Merge branch 'master' of gitlab.crans.org:alopez/projet-optimisation

rapport/presentation.tex

@@ -96,16 +96,20 @@
     \frametitle{TSPLIB}
 
     \begin{block}{TSPLIB95}
-        TSPLIB une librairie d'instances de TSP avec entre $10$ et $10000$ sommets.
+        TSPLIB une librairie d'instances de TSP de valeurs optimales connues (ou tight encadrement).
     \end{block}
 
-    \begin{exampleblock}{Parsing}
-    Données sous forme de :
+    \begin{exampleblock}{Différentes instances}
+    
     \begin{itemize}
-            \item matrice explicite des coûts,
-            \item coordonnées des sommets dans le plan (distance euclidienne)
-            \item distance géodésique (lat, lon).
-        \end{itemize}
+    
+    \item taille variable, entre 10 et 10000 sommets
+\item différentes fonctions de coût (distance euclidienne, géodésique\dots).
+
+\item parfois empruntés à la vie réélle (circuits électroniques, cartes\dots)
+
+
+\end{itemize}
     \end{exampleblock}
 \end{frame}
 
@@ -390,14 +394,32 @@
 
 \section{Outils associés}
 
+\begin{frame}
+\frametitle{Parsing de TSPLIB}
+
+\es
+
+    \begin{exampleblock}{Différentes données à parser}
+        \begin{itemize}
+            \item matrice explicite des coûts
+            \item coordonnées des sommets dans le plan (distance euclidienne)
+            \item distance géodésique
+        \end{itemize}
+    \end{exampleblock}
+    
+    \ds
+    
+      \begin{alertblock}{Représentation}
+        Distance euclidienne dans le plan : dessin sur Pygame.
+    \end{alertblock}
+    
+    
+\end{frame}
 
 
 \begin{frame}
 \frametitle{Algèbre linéaire}
 
-Ne pas utiliser de bibliothèque préexistante ?
-
-\es
 
     \begin{block}{Inversion de matrice}
         Implémentation du pivot de Gauss.
@@ -405,7 +427,17 @@ Ne pas utiliser de bibliothèque préexistante ?
     
     \ds
     
-    Sans surprise, de très mauvaises performances.
+  
+    Sans surprise, de très mauvaises performances : $140$s pour inverser 100 matrices aléatoires (dimension $100 \times 100$).
+    
+    \es
+    
+        \begin{block}{Numpy}
+        \texttt{numpy.linalg.inv}
+    \end{block}
+    
+    \ds 
+        $0.9$s pour inverser les 100 matrices\dots
 \end{frame}
 
 
@@ -425,6 +457,12 @@ Ne pas utiliser de bibliothèque préexistante ?
         Implémentation en Python de l'algorithme du simplexe.
     \end{block}
     
+    \ds
+    
+    Ce n'est pas très efficace. Ni très précis.
+    
+    \ds
+
     \begin{block}{\texttt{CVXPy}}
         Interface élégante de \texttt{CVXopt} associée à Python. Très efficace.
     \end{block}
@@ -432,7 +470,7 @@ Ne pas utiliser de bibliothèque préexistante ?
 
 \begin{frame}
 
-\frametitle{Stoer-Wagner}
+\frametitle{Coupe minimale}
     In the MinimumCutPhase, the subset A of the graphs vertices grows starting with an arbitrary single vertex until 
     A is equal to V. In each step, the vertex which is outside of A, but most tightly connected with A
     is added to the set A.
@@ -472,11 +510,7 @@ Ne pas utiliser de bibliothèque préexistante ?
         \end{figure}
     \end{exampleblock}
 
-    Note pour la comparaison: 
-    Glouton = 60110
-    Glouton + 2OPT = 50826
-    Approx2 = 66343
-    Approx2 + 2OPT = 54428
+
 
 \end{frame}
 
@@ -529,8 +563,12 @@ Avec $D_{E'}$ la matirce d'incidence du graphe restreint à $E'$, et $G_{E'}$ la
 
 \section*{Bibliographie}
 
+
+
 \begin{frame}[allowframebreaks]
 
+\frametitle{Bibliographie}
+
 \bibliographystyle{apalike}
 \bibliography{presentation}
 

testperfs.py

+from lineartools import invert
+import numpy as np
+import random
+import time
+
+def testinv():
+
+    sumnp = 0
+    sumlin = 0
+
+    for i in range(100):
+        n = 100
+        M = np.random.rand(n,n)
+        print("Iteration",i)
+        if(np.linalg.det(M) != 0):
+            a =time.clock()
+            np.linalg.inv(M)
+            b = time.clock()
+            sumnp += b-a
+            print("numpy done")
+            a =time.clock()
+            invert(M)
+            b = time.clock()
+            sumlin += b-a
+    print("=============")
+    print("Numpy :"sumnp)
+    print("Gauss :",sumlin)
+        
+    
+