Merge branch 'q3-bayes-no-ml' of git.simba-robotics.com:HelixCopex/mcm-26-b into q3-bayes-no-ml
This commit is contained in:
+3
-3
@@ -37,11 +37,11 @@
|
||||
|
||||
| 路径 | 内容 |
|
||||
| --- | --- |
|
||||
| [`paper/main.tex`](paper/main.tex) | 论文正文（`latexmk -xelatex main.tex`） |
|
||||
| [`paper/main.tex`](paper/main.tex) | 论文正文（`latexmk -xelatex main.tex`）；插图经 `\graphicspath` 取自 [`figures/`](figures/README.md) |
|
||||
| [`paper/README.md`](paper/README.md) | 论文编译方式、目录结构与待办标记 |
|
||||
| [`figures/README.md`](figures/README.md) | 插图清单、配色与字体约定、数据来源与复现命令 |
|
||||
| [`figures/manifest.json`](figures/manifest.json) | 每张图的数据来源与 sha256、生成命令 |
|
||||
| [`../project/README.md`](../project/README.md) | 对比框架目录结构与运行方式 |
|
||||
| [`../project/README.md`](../project/README.md) | 对比框架目录结构与运行方式；结果表由 `scripts/build_paper_support.py` 转入论文第 11 节 |
|
||||
|
||||
## 口径登记
|
||||
|
||||
@@ -54,7 +54,7 @@
|
||||
| 问题一数值（D、ρ、E） | `mcm26b.geometry.solve` 的返回，或 [`问题一解答.md`](问题一解答.md) |
|
||||
| 覆盖计划与证书 | `src/mcm26b/guarantee/plans/*.json`（`q4_mincover_v2.json` 为默认） |
|
||||
| 实测虚拟时间 | 行为日志 `virtual_time_s` 字段与 `evaluation.recompute_virtual_time` |
|
||||
| 冻结基准集对比结果 | `project/results/*.md`（由 `uv run python -m project.run` 生成） |
|
||||
| 冻结基准集对比结果 | `project/results/*.md`（由 `uv run python -m project.run` 生成）；论文表格为 `docs/paper/data/project-*.tex`，由 `scripts/build_paper_support.py` 生成 |
|
||||
|
||||
已知的两处需要随环境更新的引用：
|
||||
|
||||
|
||||
+18
-13
@@ -4,6 +4,11 @@
|
||||
算好写入 `docs/figures/.data/*.mat`，再由 MATLAB（`scripts/matlab/*.m`）排版出图；
|
||||
`manifest.json` 记录每张图的数据来源（路径 + sha256 前 12 位 + 行数）与生成命令。
|
||||
|
||||
本目录的 11 张 PNG 全部进入论文正文：`docs/paper/main.tex` 用
|
||||
`\graphicspath{{../figures/}}` 直接引用，不在论文里重绘，也不手抄图内数字。
|
||||
其中回放画布两张与实测计时一张取自裁判机演练留档，
|
||||
论文图注均标注「演练、非正式成绩」；问题一的三点交会算例取自演练观测。
|
||||
|
||||
```bash
|
||||
uv run python scripts/build_figure_data.py # 全部 11 张（数据 + 出图）
|
||||
uv run python scripts/build_figure_data.py --prepare # 只写 .mat 数据
|
||||
@@ -29,19 +34,19 @@ MATLAB 内手动出图：`cd scripts/matlab` 后执行 `run_all_figures`（每
|
||||
|
||||
## 图清单
|
||||
|
||||
| 文件 | 内容 | 数据来源 |
|
||||
| --- | --- | --- |
|
||||
| `flow-overall-architecture.png` | 四层主线：题面抽象（L0）、在线三层（L1）、四问主线（L2）、三条闭环（L3） | `src/mcm26b/config.py`、`docs/B题建模分析与实施计划.md` |
|
||||
| `steps-state-machine.png` | 会话状态机（IDLE / 倒计时 / OPEN / CLOSED） | `docs/协议规则表与状态机.md`、`src/mcm26b/protocol/client.py` |
|
||||
| `timing-attachment-example-105-111-194-199.png` | 附件计时示例：逐动作耗时构成与单步合计 | `docs/协议规则表与状态机.md` |
|
||||
| `timing-measured-q3-10-sources.png` | 实测一局：累计虚拟时间按动作类型的堆叠构成 | `referee-data/sessions/BBM9-HZG2-77N5-NKKC/log.jsonl` |
|
||||
| `geo-q1-convex-intersection-zoom.png` | 问题一：角域交会总览 + 定位区域放大（直径圆与最小包围圆） | `output/q1/practice/U5ZW-P9KN-TCAG-R7ST_observations.json` |
|
||||
| `geo-q1-diameter-circle-counterexample.png` | 问题一：直径圆不覆盖定位区域的反例（等边三角形布站） | `examples/q1/triangle.json` |
|
||||
| `geo-q2-guaranteed-reception-disk.png` | 问题二：截断角域外接圆 `B(c, a)` 与安全候选盘 `B(c, 1000 − a)`，右侧为半径分解 | `src/mcm26b/config.py`、`docs/algo-2.md` |
|
||||
| `geo-q3-seven-point-coverage.png` | 问题三：七个 1000 m 接收盘覆盖 Ω，标出最差点 | `src/mcm26b/planner/seven.py`、`docs/algo-3.md` |
|
||||
| `geo-q4-minimum-cover-31-points.png` | 问题四：31 点最小命中集与 ±90° 前向半盘语义 | `src/mcm26b/guarantee/plans/q4_mincover_v2.json` |
|
||||
| `replay-webui-q3-omnidirectional.png` | 回放画布（点运动图，全向局）：世界视图 + 事件流水 + 虚拟时间轴 | `referee-data/sessions/BBM9-HZG2-77N5-NKKC/log.jsonl` |
|
||||
| `replay-webui-q4-directional.png` | 回放画布（点运动图，定向源局）：世界视图（含定向源 ±90° 前向半盘）+ 事件流水 + 虚拟时间轴 | `referee-data/sessions/GHSN-M38E-74GD-YLUD/log.jsonl` |
|
||||
| 文件 | 内容 | 数据来源 | 论文位置 |
|
||||
| --- | --- | --- | --- |
|
||||
| `flow-overall-architecture.png` | 四层主线：题面抽象（L0）、在线三层（L1）、四问主线（L2）、三条闭环（L3） | `src/mcm26b/config.py`、`docs/B题建模分析与实施计划.md` | 图 1（问题分析） |
|
||||
| `steps-state-machine.png` | 会话状态机（IDLE / 倒计时 / OPEN / CLOSED） | `docs/协议规则表与状态机.md`、`src/mcm26b/protocol/client.py` | 图 2（计时模型） |
|
||||
| `timing-attachment-example-105-111-194-199.png` | 附件计时示例：逐动作耗时构成与单步合计 | `docs/协议规则表与状态机.md` | 图 3（计时模型） |
|
||||
| `timing-measured-q3-10-sources.png` | 实测一局：累计虚拟时间按动作类型的堆叠构成 | `referee-data/sessions/BBM9-HZG2-77N5-NKKC/log.jsonl` | 图 11（时间分解，演练局） |
|
||||
| `geo-q1-convex-intersection-zoom.png` | 问题一：角域交会总览 + 定位区域放大（直径圆与最小包围圆） | `output/q1/practice/U5ZW-P9KN-TCAG-R7ST_observations.json` | 图 4(a)（问题一，演练观测） |
|
||||
| `geo-q1-diameter-circle-counterexample.png` | 问题一：直径圆不覆盖定位区域的反例（等边三角形布站） | `examples/q1/triangle.json` | 图 4(b)（问题一解析反例） |
|
||||
| `geo-q2-guaranteed-reception-disk.png` | 问题二：截断角域外接圆 `B(c, a)` 与安全候选盘 `B(c, 1000 − a)`，右侧为半径分解 | `src/mcm26b/config.py`、`docs/algo-2.md` | 图 5（问题二） |
|
||||
| `geo-q3-seven-point-coverage.png` | 问题三：七个 1000 m 接收盘覆盖 Ω，标出最差点 | `src/mcm26b/planner/seven.py`、`docs/algo-3.md` | 图 6（问题三） |
|
||||
| `geo-q4-minimum-cover-31-points.png` | 问题四：31 点最小命中集与 ±90° 前向半盘语义 | `src/mcm26b/guarantee/plans/q4_mincover_v2.json` | 图 8（问题四） |
|
||||
| `replay-webui-q3-omnidirectional.png` | 回放画布（点运动图，全向局）：世界视图 + 事件流水 + 虚拟时间轴 | `referee-data/sessions/BBM9-HZG2-77N5-NKKC/log.jsonl` | 图 7（问题三，演练局） |
|
||||
| `replay-webui-q4-directional.png` | 回放画布（点运动图，定向源局）：世界视图（含定向源 ±90° 前向半盘）+ 事件流水 + 虚拟时间轴 | `referee-data/sessions/GHSN-M38E-74GD-YLUD/log.jsonl` | 图 9（问题四，演练局） |
|
||||
|
||||
后两张是唯一保留自定义画布的图：把回放器画布上的 Ω 与真值源、移动轨迹、
|
||||
检测示向度射线、定向源朝向与清除标记，连同右侧事件流水与底部虚拟时间轴一起导出；
|
||||
|
||||
@@ -1,7 +1,9 @@
|
||||
"""Build vector figure sources, complete source listings, and a compact support ZIP.
