code/python/src/algorithms/random_walk/algorithms.py

@@ -5,9 +5,8 @@
 # IMPORTS
 # ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
 
-from src.thirdparty.maths import *;
-from src.thirdparty.plots import *;
 from src.thirdparty.types import *;
+from src.thirdparty.maths import *;
 
 from models.generated.config import *;
 from models.generated.commands import *;
@@ -26,12 +25,6 @@ __all__ = [
     'metropolis_walk_algorithm',
 ];
 
-# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
-# CONSTANTS
-# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
-
-MAX_ITERATIONS = 1000; # um endlose Schleifen zu verhindern
-
 # ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
 # METHOD adaptive walk
 # ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
@@ -57,15 +50,13 @@ def adaptive_walk_algorithm(
     label = lambda x: landscape.label(*x);
 
     # initialisiere
-    steps = [];
     x = coords_init;
     fx = f(x);
     fy = fx;
     N = nbhd(x);
 
     # führe walk aus:
-    k = 0;
+    while True:
-    while k < MAX_ITERATIONS:
         # Wähle zufälligen Punkt und berechne fitness-Wert:
         y = uniform_random_choice(N);
         fy = f(y);
@@ -76,20 +67,14 @@ def adaptive_walk_algorithm(
             x = y;
             fx = fy;
             N = nbhd(x);
-            step = Step(coords=x, label=label(x), improved=True, changed=True);
         else:
-            # Nichts (außer logging) machen!
+            # Nichts machen!
-            step = Step(coords=x, label=label(x));
+            pass;
 
         # Nur dann (erfolgreich) abbrechen, wenn f-Wert lokal Min:
         if fx <= min([f(y) for y in N], default=fx):
-            step.stopped = True;
-            steps.append(step);
             break;
 
-        steps.append(step);
-        k += 1;
-
     return x;
 
 # ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
@@ -117,7 +102,6 @@ def gradient_walk_algorithm(
     label = lambda x: landscape.label(*x);
 
     # initialisiere
-    steps = [];
     x = coords_init;
     fx = landscape.fitness(*x);
     fy = fx;
@@ -127,8 +111,7 @@ def gradient_walk_algorithm(
     Z = [y for y, fy in zip(N, f_values) if fy == fmin];
 
     # führe walk aus:
-    k = 0;
+    while True:
-    while k < MAX_ITERATIONS:
         # Wähle zufälligen Punkt mit steilstem Abstieg und berechne fitness-Wert:
         y = uniform_random_choice(Z);
         fy = fmin;
@@ -142,20 +125,14 @@ def gradient_walk_algorithm(
             f_values = [f(y) for y in N];
             fmin = min(f_values);
             Z = [y for y, fy in zip(N, f_values) if fy == fmin];
-            step = Step(coords=x, label=label(x), improved=True, changed=True);
         else:
-            # Nichts (außer logging) machen!
+            # Nichts machen!
-            step = Step(coords=x, label=label(x));
+            pass;
 
         # Nur dann (erfolgreich) abbrechen, wenn f-Wert lokal Min:
         if fx <= min([f(y) for y in N], default=fx):
-            step.stopped = True;
-            steps.append(step);
             break;
 
-        steps.append(step);
-        k += 1;
-
     return x;
 
 # ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
@@ -184,64 +161,46 @@ def metropolis_walk_algorithm(
     nbhd = lambda x: landscape.neighbourhood(*x, r=r, strict=True);
     label = lambda x: landscape.label(*x);
 
-    # definiere anzahl der hinreichenden Schritt für Stabilität:
-    n_stable = 2*(3**(landscape.dim) - 1);
-
     # initialisiere
     x = coords_init;
     fx = f(x);
     fy = fx;
     nbhd_x = nbhd(x);
-    steps = [];
-    step = Step(coords=x, label=label(x));
 
     # führe walk aus:
     k = 0;
-    n_unchanged = 0;
+    while True:
-    while k < MAX_ITERATIONS:
         # Wähle zufälligen Punkt und berechne fitness-Wert:
         y = uniform_random_choice(nbhd_x);
+        r = uniform(0,1);
         fy = f(y);
-        p = math.exp(-abs(fy-fx)/T);
-        u = random_binary(p);
 
