
+    '#666666',  # Gris foncé
+    '#f781bf',  # Rose clair
+    '#999999',  # Gris moyen
+]
+
+best_routes = []
+
+average_distances = []
+
+# Pour chaque température
+for temperature in temperatures:
+
+    # Créez une liste pour stocker les distances pour chaque itération
+    distances = []
+
+    # Effectuez un certain nombre d'itérations
+    for _ in range(iterations):
+
+        best_routes = []
+
+        for i, cluster_indices in enumerate(clusters.values()):
+            # Récupération des coordonnées de la ville
+            cluster_cities = [cities[index] for index in cluster_indices]
+
+            # Appel de la fonction simulated_annealing
+            simulated_annealing = SimulatedAnnealing(cluster_cities, temperature=temperature, cooling_rate=cooling_rate, temperature_ok=temperature_ok)
+            best_route = simulated_annealing.run()
+            best_routes.append((best_route, colors[i % len(colors)]))
+
+        # Calculez la distance totale pour toutes les routes obtenues lors de cette itération
+        total_distance_for_iteration = sum([total_distance(route) for route, color in best_routes])
+
+        # Ajoutez cette distance à la liste des distances
+        distances.append(total_distance_for_iteration)
+
+    # Calculez la moyenne des distances et ajoutez-la à la liste des moyennes des distances
+    average_distances.append(np.mean(distances))
+
+# Créez un nouvel histogramme pour afficher les moyennes des distances
+plt.figure()
+
+# Affichez un bar pour chaque température, avec la couleur correspondante et la moyenne des distances comme hauteur
+for i in range(len(temperatures)):
+    plt.bar(str(temperatures[i]), average_distances[i], color=colors[i % len(colors)])
+
+# Ajoutez des étiquettes à chaque barre avec la moyenne des distances
+for i in range(len(temperatures)):
+    plt.text(i, average_distances[i], round(average_distances[i], 2), ha = 'center')
+
+# Définir les étiquettes des axes
+plt.xlabel('Température initiale')
+plt.ylabel('Moyenne des distances sur {} itérations'.format(iterations))
+
+# Afficher l'histogramme
+plt.show()