|
||||
"""Build vector figure sources, comparison tables, source listings, and a support ZIP.
|
||||
|
||||
Formal figures use the audited snapshot only. Geometric figures use declared
|
||||
algorithm parameters, not fabricated observations or hidden simulator data.
|
||||
The paired optimal-versus-baseline tables are generated from project/results/*.json
|
||||
so that no number in the comparison section is hand copied.
|
||||
"""
|
||||
from __future__ import annotations
|
||||
|
||||
@@ -9,11 +11,12 @@ import argparse
|
||||
import hashlib
|
||||
import json
|
||||
import zipfile
|
||||
from decimal import Decimal
|
||||
from decimal import Decimal, ROUND_HALF_UP
|
||||
from pathlib import Path
|
||||
|
||||
ROOT = Path(__file__).resolve().parents[1]
|
||||
PAPER = ROOT / "docs/paper"
|
||||
PROJECT_RESULTS = ROOT / "project/results"
|
||||
|
||||
# Display copies only: executable Python files remain byte-for-byte unchanged.
|
||||
ESCAPE_OPEN = "(" + "*@"
|
||||
@@ -101,6 +104,164 @@ def figures(rows: list[dict]) -> None:
|
||||
(out / "formal-time-bars.tex").write_text("\n".join(bars) + "\n", "utf-8")
|
||||
|
||||
|
||||
def fixed(value: float | None, digits: int = 3) -> str:
|
||||
if value is None:
|
||||
return "--"
|
||||
return str(Decimal(str(value)).quantize(Decimal(1).scaleb(-digits), rounding=ROUND_HALF_UP))
|
||||
|
||||
|
||||
def percent(value: float | None, digits: int = 1) -> str:
|
||||
if value is None:
|
||||
return "--"
|
||||
return fixed(100 * value, digits) + r"\%"
|
||||
|
||||
|
||||
def flag(value: bool | None) -> str:
|
||||
return "--" if value is None else ("是" if value else "否")
|
||||
|
||||
|
||||
def project_tables() -> None:
|
||||
"""Generate the optimal-versus-baseline comparison tables from project/results."""
|
||||
out = PAPER / "data"
|
||||
out.mkdir(parents=True, exist_ok=True)
|
||||
data = {name: json.loads((PROJECT_RESULTS / f"{name}.json").read_text("utf-8"))
|
||||
for name in ("q1", "q2", "q3", "q4")}
|
||||
examples, random = data["q1"]["aggregate_examples"], data["q1"]["aggregate_random"]
|
||||
two = data["q2"]["aggregate"]
|
||||
three, paired3 = data["q3"]["aggregate"]["variants"], data["q3"]["aggregate"]["paired"]
|
||||
four, paired4 = data["q4"]["aggregate"]["variants"], data["q4"]["aggregate"]["paired"]
|
||||
head = "% Generated by scripts/build_paper_support.py from project/results/*.json."
|
||||
|
||||
macros = [
|
||||
("ProjQOneExampleCases", str(examples["cases"])),
|
||||
("ProjQOneRandomCases", str(random["cases"])),
|
||||
("ProjQOneFixedStatusBase", percent(examples["status_accuracy_baseline"])),
|
||||
("ProjQOneFixedMaeBase", fixed(examples["diameter_mae_baseline_m"])),
|
||||
("ProjQOneFixedMaeMaxBase", fixed(examples["diameter_max_err_baseline_m"])),
|
||||
("ProjQOneFixedCoverBase", percent(examples["coverage_accuracy_baseline"])),
|
||||
("ProjQOneFixedMsOpt", fixed(examples["runtime_optimal_mean_ms"])),
|
||||
("ProjQOneFixedMsBase", fixed(examples["runtime_baseline_mean_ms"])),
|
||||
("ProjQOneRandStatusBase", percent(random["status_accuracy_baseline"])),
|
||||
("ProjQOneRandMaeBase", fixed(random["diameter_mae_baseline_m"])),
|
||||
("ProjQOneRandMaeMaxBase", fixed(random["diameter_max_err_baseline_m"])),
|
||||
("ProjQOneRandCoverBase", percent(random["coverage_accuracy_baseline"])),
|
||||
("ProjQOneRandMsOpt", fixed(random["runtime_optimal_mean_ms"])),
|
||||
("ProjQOneRandMsBase", fixed(random["runtime_baseline_mean_ms"])),
|
||||
("ProjQTwoCases", str(two["optimal"]["cases"])),
|
||||
("ProjQTwoInitialRadius", fixed(two["_initial_radius_mean_m"])),
|
||||
("ProjQTwoGuaranteeOpt", percent(two["optimal"]["guaranteed_rate"])),
|
||||
("ProjQTwoGuaranteeMec", percent(two["baseline_mec"]["guaranteed_rate"])),
|
||||
("ProjQTwoGuaranteePerp", percent(two["baseline_perp"]["guaranteed_rate"])),
|
||||
("ProjQTwoWorstOpt", fixed(two["optimal"]["worst_posterior_mean_m"])),
|
||||
("ProjQTwoWorstRef", fixed(two["reference"]["worst_posterior_mean_m"])),
|
||||
("ProjQTwoRatioOpt", fixed(two["optimal"]["final_ratio_mean"])),
|
||||
("ProjQTwoRatioMec", fixed(two["baseline_mec"]["final_ratio_mean"])),
|
||||
("ProjQTwoWorstPerp", fixed(two["baseline_perp"]["worst_posterior_mean_m"])),
|
||||
("ProjQTwoWorstMec", fixed(two["baseline_mec"]["worst_posterior_mean_m"])),
|
||||
("ProjQThreeScenes", str(three["optimal"]["episodes"])),
|
||||
("ProjQThreeMeanOpt", fixed(three["optimal"]["virtual_time_mean_s"])),
|
||||
("ProjQThreeMeanSeven", fixed(three["seven"]["virtual_time_mean_s"])),
|
||||
("ProjQThreeMeanBase", fixed(three["baseline"]["virtual_time_mean_s"])),
|
||||
("ProjQThreeDropOpt", percent(-paired3["optimal_vs_baseline"]["mean_relative_change"])),
|
||||
("ProjQThreeDropMedianOpt",
|
||||
percent(-paired3["optimal_vs_baseline"]["median_relative_change"])),
|
||||
("ProjQThreeDropSeven", percent(-paired3["seven_vs_baseline"]["mean_relative_change"])),
|
||||
("ProjQThreeFasterOpt",
|
||||
f"{paired3['optimal_vs_baseline']['faster_scenes']}/{paired3['optimal_vs_baseline']['compared']}"),
|
||||
("ProjQThreeMeasuresOpt", fixed(three["optimal"]["measures_mean"])),
|
||||
