mirror of
https://github.com/kuhyx/WUT_Computer_Science.git
synced 2026-11-10 19:07:11 +01:00
Krzysztof kuhy Rudnicki
ffa5dad02a
The 250-line cap applies to prose too, and the reports were the worst
offenders -- ENUME's projectA.tex alone was 1,876 lines. Each is now a
preamble plus one \input{} per section, which is how a long LaTeX document is
normally organised; not one byte of prose was rewritten.
"The PDF is unchanged" is checked by a script rather than by eye, because
hashing the PDF cannot work: pdflatex stamps a /CreationDate and an /ID into
every build, so two runs of the SAME source already differ. tex_fingerprint.sh
compares what a reader sees instead -- page count plus a hash of the extracted
text -- and it is stable across rebuilds of untouched sources, which is the
property that makes it usable as a gate.
It earned its keep immediately. Both ECOTE reports quote an example LaTeX
document inside an lstlisting block, so \end{document} appears in the middle
of the file; splitting on the FIRST one stranded everything after it. Same
page count, different text, caught automatically. EOPSY lab3 exposed a second
bug: a \section{} title that runs onto the next line.
Result: 19 .tex over the cap -> 1. The survivor,
ELAC/.../03-building-nfa-...tex, is 418 lines of consecutive tikz figures
with no subsection to split on and needs a hand-placed boundary.
Verified: 29 splits across two passes (section, then subsection for the
pieces still over), every one reporting `unchanged` from
scripts/tex_fingerprint.sh --check.
Co-Authored-By: Claude Opus 5 (1M context) <noreply@anthropic.com>
Claude-Session: https://claude.ai/code/session_0172dj34FDpao6wsix8ZuCzE
79 lines
2.7 KiB
TeX
79 lines
2.7 KiB
TeX
\section{Rozwiązanie efektywne}
|
|
Aby zdefiniować rozwiązanie efektywne sprawdzamy sumaryczy obu funkcji celu dla wartości $\alpha$ i $beta$ od 1 do 10 \\
|
|
w tym celu napisany został kod który modyfikuje wartości $\alpha$ i $\beta$ w pętli
|
|
|
|
\begin{lstlisting}[language=Python, caption={Wyznaczanie alpha i beta}]
|
|
koszt_wyniki = []
|
|
zadowolenie_wyniki = []
|
|
wyniki_funkcji = []
|
|
maksymalny_wynik = 0;
|
|
for alpha in range(0, 11):
|
|
beta = 10 - alpha + sys.float_info.epsilon
|
|
alpha /= 10.0
|
|
beta /= 10.0
|
|
# Update objective function
|
|
model.objective = alpha * koszt_dystrybucji
|
|
- beta * suma_satysfakcji
|
|
|
|
# Solve the model
|
|
model.solve()
|
|
print(alpha)
|
|
|
|
# Record the wyniki
|
|
calkowity_koszt = pulp.value(koszt_dystrybucji)
|
|
calkowite_zadowolenie = pulp.value(suma_satysfakcji)
|
|
wynik_funkcji = pulp.value(alpha * koszt_dystrybucji
|
|
- beta * suma_satysfakcji)
|
|
koszt_wyniki.append(calkowity_koszt)
|
|
zadowolenie_wyniki.append(calkowite_zadowolenie)
|
|
if wynik_funkcji > maksymalny_wynik:
|
|
maksymalny_wynik = wynik_funkcji
|
|
wyniki_funkcji.append(wynik_funkcji)
|
|
|
|
print("maksymalny_wynik", maksymalny_wynik, wyniki_funkcji)
|
|
|
|
\end{lstlisting}
|
|
Najwyższy wynik zostął uzyskany dla $\alpha = 10$ i $\beta = 0$ i wynosił on \textbf{156.5}
|
|
|
|
\paragraph{Symulacja procesu podejmowania decyzji}
|
|
Przeprowadzone zostały symulacje dla 5 sytuacji:
|
|
\begin{enumerate}
|
|
\item Tylko minimalizacja kosztów $\alpha = 1.0$ $\beta = 0.0$
|
|
\item Priorytet na minimalizacji kosztów $\alpha = 0.8$ $\beta = 0.2$
|
|
\item Równy podział $\alpha = 0.5$ $\beta = 0.5$
|
|
\item Priorytet na satysfakcji klientów $\alpha = 0.2$ $\beta = 0.8$
|
|
\item Tylko satysfakcja klientów $\alpha = 0.0$ $\beta = 1.0$
|
|
\end{enumerate}
|
|
|
|
Ponownie w celu przeprowadzenia symulacji napisano kod w pythonie
|
|
\begin{lstlisting}[language=Python]
|
|
# Pseudo-code, assuming model setup as previously discussed
|
|
scemariusze = [
|
|
(1.0, sys.float_info.epsilon),
|
|
(0.8, 0.2),
|
|
(0.5, 0.5),
|
|
(0.2, 0.8),
|
|
(sys.float_info.epsilon, 1.0)]
|
|
wyniki = []
|
|
|
|
for alpha, beta in scemariusze:
|
|
model.objective = alpha * koszt_dystrybucji
|
|
- beta * suma_satysfakcji
|
|
|
|
model.solve()
|
|
|
|
calkowity_koszt = pulp.value(koszt_dystrybucji)
|
|
calkowite_zadowolenie = pulp.value(suma_satysfakcji)
|
|
wyniki.append(
|
|
(alpha, beta, calkowity_koszt, calkowite_zadowolenie)
|
|
)
|
|
|
|
for idx, (alpha, beta, koszt, zadowolenie) in enumerate(wyniki):
|
|
print(f"Krok {idx+1}:")
|
|
print(f" koszt: {alpha}, zadowolenie: {beta}")
|
|
print(f"
|
|
Calkowity koszt: {koszt},
|
|
zadowolenie klienta: {zadowolenie}\n")
|
|
\end{lstlisting}
|
|
|