lab2/HookJeeves.py

@@ -1,11 +1,21 @@
 import numpy as np
 
+result_log = ""
+
+
+def log(*values, sep=" ", end="\n"):
+    global result_log
+    result_log += sep.join(list(map(str, values))) + end
+    print(*values, sep=sep, end=end)
+
 
 def point_info(x, f):
     return f"x = {x}, f(x) = {f(x)}"
 
 
-def hooke_jeeves(f, x0, delta0, epsilon, alpha, r=lambda x: True):
+def hooke_jeeves(
+    f, x0, delta0, epsilon, alpha, r=lambda x: True, fit=lambda a, b: a < b
+):
     x = np.array(x0)
     delta = np.array(delta0)
 
@@ -14,42 +24,42 @@ def hooke_jeeves(f, x0, delta0, epsilon, alpha, r=lambda x: True):
     while np.linalg.norm(delta) > epsilon:
         iteration += 1
 
-        print()
+        log()
-        print("=" * 40)
+        log("=" * 40)
-        print("Итерация", iteration)
+        log("Итерация", iteration)
 
-        print("Текущая базовая точка", point_info(x, f))
+        log("Текущая базовая точка", point_info(x, f))
 
-        sample_x = exploratory_search(f, x, delta, r=r)
+        sample_x = exploratory_search(f, x, delta, r=r, fit=fit)
 
-        if f(sample_x) < f(x):
+        if fit(f(sample_x), f(x)):
-            print("Исследующий поиск УДАЧНЫЙ")
+            log("Исследующий поиск УДАЧНЫЙ")
 
-            x_p = sample_search(f, x, sample_x, r=r)
+            x_p = sample_search(f, x, sample_x, r=r, fit=fit)
 
-            if f(x_p) < f(x):
+            if fit(f(x_p), f(x)):
-                print("Поиск по образцу УДАЧНЫЙ")
+                log("Поиск по образцу УДАЧНЫЙ")
                 x = x_p
             else:
-                print("Поиск по образцу ПРОВАЛЕН")
+                log("Поиск по образцу ПРОВАЛЕН")
                 x = sample_x
 
-            print()
+            log()
-            print("Новая базовая точка", point_info(x, f))
+            log("Новая базовая точка", point_info(x, f))
 
         else:
-            print("Исследующий поиск ПРОВАЛЕН")
+            log("Исследующий поиск ПРОВАЛЕН")
 
-            print("Уменьшаем шаг", delta, "->", delta / alpha)
+            log("Уменьшаем шаг", delta, "->", delta / alpha)
             delta = delta / alpha
-            print("ε =", np.linalg.norm(delta))
+            log("ε =", np.linalg.norm(delta))
 
     return x, f(x)
 
 
-def exploratory_search(f, x, delta, r=lambda x: True):
+def exploratory_search(f, x, delta, r=lambda x: True, fit=lambda a, b: a < b):
-    print()
+    log()
-    print("Выполняем исследующий поиск")
+    log("Выполняем исследующий поиск")
 
     x_new = np.array(x)
     f_x_new = f(x_new)
@@ -65,44 +75,67 @@ def exploratory_search(f, x, delta, r=lambda x: True):
         f_x_down = f(x_down)
 
         if not r(x_up) or not r(x_down):
-            print("Ограничение ОДЗ")
+            log("Ограничение ОДЗ")
 
-        if f_x_up < f_x_new and f_x_up < f_x_down and r(x_up):
+        if fit(f_x_up, f_x_new) and fit(f_x_up, f_x_down) and r(x_up):
             x_new = x_up
             f_x_new = f_x_up
-        elif f_x_down < f_x_new and r(x_down):
+        elif fit(f_x_down, f_x_new) and r(x_down):
             x_new = x_down
             f_x_new = f_x_down
 
     if any([x_new[i] != x[i] for i in range(len(x))]):
-        print("Найдена точка", x_new, f(x_new))
+        log("Найдена точка", x_new, f(x_new))
     return x_new
 
 
-def sample_search(f, x1, x2, r=lambda x: True):
+def sample_search(f, x1, x2, r=lambda x: True, fit=lambda a, b: a < b):
-    print()
+    log()
-    print("Выполняем поиск по образцу")
+    log("Выполняем поиск по образцу")
-    while f(x2) < f(x1):
+    while fit(f(x2), f(x1)):
         if not r(x2 + (x2 - x1)):
-            print("Ограничение ОДЗ")
+            log("Ограничение ОДЗ")
             break
         x2, x1 = x2 + (x2 - x1), x2
-    print("Найдена точка", x2, f(x2))
+    log("Найдена точка", x2, f(x2))
     return x2
 
 
 def example():
+    # начальная базовая точка
     x0 = [100, 100]
+
+    # начальное значение приращения
     delta0 = [10, 10]
+
+    # коэффициент приращения
     alpha = 2
+
+    # условие окончания поиска
     epsilon = 1e-4
 
+    # коэффициенты при неизвестных (порядок обратный)
     c = [[1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1]]
 
+    def fit(a, b):
+        """
+        Функция сравнения значений оптимизируемой функции
+        > - ищем максимум
+        < - ищем минимум
+        """
+        return a > b
+
     def r(x):
+        """
+        Функция, описывающая область допустимых значений.
+        Должна возвращать истину, если точка находится в ОДЗ.
+        """
         return -10000 < x[0] < 10000 and -10000 < x[1] < 10000
 
     def f(x):
+        """
+        Функция, которую мы должны оптимизировать
+        """
         return sum(
             [
                 sum([c[i][j] * x[i] ** j for j in range(len(c[i]))])
@@ -110,7 +143,7 @@ def example():
             ]
         )
 
-    x, val = hooke_jeeves(f, x0, delta0, epsilon, alpha, r=r)
+    x, val = hooke_jeeves(f, x0, delta0, epsilon, alpha, r=r, fit=fit)
     return x, val
 
 
@@ -118,7 +151,10 @@ if __name__ == "__main__":
 
     x, val = example()
 
-    print()
+    log()
-    print("=" * 40)
+    log("=" * 40)
-    print("Точка экстремумв:", x)
+    log("Точка экстремумв:", x)
-    print("Минимальное значение функции:", val)
+    log("Минимальное значение функции:", val)
+
+    with open("result.log", "w", encoding="utf-8") as file:
+        file.write(result_log)