("ProjQThreeMeasuresBase", fixed(three["baseline"]["measures_mean"])),
|
||||
("ProjQThreeMoveOpt", fixed(three["optimal"]["move_distance_mean_m"] / 1000)),
|
||||
("ProjQThreeMoveBase", fixed(three["baseline"]["move_distance_mean_m"] / 1000)),
|
||||
("ProjQThreeWallOpt", fixed(three["optimal"]["compute_wall_mean_s"])),
|
||||
("ProjQFourScenes", str(four["optimal"]["episodes"])),
|
||||
("ProjQFourMeanOpt", fixed(four["optimal"]["virtual_time_mean_s"])),
|
||||
("ProjQFourMeanGrid", fixed(four["baseline_grid"]["virtual_time_mean_s"])),
|
||||
("ProjQFourMeanBase", fixed(four["baseline"]["virtual_time_mean_s"])),
|
||||
("ProjQFourClearOpt", percent(four["optimal"]["cleared_ratio_mean"])),
|
||||
("ProjQFourClearGrid", percent(four["baseline_grid"]["cleared_ratio_mean"])),
|
||||
("ProjQFourClearBase", percent(four["baseline"]["cleared_ratio_mean"])),
|
||||
("ProjQFourAbsentBase", str(four["baseline"]["absent_misjudged_total"])),
|
||||
("ProjQFourMeasuresOpt", fixed(four["optimal"]["measures_mean"])),
|
||||
("ProjQFourMeasuresBase", fixed(four["baseline"]["measures_mean"])),
|
||||
("ProjQFourFallbackOpt", fixed(four["optimal"]["fallback_clear_attempts_mean"])),
|
||||
("ProjQFourValidOpt",
|
||||
f"{four['optimal']['valid_episodes']}/{four['optimal']['episodes']}"),
|
||||
("ProjQFourValidGrid",
|
||||
f"{four['baseline_grid']['valid_episodes']}/{four['baseline_grid']['episodes']}"),
|
||||
("ProjQFourRiseOpt", percent(paired4["optimal_vs_baseline"]["mean_relative_change"])),
|
||||
("ProjQFourMoveOpt", fixed(four["optimal"]["move_distance_mean_m"] / 1000)),
|
||||
("ProjQFourMoveBase", fixed(four["baseline"]["move_distance_mean_m"] / 1000)),
|
||||
]
|
||||
lines = [head] + [f"\\newcommand{{\\{name}}}{{{value}}}" for name, value in macros]
|
||||
(out / "project-macros.tex").write_text("\n".join(lines) + "\n", "utf-8")
|
||||
|
||||
def write(stem: str, rows: list[str]) -> None:
|
||||
(out / stem).write_text("\n".join([head, *rows]) + "\n", "utf-8")
|
||||
|
||||
write("project-overview-rows.tex", [
|
||||
"问题 & 核心指标 & 最优实现 & 基线实现 " + r"\\",
|
||||
f"1 & 直径平均绝对误差 / 覆盖判定准确率 & {fixed(random['diameter_mae_optimal_m'])} m / "
|
||||
f"{percent(random['coverage_accuracy_optimal'])} & {fixed(random['diameter_mae_baseline_m'])} m / "
|
||||
f"{percent(random['coverage_accuracy_baseline'])} " + r"\\",
|
||||
f"2 & 保证接收率 / 最坏后验半径均值 & {percent(two['optimal']['guaranteed_rate'])} / "
|
||||
f"{fixed(two['optimal']['worst_posterior_mean_m'])} m & {percent(two['baseline_mec']['guaranteed_rate'])} / "
|
||||
f"{fixed(two['baseline_mec']['worst_posterior_mean_m'])} m " + r"\\",
|
||||
f"3 & 全清率 / 平均虚拟耗时 & {percent(three['optimal']['cleared_ratio_mean'])} / "
|
||||
f"{fixed(three['optimal']['virtual_time_mean_s'])} s & {percent(three['baseline']['cleared_ratio_mean'])} / "
|
||||
f"{fixed(three['baseline']['virtual_time_mean_s'])} s " + r"\\",
|
||||
f"4 & 全清率 / 缺席误判总数 & {percent(four['optimal']['cleared_ratio_mean'])} / "
|
||||
f"{four['optimal']['absent_misjudged_total']} & {percent(four['baseline']['cleared_ratio_mean'])} / "
|
||||
f"{four['baseline']['absent_misjudged_total']} " + r"\\",
|
||||
])
|
||||
|
||||
write("project-q1-example-rows.tex", [
|
||||
f"{row['name']} & {fixed(row['diameter_ref_m'])} & {fixed(row['diameter_opt_m'])} & "
|
||||
f"{fixed(row['diameter_base_m'])} & {fixed(row['abs_err_base_m'])} & "
|
||||
f"{flag(row['covers_ref'])} & {flag(row['covers_opt'])} & {flag(row['covers_base'])} " + r"\\"
|
||||
for row in data["q1"]["examples"]
|
||||
])
|
||||
|
||||
write("project-q1-summary-rows.tex", [
|
||||
f"最优（固定 {examples['cases']} 例） & {percent(examples['status_accuracy_optimal'])} & "
|
||||
f"{fixed(examples['diameter_mae_optimal_m'])} & {fixed(examples['diameter_max_err_optimal_m'])} & "
|
||||
f"{percent(examples['coverage_accuracy_optimal'])} & {fixed(examples['runtime_optimal_mean_ms'])} " + r"\\",
|
||||
f"最优（随机 {random['cases']} 例） & {percent(random['status_accuracy_optimal'])} & "
|
||||
f"{fixed(random['diameter_mae_optimal_m'])} & {fixed(random['diameter_max_err_optimal_m'])} & "
|
||||
f"{percent(random['coverage_accuracy_optimal'])} & {fixed(random['runtime_optimal_mean_ms'])} " + r"\\",
|
||||
f"基线（固定 {examples['cases']} 例） & {percent(examples['status_accuracy_baseline'])} & "
|
||||
f"{fixed(examples['diameter_mae_baseline_m'])} & {fixed(examples['diameter_max_err_baseline_m'])} & "
|
||||
f"{percent(examples['coverage_accuracy_baseline'])} & {fixed(examples['runtime_baseline_mean_ms'])} " + r"\\",
|
||||
f"基线（随机 {random['cases']} 例） & {percent(random['status_accuracy_baseline'])} & "
|
||||
f"{fixed(random['diameter_mae_baseline_m'])} & {fixed(random['diameter_max_err_baseline_m'])} & "
|
||||
f"{percent(random['coverage_accuracy_baseline'])} & {fixed(random['runtime_baseline_mean_ms'])} " + r"\\",
|
||||
])
|
||||
|
||||
write("project-q2-rows.tex", [
|
||||
f"{label} & {percent(two[key]['guaranteed_rate'])} & {fixed(two[key]['worst_posterior_mean_m'])} & "
|
||||
f"{fixed(two[key]['worst_posterior_median_m'])} & {fixed(two[key]['improvement_mean_m'])} & "
|
||||
f"{fixed(two[key]['final_ratio_mean'])} & {fixed(two[key]['move_cost_mean_s'], 2)} " + r"\\"