-        # Aktualisieren, wenn sich f-Wert verbessert
+        # Nur dann aktualisieren, wenn sich f-Wert verbessert:
-        # oder mit einer Wahrscheinlichkeit von p:
+        if fy < fx or r < math.exp(-(fy-fx)/T):
-        if fy < fx or u:
             # Punkt + Umgebung + f-Wert aktualisieren
             x = y;
             fx = fy;
             nbhd_x = nbhd(x);
-            n_unchanged = 0;
-            step = Step(coords=x, label=label(x), improved=(fy < fx), chance=u, probability=p, changed=True);
         else:
-            # Nichts (außer logging) machen!
+            # Nichts machen!
-            n_unchanged += 1;
+            pass;
-            step = Step(coords=x, label=label(x));
 
         # »Temperatur« ggf. abkühlen:
         if annealing:
             T = cool_temperature(T, k);
 
         # Nur dann (erfolgreich) abbrechen, wenn f-Wert lokal Min:
-        if n_unchanged >= n_stable:
+        if fx <= min([f(y) for y in nbhd_x], default=fx):
-            step.stopped = True;
-            steps.append(step);
             break;
 
-        steps.append(step);
         k += 1;
 
-    if verbose:
-        for step in steps:
-            print(step);
-
     return x;
 
 # ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
 # AUXILIARY METHODS
 # ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
 
-def cool_temperature(T: float, k: int, const: float = 2.) -> float:
+def cool_temperature(T: float, k: int, const: float = 1.) -> float:
     harm = const*(k + 1);
     return T/(1 + T/harm);

code/python/src/models/random_walk/__init__.py

@@ -6,7 +6,6 @@
 # ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
 
 from src.models.random_walk.landscape import *;
-from src.models.random_walk.logging import *;
 
 # ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
 # EXPORTS
@@ -14,5 +13,4 @@ from src.models.random_walk.logging import *;
 
 __all__ = [
     'Landscape',
-    'Step',
 ];

code/python/src/models/random_walk/landscape.py

@@ -58,23 +58,9 @@ class Landscape():
     def coords_middle(self) -> tuple:
         return tuple(math.floor(s/2) for s in self.shape);
 
-    @property
-    def values(self) -> np.ndarray:
-        return self._fct;
-
     def fitness(self, *x: int) -> float:
         return self._fct[x];
 
-    def axis_label(self, i: int, x: int) -> str:
-        if self._one_based:
-            x = x + 1;
-        name = self._labels[i];
-        return f'{name}{x}';
-
-    def axis_labels(self, i: int) -> str:
-        s = self.shape[i];
-        return [ self.axis_label(i, x) for x in range(s) ];
-
     def label(self, *x: int) -> str:
         if self._one_based:
             x = tuple(xx + 1 for xx in x);

code/python/src/models/random_walk/logging.py

@@ -1,32 +0,0 @@
-#!/usr/bin/env python3
-# -*- coding: utf-8 -*-
-
-# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
-# IMPORTS
-# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
-
-from src.thirdparty.types import *;
-
-# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
-# EXPORTS
-# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
-
-__all__ = [
-    'Step',
-];
-
-# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
-# CLASS Step
-# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
-
-@dataclass
-class Step():
-    coords: tuple = field();
-    label: str = field();
-
-    improved: bool = field(default=False);
-    chance: bool = field(default=False);
-    probability: float = field(default=0.);
-
-    changed: bool = field(default=False);
-    stopped: bool = field(default=False);

code/python/src/thirdparty/maths.py

@@ -8,8 +8,6 @@
 from fractions import Fraction;
 import math;
 import numpy as np;
-from numpy.random import binomial as random_binomial;
-random_binary = lambda p: (random_binomial(1, p) == 1);
 import pandas as pd;
 import random;
 from random import uniform;
@@ -24,8 +22,6 @@ __all__ = [
     'Fraction',
     'math',
     'np',
-    'random_binomial',
-    'random_binary',
     'pd',
     'random',
     'uniform',

code/python/src/thirdparty/plots.py

@@ -1,22 +0,0 @@
-#!/usr/bin/env python3
-# -*- coding: utf-8 -*-
-
-# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
-# IMPORTS
-# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
-
-from matplotlib import pyplot as mplt;
-from matplotlib import animation as mplt_animation;
-from matplotlib import colors as mplt_colours;
-from matplotlib import patches as mplt_patches;
-
-# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
-# EXPORTS
-# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
-
-__all__ = [
-    'mplt',
-    'mplt_colours',
-    'mplt_patches',
-    'mplt_animation',
-];