|
||||
for key, label in (("optimal", "算法2（默认选点）"), ("reference", "参考：盘内网格枚举"),
|
||||
("baseline_perp", "基线：垂直 1000 m"), ("baseline_mec", "基线：候选圆心"))
|
||||
])
|
||||
|
||||
def variant_rows(table: dict, mapping: list[tuple[str, str]]) -> list[str]:
|
||||
return [
|
||||
f"{label} & {table[key]['valid_episodes']}/{table[key]['episodes']} & "
|
||||
f"{percent(table[key]['cleared_ratio_mean'])} & {table[key]['absent_misjudged_total']} & "
|
||||
f"{fixed(table[key]['virtual_time_mean_s'])} & {fixed(table[key]['virtual_time_median_s'])} & "
|
||||
f"{fixed(table[key]['virtual_time_max_s'])} & {fixed(table[key]['measures_mean'], 1)} & "
|
||||
f"{fixed(table[key]['move_distance_mean_m'] / 1000)} & {fixed(table[key]['fallback_clear_attempts_mean'], 1)} "
|
||||
+ r"\\"
|
||||
for key, label in mapping
|
||||
]
|
||||
|
||||
write("project-q3-rows.tex", variant_rows(three, [
|
||||
("optimal", "bayes（默认策略）"), ("seven", "seven（七点批量）"), ("baseline", "grid（49 点网格）")]))
|
||||
write("project-q4-rows.tex", variant_rows(four, [
|
||||
("optimal", "directional（默认策略）"), ("baseline_grid", "grid（问题三网格）"),
|
||||
("baseline", "bayes（问题三策略）")]))
|
||||
|
||||
|
||||
def listings(rows: list[dict]) -> None:
|
||||
data = PAPER / "data"
|
||||
files = sorted((ROOT / "src/mcm26b").rglob("*.py"))
|
||||
@@ -185,6 +346,11 @@ def package(rows: list[dict]) -> Path:
|
||||
selected.update((PAPER / "data").rglob("*"))
|
||||
selected.update((PAPER / "figures").glob("*.tex"))
|
||||
selected.update((PAPER / "sections").glob("*.tex"))
|
||||
selected.update((ROOT / "docs/figures").glob("*.png"))
|
||||
selected.update((ROOT / "docs/figures").glob("*.json"))
|
||||
selected.add(ROOT / "docs/figures/README.md")
|
||||
selected.update(path for path in (ROOT / "project").rglob("*")
|
||||
if path.is_file() and "__pycache__" not in path.parts)
|
||||
selected.update([PAPER / "main.tex", PAPER / "mcm26b-paper.cls",
|
||||
PAPER / "README.md", PAPER / "REWRITE_NOTES.md",
|
||||
ROOT / "scripts/audit_paper_formal.py",
|
||||
@@ -217,6 +383,7 @@ def main() -> None:
|
||||
args = parser.parse_args()
|
||||
rows = json.loads((PAPER / "data/formal-results.json").read_text("utf-8"))["records"]
|
||||
figures(rows)
|
||||
project_tables()
|
||||
listings(rows)
|
||||
if args.package:
|
||||
package(rows)
|
||||
|
||||
@@ -0,0 +1,55 @@
|
||||
% Generated by scripts/build_paper_support.py from project/results/*.json.
|
||||
\newcommand{\ProjQOneExampleCases}{5}
|
||||
\newcommand{\ProjQOneRandomCases}{40}
|
||||
\newcommand{\ProjQOneFixedStatusBase}{80.0\%}
|
||||
\newcommand{\ProjQOneFixedMaeBase}{7.886}
|
||||
\newcommand{\ProjQOneFixedMaeMaxBase}{10.000}
|
||||
\newcommand{\ProjQOneFixedCoverBase}{33.3\%}
|
||||
\newcommand{\ProjQOneFixedMsOpt}{0.064}
|
||||
\newcommand{\ProjQOneFixedMsBase}{14.202}
|
||||
\newcommand{\ProjQOneRandStatusBase}{100.0\%}
|
||||
\newcommand{\ProjQOneRandMaeBase}{4.583}
|
||||
\newcommand{\ProjQOneRandMaeMaxBase}{14.599}
|
||||
\newcommand{\ProjQOneRandCoverBase}{52.5\%}
|
||||
\newcommand{\ProjQOneRandMsOpt}{0.086}
|
||||
\newcommand{\ProjQOneRandMsBase}{15.933}
|
||||
\newcommand{\ProjQTwoCases}{30}
|
||||
\newcommand{\ProjQTwoInitialRadius}{681.467}
|
||||
\newcommand{\ProjQTwoGuaranteeOpt}{100.0\%}
|
||||
\newcommand{\ProjQTwoGuaranteeMec}{100.0\%}
|
||||
\newcommand{\ProjQTwoGuaranteePerp}{0.0\%}
|
||||
\newcommand{\ProjQTwoWorstOpt}{73.890}
|
||||
\newcommand{\ProjQTwoWorstRef}{75.627}
|
||||
\newcommand{\ProjQTwoRatioOpt}{0.104}
|
||||
\newcommand{\ProjQTwoRatioMec}{0.500}
|
||||
\newcommand{\ProjQTwoWorstPerp}{80.111}
|
||||
\newcommand{\ProjQTwoWorstMec}{340.747}
|
||||
\newcommand{\ProjQThreeScenes}{18}
|
||||
\newcommand{\ProjQThreeMeanOpt}{3188.734}
|
||||
\newcommand{\ProjQThreeMeanSeven}{5361.707}
|
||||
\newcommand{\ProjQThreeMeanBase}{14935.659}
|
||||
\newcommand{\ProjQThreeDropOpt}{78.4\%}
|
||||
\newcommand{\ProjQThreeDropMedianOpt}{80.0\%}
|
||||
\newcommand{\ProjQThreeDropSeven}{63.7\%}
|
||||
\newcommand{\ProjQThreeFasterOpt}{18/18}
|
||||
\newcommand{\ProjQThreeMeasuresOpt}{111.111}
|
||||
\newcommand{\ProjQThreeMeasuresBase}{430.556}
|
||||
\newcommand{\ProjQThreeMoveOpt}{12.338}
|
||||
\newcommand{\ProjQThreeMoveBase}{61.550}
|
||||
\newcommand{\ProjQThreeWallOpt}{0.767}
|
||||
\newcommand{\ProjQFourScenes}{11}
|
||||
\newcommand{\ProjQFourMeanOpt}{9069.871}
|
||||
\newcommand{\ProjQFourMeanGrid}{18179.173}
|
||||
\newcommand{\ProjQFourMeanBase}{3890.801}
|
||||
\newcommand{\ProjQFourClearOpt}{100.0\%}
|
||||
\newcommand{\ProjQFourClearGrid}{66.6\%}
|
||||
\newcommand{\ProjQFourClearBase}{77.0\%}
|
||||
\newcommand{\ProjQFourAbsentBase}{24}
|
||||
\newcommand{\ProjQFourMeasuresOpt}{355.636}
|
||||
\newcommand{\ProjQFourMeasuresBase}{132.000}
|
||||
\newcommand{\ProjQFourFallbackOpt}{24.818}
|
||||
\newcommand{\ProjQFourValidOpt}{11/11}
|
||||
\newcommand{\ProjQFourValidGrid}{0/11}
|
||||
\newcommand{\ProjQFourRiseOpt}{142.9\%}
|
||||
\newcommand{\ProjQFourMoveOpt}{34.268}
|
||||
\newcommand{\ProjQFourMoveBase}{15.319}
|
||||
@@ -0,0 +1,6 @@
|
||||
% Generated by scripts/build_paper_support.py from project/results/*.json.
|
||||
问题 & 核心指标 & 最优实现 & 基线实现 \\
|
||||
1 & 直径平均绝对误差 / 覆盖判定准确率 & 0.000 m / 100.0\% & 4.583 m / 52.5\% \\
|
||||
2 & 保证接收率 / 最坏后验半径均值 & 100.0\% / 73.890 m & 100.0\% / 340.747 m \\
|
||||
3 & 全清率 / 平均虚拟耗时 & 100.0\% / 3188.734 s & 100.0\% / 14935.659 s \\
|
||||
4 & 全清率 / 缺席误判总数 & 100.0\% / 0 & 77.0\% / 24 \\
|
||||
@@ -0,0 +1,6 @@
|
||||
% Generated by scripts/build_paper_support.py from project/results/*.json.
|
||||
三点交会 & 26.986 & 26.986 & 21.213 & 5.773 & 否 & 否 & 是 \\
|
||||
直径圆反例 & 40.000 & 40.000 & 50.000 & 10.000 & 否 & 否 & 是 \\
|
||||
近共线检测点 & -- & -- & -- & -- & -- & -- & -- \\
|
||||
零误差退化线段 & 100.000 & 100.000 & 0.000 & 100.000 & 是 & 是 & 是 \\
|
||||
不相容观测 & -- & -- & -- & -- & -- & -- & -- \\
|
||||
@@ -0,0 +1,5 @@
|
||||
% Generated by scripts/build_paper_support.py from project/results/*.json.
|
||||
最优（固定 5 例） & 100.0\% & 0.000 & 0.000 & 100.0\% & 0.064 \\
|
||||
最优（随机 40 例） & 100.0\% & 0.000 & 0.000 & 100.0\% & 0.086 \\
|
||||
基线（固定 5 例） & 80.0\% & 7.886 & 10.000 & 33.3\% & 14.202 \\
|
||||
基线（随机 40 例） & 100.0\% & 4.583 & 14.599 & 52.5\% & 15.933 \\
|
||||
@@ -0,0 +1,5 @@
|
||||
% Generated by scripts/build_paper_support.py from project/results/*.json.
|
||||
算法2（默认选点） & 100.0\% & 73.890 & 90.899 & 607.577 & 0.104 & 170.44 \\
|
||||
参考：盘内网格枚举 & 100.0\% & 75.627 & 91.349 & 605.841 & 0.106 & 170.28 \\
|
||||
基线：垂直 1000 m & 0.0\% & 80.111 & 90.775 & 601.356 & 0.116 & 200.00 \\
|
||||
基线：候选圆心 & 100.0\% & 340.747 & 375.088 & 340.721 & 0.500 & 136.29 \\
|
||||
@@ -0,0 +1,4 @@
|
||||
% Generated by scripts/build_paper_support.py from project/results/*.json.
|
||||
bayes（默认策略） & 18/18 & 100.0\% & 0 & 3188.734 & 3111.256 & 3663.707 & 111.1 & 12.338 & 0.0 \\
|
||||
seven（七点批量） & 18/18 & 100.0\% & 0 & 5361.707 & 5367.455 & 6462.351 & 100.8 & 23.508 & 0.0 \\
|
||||
grid（49 点网格） & 18/18 & 100.0\% & 0 & 14935.659 & 15275.057 & 16691.406 & 430.6 & 61.550 & 0.0 \\
|
||||
@@ -0,0 +1,4 @@
|
||||
% Generated by scripts/build_paper_support.py from project/results/*.json.
|
||||
directional（默认策略） & 11/11 & 100.0\% & 0 & 9069.871 & 8803.261 & 12081.148 & 355.6 & 34.268 & 24.8 \\
|
||||
grid（问题三网格） & 0/11 & 66.6\% & 0 & 18179.173 & 18345.164 & 20457.858 & 573.7 & 73.876 & 0.0 \\
|
||||
bayes（问题三策略） & 0/11 & 77.0\% & 24 & 3890.801 & 3646.178 & 5054.382 & 132.0 & 15.319 & 0.0 \\
|
||||
+52
-2
@@ -2,6 +2,21 @@
|
||||
\documentclass[zihao=-4,a4paper]{mcm26b-paper}
|
||||
\usepackage{amsthm,tabularx,float,tikz,xurl}
|
||||
\usetikzlibrary{arrows.meta,positioning,calc,patterns}
|
||||
% Raster figures are rendered by scripts/build_figure_data.py + scripts/matlab/*.m
|
||||
% into docs/figures; this file only includes them, it does not redraw them.
|
||||
\graphicspath{{../figures/}}
|
||||
% The paper carries several small tables and figures; let them share pages
|
||||
% instead of being pushed onto float-only pages.
|
||||
\setcounter{topnumber}{3}
|
||||
\setcounter{bottomnumber}{2}
|
||||
\setcounter{totalnumber}{4}
|
||||
\renewcommand{\topfraction}{0.92}
|
||||
\renewcommand{\bottomfraction}{0.75}
|
||||
\renewcommand{\textfraction}{0.06}
|
||||
\renewcommand{\floatpagefraction}{0.72}
|
||||
\setlength{\floatsep}{9pt plus 2pt minus 2pt}
|
||||
\setlength{\textfloatsep}{11pt plus 2pt minus 4pt}
|
||||
\setlength{\intextsep}{9pt plus 2pt minus 2pt}
|
||||
\definecolor{inkblue}{RGB}{35,76,112}
|
||||
\definecolor{warmgray}{RGB}{103,103,103}
|
||||
\newtheorem{proposition}{命题}
|
||||
@@ -19,6 +34,7 @@
|
||||
\hypersetup{pdftitle={基于集合估计与覆盖优化的无线电干扰源自动定位清除},
|
||||
pdfauthor={},pdfsubject={2026年全国大学生数学建模竞赛B题},pdfkeywords={交会定位,最小包围圆,主动测量,覆盖搜索}}
|
||||
\input{data/formal-macros}
|
||||
\input{data/project-macros}
|
||||
\begin{document}
|
||||
\setcounter{page}{1}
|
||||
\begin{center}
|
||||
@@ -57,10 +73,26 @@
|
||||
三次正式测试分别清除 $13$、$10$、$14$ 个源，平均定位清除时间为
|
||||
$720.171$、$927.130$、$614.884$ s/个。
|
||||
|
||||
<<<<<<< HEAD
|
||||
实验数据取自官方模拟器 \texttt{test} 目录的六份正式导出及对应统计，
|
||||
累计清除 $\FormalClearCount$ 个源，清除失败计数为零。
|
||||
两问按清除数量加权的平均耗时分别为 $\QThreeWeighted$ 与 $\QFourWeighted$ s/个，
|
||||
移动时间占各次总耗时的 $\FormalMovementMin\%$ 至 $\FormalMovementMax\%$。
|
||||
=======
|
||||
上述四次测试均主动退出且清除失败计数为零。
|
||||
正式成绩仅取自官方模拟器 \texttt{test} 目录所选正式导出包及其匹配统计；
|
||||
正式数据未公开源总数，故不据此宣称全清率，问题三、四的第三次正式记录均未提供。
|
||||
|
||||
\textbf{对比实验}以仓库内的配对基准集复核上述方法：
|
||||
问题一朴素基线在随机算例上直径平均绝对误差 $\ProjQOneRandMaeBase$ m、
|
||||
覆盖判定准确率 $\ProjQOneRandCoverBase$，最大误差 $\ProjQOneRandMaeMaxBase$ m；
|
||||
问题二忽略接收保证的基线保证接收率为 $\ProjQTwoGuaranteePerp$，
|
||||
只保证接收而缺少横向基线的基线最坏后验半径为 $\ProjQTwoWorstMec$ m；
|
||||
问题三默认策略相对 49 点网格的平均虚拟时间下降 $\ProjQThreeDropOpt$；
|
||||
问题四直接搬用问题三策略时出现 $\ProjQFourAbsentBase$ 次缺席误判。
|
||||
该组数据来自自建冻结基准集与演练局留档，只用于机制说明和相对行为比较，
|
||||
与正式成绩分节陈述，不合并统计。
|
||||
>>>>>>> 78e4420a3e496c43db8e06556e539fd7d2aaf231
|
||||
|
||||
\vspace{0.4em}
|
||||
\noindent{\heiti 关键词：}有界误差；交会定位；最小包围圆；主动测量；定向覆盖
|
||||
@@ -102,6 +134,23 @@ $720.171$、$927.130$、$614.884$ s/个。
|
||||
报告各次清除数量、平均定位清除时间和程序运行时间。
|
||||
|
||||
\section{问题分析}
|
||||
四问共用一条从题面抽象到在线执行的链路，如图~\ref{fig:flow}。
|
||||
最上层是题面给定的区域、运动与动作耗时、源与频道范围；
|
||||
中间是在线系统的证据层、决策层与执行层，
|
||||
分别维护候选集与幸存集、生成选点与任务表、串行执行动作；
|
||||
其下是四问各自的主线，最下层是发现、定位与清除三个闭环。
|
||||
后文的模型与算法都落在这条链路的某一层上：
|
||||
问题一、二给出证据层与决策层的几何判据，
|
||||
问题三、四给出三个闭环在时间约束下的组织方式。
|
||||
|
||||
\begin{figure}[htbp]
|
||||
\centering
|
||||
\includegraphics[width=0.88\linewidth]{flow-overall-architecture.png}
|
||||
\caption{四问共用的模型链路：题面抽象（L0）、在线三层（L1）、
|
||||
四问主线（L2）与发现、定位、清除三个闭环（L3）。}
|
||||
\label{fig:flow}
|
||||
\end{figure}
|
||||
|
||||
四问构成由单源几何分析到多源在线决策的递进关系。
|
||||
问题一的核心是将带误差的射线交会改写为凸集合计算。
|
||||
单次示向度只限制方向，不能给出唯一位置；即使定位区域的直径较小，
|
||||
@@ -186,15 +235,16 @@ N_m,N_s,N_c^+,N_c^- & 检测、换频、成功清除、失败清除次数 & 次\
|
||||
数学推导中三角函数的自变量采用弧度；带 $^\circ$ 的量先换算为弧度。
|
||||
记 $[a,b]=a_xb_y-a_yb_x$ 为二维叉积，$\B(c,r)$ 为闭圆盘。
|
||||
|
||||
\input{sections/timing}
|
||||
\input{sections/q1}
|
||||
\input{sections/q2}
|
||||
\input{sections/q3}
|
||||
\input{sections/q4}
|
||||
\input{sections/results}
|
||||
\input{sections/comparison}
|
||||
\input{sections/evaluation}
|
||||
\clearpage
|
||||
\begin{thebibliography}{99}
|
||||
\small
|
||||
\small\setlength{\itemsep}{1pt}
|
||||
\bibitem{problem} 全国大学生数学建模竞赛组委会.
|
||||
2026年高教社杯全国大学生数学建模竞赛B题：无线电干扰源的快速自动定位与清除[Z]. 2026.
|
||||
\bibitem{protocol} 赛题配套材料. 模拟器使用说明；模拟器通信接口说明及编程指南[Z]. 2026.
|
||||
|
||||
@@ -16,6 +16,15 @@ python scripts/audit_paper_formal.py --snapshot docs/paper/data/formal-results.j
|
||||
第二条根据已有快照重新计算指标，并核对现有正式包的校验值。
|
||||
耗时图与汇总量由同一统计快照生成。
|
||||
|
||||
第~\ref{sec:comparison} 节的配对对比表由 \pathtext{scripts/build_paper_support.py}
|
||||
从 \pathtext{project/results/*.json} 生成，复跑对比框架本身执行
|
||||
\texttt{uv run python -m project.run}。
|
||||
正文插图由 \pathtext{scripts/build_figure_data.py} 准备数据、
|
||||
\pathtext{scripts/matlab/run_all_figures.m} 出图，逐图来源与生成命令见
|
||||
\pathtext{docs/figures/manifest.json}。
|
||||
其中回放画布与实测计时两张插图取自评测机演练留档，
|
||||
只用于说明机制与时间构成，不参与正式统计。
|
||||
|
||||
\section{支撑材料与运行方法}
|
||||
\begin{table}[H]
|
||||
\centering\small
|
||||
@@ -24,6 +33,7 @@ python scripts/audit_paper_formal.py --snapshot docs/paper/data/formal-results.j
|
||||
\toprule
|
||||
文件或目录 & 用途\\
|
||||
\midrule
|
||||
<<<<<<< HEAD
|
||||
\pathtext{src/mcm26b/} & 几何计算、集合估计、覆盖优化、任务排序与通信实现\\
|
||||
\pathtext{src/mcm26b/guarantee/plans/} & 第四问站点方案与离散验证参数\\
|
||||
\pathtext{scripts/audit_paper_formal.py} & 正式文件核对、统计计算与表格生成\\
|
||||
@@ -32,6 +42,19 @@ python scripts/audit_paper_formal.py --snapshot docs/paper/data/formal-results.j
|
||||
\pathtext{docs/paper/sections/} & 分章论文源文件\\
|
||||
\pathtext{docs/paper/figures/} & 几何示意图与正式耗时图的矢量源文件\\
|
||||
\pathtext{Jammers-simulator-full/test/} & 六份原名官方正式日志\\
|
||||
=======
|
||||
\pathtext{src/mcm26b/} & 四问几何、信念、覆盖、调度与串行通信实现\\
|
||||
\pathtext{src/mcm26b/guarantee/plans/} & 第四问已实现的覆盖计划及验证参数\\
|
||||
\pathtext{project/} & 最优与基线配对对比框架及其冻结基准集结果\\
|
||||
\pathtext{scripts/audit_paper_formal.py} & 正式文件对应核对、匿名快照及表格复算\\
|
||||
\pathtext{scripts/build_paper_support.py} & 对比表、矢量图、源码附录与支撑包生成\\
|
||||
\pathtext{scripts/build_figure_data.py}、\pathtext{scripts/matlab/} & 插图数据准备与 MATLAB 出图脚本\\
|
||||
\pathtext{docs/paper/data/} & 仅四个所选正式案例的可读统计、表格及哈希\\
|
||||
\pathtext{docs/paper/sections/} & 分章论文源文件\\
|
||||
\pathtext{docs/paper/figures/} & 正式累计耗时图的矢量源文件\\
|
||||
\pathtext{docs/figures/} & 正文插图（PNG）及其数据清单与生成命令\\
|
||||
\pathtext{Jammers-simulator-full/test/} & 四份原名官方加密正式日志\\
|
||||
>>>>>>> 78e4420a3e496c43db8e06556e539fd7d2aaf231
|
||||
\pathtext{support-manifest.json} & 支撑包文件清单及逐文件 SHA-256\\
|
||||
\bottomrule
|
||||
\end{tabularx}
|
||||
|
||||
@@ -0,0 +1,173 @@
|
||||
\section{算法对比实验：最优实现与基线}\label{sec:comparison}
|
||||
\subsection{对比口径与有效性判定}
|
||||
本节数据来自仓库内的配对对比框架 \pathtext{project/}，
|
||||
用于回答上述几何判据与闭环策略相对朴素做法改进在哪里；
|
||||
它与第~\ref{sec:formal} 节的四份官方正式导出完全分开，两类数字不合并、不相加。
|
||||
框架设三种角色：\textbf{最优实现}直接复用 \pathtext{src/mcm26b} 中已由测试固化的生产代码，
|
||||
只增加输入输出适配；\textbf{基线实现}是同题下更朴素但能独立跑通的对照，
|
||||
不共享最优实现的关键步骤；\textbf{独立参考}与分析算法正交，用于判定谁对谁错。
|
||||
问题三、四在内存回环评测机上运行，与官方接口使用同一请求与响应边界：
|
||||
源真值只在评测机一侧，策略端只读响应，因此全清率与缺席误判可以核查。
|
||||
一局有效必须同时满足全清、无缺席误判、正常 \texttt{/exit}、零异常与逐微秒计时复算一致，
|
||||
否则记为无效，失败样本不静默丢弃；所有对比按场景配对，并给出均值、中位与最大值。
|
||||
源位置均匀、误差场逐点固定等分布属于自建测试假设，题面并未规定，
|
||||
本节结论只描述各方法的相对行为。
|
||||
|
||||
\begin{table}[htbp]
|
||||
\centering\small
|
||||
\caption{四问最优实现与基线的核心指标总览（自建基准集）}
|
||||
\begin{tabularx}{\linewidth}{c X l l}
|
||||
\toprule
|
||||
问 & 核心指标 & 最优实现 & 基线实现\\
|
||||
\midrule
|
||||
\csname @@input\endcsname data/project-overview-rows.tex
|
||||
\bottomrule
|
||||
\end{tabularx}
|
||||
\label{tab:projoverview}
|
||||
\end{table}
|
||||
表~\ref{tab:projoverview} 中问题二、四的基线分别取“候选圆心”与
|
||||
“问题三策略直接搬用”，它们是各自问中最需要区分的对照，
|
||||
其余各表的配对数字同样如此选择。
|
||||
本节全部数字由 \pathtext{scripts/build_paper_support.py} 从
|
||||
\pathtext{project/results/*.json} 生成，正文与表格均不手抄。
|
||||
|
||||
\subsection{问题一：直径与覆盖判定}
|
||||
\begin{table}[htbp]
|
||||
\centering\small
|
||||
\caption{问题一固定示例的直径与覆盖判定（单位：m，$\Delta D$ 为相对参考解的误差）}
|
||||
\setlength{\tabcolsep}{4.5pt}
|
||||
\begin{tabular}{lrrrrccc}
|
||||
\toprule
|
||||
算例 & $D$参考 & $D$最优 & $D$基线 & $|\Delta D|$基线 & 覆盖参考 & 覆盖最优 & 覆盖基线\\
|
||||
\midrule
|
||||
\csname @@input\endcsname data/project-q1-example-rows.tex
|
||||
\bottomrule
|
||||
\end{tabular}
|
||||
\label{tab:projq1case}
|
||||
\end{table}
|
||||
|
||||
\begin{table}[htbp]
|
||||
\centering\small
|
||||
\caption{问题一的汇总指标（直径误差单位：m，耗时单位：ms）}
|
||||
\setlength{\tabcolsep}{5pt}
|
||||
\begin{tabular}{lrrrrr}
|
||||
\toprule
|
||||
数据子集／方法 & 状态判定 & 直径平均误差 & 直径最大误差 & 覆盖判定 & 平均耗时\\
|
||||
\midrule
|
||||
\csname @@input\endcsname data/project-q1-summary-rows.tex
|
||||
\bottomrule
|
||||
\end{tabular}
|
||||
\label{tab:projq1sum}
|
||||
\end{table}
|
||||
表~\ref{tab:projq1case} 显示基线误差的来源是代理方式而非数值精度：
|
||||
它以轴对齐包围盒的对角线代替区域直径，把边长 $40$ m 的等边三角形判成 $50$ m，
|
||||
把零误差退化线段判成 $0$ m；覆盖判定以“包围盒中心加代理直径圆”代替逐顶点检查，
|
||||
于是对任意包围盒几乎恒判覆盖。
|
||||
在 $\ProjQOneExampleCases$ 个固定示例上，基线的状态判定准确率为 $\ProjQOneFixedStatusBase$，
|
||||
平均直径误差 $\ProjQOneFixedMaeBase$ m，最大误差 $\ProjQOneFixedMaeMaxBase$ m，
|
||||
覆盖判定准确率仅 $\ProjQOneFixedCoverBase$；
|
||||
在 $\ProjQOneRandomCases$ 个随机交会算例上状态判定回到 $\ProjQOneRandStatusBase$，
|
||||
但平均直径误差仍为 $\ProjQOneRandMaeBase$ m，最大误差 $\ProjQOneRandMaeMaxBase$ m，
|
||||
覆盖判定准确率 $\ProjQOneRandCoverBase$。
|
||||
最优实现与独立参考解在全部算例上的状态、直径与覆盖判定一致；
|
||||
平均耗时为 $\ProjQOneRandMsOpt$ 与 $\ProjQOneRandMsBase$ ms（随机算例），
|
||||
说明精确几何并未以计算量为代价。
|
||||
|
||||
\subsection{问题二：第二检测点选择}
|
||||
\begin{table}[htbp]
|
||||
\centering\small
|
||||
\caption{问题二各方法在 $\ProjQTwoCases$ 个随机首次示向度算例上的汇总
|
||||
（半径与收缩单位：m，移动时间单位：s）}
|
||||
\setlength{\tabcolsep}{5pt}
|
||||
\begin{tabular}{lrrrrrr}
|
||||
\toprule
|
||||
方法 & 保证接收率 & 最坏后验均值 & 中位 & 平均收缩 & 终值比 & 移动均值\\
|
||||
\midrule
|
||||
\csname @@input\endcsname data/project-q2-rows.tex
|
||||
\bottomrule
|
||||
\end{tabular}
|
||||
\label{tab:projq2}
|
||||
\end{table}
|
||||
表~\ref{tab:projq2} 的算例由随机首次示向度生成，
|
||||
首次候选集的平均包围半径为 $\ProjQTwoInitialRadius$ m。
|
||||
垂直 $1000$ m 的基线交会角最大，却忽略接收保证，保证接收率为 $\ProjQTwoGuaranteePerp$：
|
||||
真源位于角域远端时第二点必然无信号，其最坏后验均值 $\ProjQTwoWorstPerp$ m
|
||||
是在丢失样本上算出的，不能与其它方法直接比较。
|
||||
候选圆心基线保证接收（$\ProjQTwoGuaranteeMec$），但不增加横向基线，
|
||||
最坏后验半径均值仍为 $\ProjQTwoWorstMec$ m，终值比 $\ProjQTwoRatioMec$，只收缩一半。
|
||||
默认选点器在保证接收下取得最坏后验均值 $\ProjQTwoWorstOpt$ m、终值比 $\ProjQTwoRatioOpt$，
|
||||
与保证接收盘内 $9\times9$ 网格枚举的参考解（$\ProjQTwoWorstRef$ m）相差约 $2.3\%$，
|
||||
说明 $37$ 点环形候选已接近该目标函数下的网格最优。
|
||||
这里的最坏后验是对候选外包多边形的采样评估，不是连续极小极大的全局上界；
|
||||
“保证接收”一项由安全盘独立成立。
|
||||
|
||||
\subsection{问题三：全向闭环}
|
||||
\begin{table}[htbp]
|
||||
\centering\footnotesize
|
||||
\caption{问题三三种方法在 $\ProjQThreeScenes$ 个冻结场景上的汇总
|
||||
（时间单位：s，位移单位：km）}
|
||||
\setlength{\tabcolsep}{3.5pt}
|
||||
\begin{tabular*}{\linewidth}{@{\extracolsep{\fill}}lrrrrrrrrr}
|
||||
\toprule
|
||||
方法 & 有效局 & 全清率 & 缺席误判 & $T$均值/s & $T$中位/s & $T$最大/s & 检测 & 位移/km & 后备清除\\
|
||||
\midrule
|
||||
\csname @@input\endcsname data/project-q3-rows.tex
|
||||
\bottomrule
|
||||
\end{tabular*}
|
||||
\label{tab:projq3}
|
||||
\end{table}
|
||||
三种方法在 $\ProjQThreeScenes$ 个冻结场景（源数 $10$、$13$、$16$，种子与源数版本化）
|
||||
上全部完成全清，缺席误判均为零，差别只在时间：
|
||||
默认 \texttt{bayes} 平均 $\ProjQThreeMeanOpt$ s，
|
||||
七点批量 \texttt{seven} $\ProjQThreeMeanSeven$ s，$49$ 点网格 \texttt{grid} $\ProjQThreeMeanBase$ s。
|
||||
按场景配对，\texttt{bayes} 相对 \texttt{grid} 的平均虚拟时间下降 $\ProjQThreeDropOpt$、
|
||||
中位下降 $\ProjQThreeDropMedianOpt$，在 $\ProjQThreeFasterOpt$ 场景上更快，
|
||||
\texttt{seven} 相对 \texttt{grid} 下降 $\ProjQThreeDropSeven$。
|
||||
分项上，默认策略检测 $\ProjQThreeMeasuresOpt$ 次、位移 $\ProjQThreeMoveOpt$ km，
|
||||
网格基线需要 $\ProjQThreeMeasuresBase$ 次检测、$\ProjQThreeMoveBase$ km 位移；
|
||||
单局在线计算均在 $1.6$ s 以内（默认策略 $\ProjQThreeWallOpt$ s），不构成瓶颈。
|
||||
七点方案用解析覆盖保证发现，站点最少，但按站点批量扫频需要绕行，位移约为默认策略的两倍。
|
||||
可见三者的差别不是“能否完成”，而是覆盖证明与信息增益选点各自省下了多少移动与检测。
|
||||
|
||||
\subsection{问题四：混合源闭环}
|
||||
\begin{table}[htbp]
|
||||
\centering\footnotesize
|
||||
\caption{问题四三种方法在 $\ProjQFourScenes$ 个场景上的汇总
|
||||
（时间单位：s，位移单位：km）}
|
||||
\setlength{\tabcolsep}{3.5pt}
|
||||
\begin{tabular*}{\linewidth}{@{\extracolsep{\fill}}lrrrrrrrrr}
|
||||
\toprule
|
||||
方法 & 有效局 & 全清率 & 缺席误判 & $T$均值/s & $T$中位/s & $T$最大/s & 检测 & 位移/km & 后备清除\\
|
||||
\midrule
|
||||
\csname @@input\endcsname data/project-q4-rows.tex
|
||||
\bottomrule
|
||||
\end{tabular*}
|
||||
\label{tab:projq4}
|
||||
\end{table}
|
||||
$\ProjQFourScenes$ 个场景取自 core 与 boundary 两组，
|
||||
boundary 全部是背离圆心发射的边界定向源，属最不利工况。
|
||||
\texttt{directional} 在 $\ProjQFourValidOpt$ 局上全部有效，全清率 $\ProjQFourClearOpt$，
|
||||
平均后备清除 $\ProjQFourFallbackOpt$ 次，对应遮挡导致的定位停滞。
|
||||
把问题三的 \texttt{bayes} 直接搬用时全清率降到 $\ProjQFourClearBase$，
|
||||
并出现 $\ProjQFourAbsentBase$ 次缺席误判：七站全向缺席证明把朝外发射的定向源判为不存在，
|
||||
因此它用时最短（$\ProjQFourMeanBase$ s），但结论是错的。
|
||||
\texttt{grid} 的 $49$ 点覆盖对定向源发现完备，全清率 $\ProjQFourClearGrid$、
|
||||
平均虚拟时间 $\ProjQFourMeanGrid$ s，却没有朝向推理与后备清除，
|
||||
定位停滞时只能停在“已发现”状态，$\ProjQFourValidGrid$ 局通过有效性判定。
|
||||
\texttt{directional} 平均 $\ProjQFourMeanOpt$ s，比 \texttt{bayes} 高 $\ProjQFourRiseOpt$，
|
||||
位移 $\ProjQFourMoveOpt$ km 对 $\ProjQFourMoveBase$ km；由于基线 $11$ 局全部无效，
|
||||
这一比值不构成“默认策略更慢”的证据，在定向源上应先保证判对、再比较快慢。
|
||||
|
||||
\subsection{对比实验的结论与边界}
|
||||
四组配对比较支持的结论是：问题一的误差来自代理近似，改用精确顶点枚举与最小包围圆后消失；
|
||||
问题二要求同时满足接收保证与横向基线，只取其一都会被表~\ref{tab:projq2} 的某一列暴露；
|
||||
问题三的三种方法都能全清，默认策略的收益来自信息增益选点与滚动排序而非覆盖证明本身；
|
||||
问题四的差别在正确性，搬用全向缺席证明会“快而错”，
|
||||
只扩大覆盖而不补朝向推理与后备清除则“稳而不全”。
|
||||
|
||||
边界有四条。随机分布是自建测试假设，场景数、源数与种子见
|
||||
\pathtext{project/results/*.json}，不能据此推断官方测试的分布。
|
||||
基线不是稻草人：候选圆心、七点批量与网格覆盖都能独立跑通并在部分场景有效，
|
||||
它们暴露的是各自缺少的那一步。
|
||||
问题二的最坏后验与问题四的可见性评分都是启发式评估量，不是全局最优值或校准概率。
|
||||
本节指标与第~\ref{sec:formal} 节的官方统计口径不同，两组数字不可互相换算。
|
||||
@@ -59,6 +59,13 @@ $990.051+15/\sqrt2\approx1000.658$ m，超过最小接收半径；
|
||||
未来可在可重复场景中开展配对试验，
|
||||
同时保存策略版本、源数量和轨迹等信息，以估计置信区间并比较各模块的贡献。
|
||||
|
||||
\textbf{第六，配对对比依赖自建基准集。}
|
||||
第~\ref{sec:comparison} 节的最优与基线对比运行在内存回环评测机上，
|
||||
源位置均匀、误差场逐点固定等分布是测试假设，题面并未规定；
|
||||
场景数有限，基线在部分场景同样有效。
|
||||
该节结论说明的是各方法缺少哪一步，而不是普适的性能排序，
|
||||
也不能与官方正式统计互相换算。
|
||||
|
||||
\subsection{参数影响的解析讨论}
|
||||
主要参数的影响可由模型公式分析。
|
||||
由 $a(\delta)=1500/(2\cos\delta)$ 得
|
||||
|
||||
@@ -95,7 +95,19 @@ $D\le\norm{a-z}+\norm{z-b}\le D$。
|
||||
等号迫使 $z=o$。反之，圆盘为凸集，包含全部顶点即包含它们的凸包。
|
||||
\end{proof}
|
||||
若条件不成立，输出圆外顶点及超出量
|
||||
<<<<<<< HEAD
|
||||
$e=\max_v\norm{v-o}-D/2$，用于量化该圆盘的覆盖误差。
|
||||
=======
|
||||
$e=\max_v\norm{v-o}-D/2$，即得到可独立检查的否定证据。
|
||||
不能仅以直径端点在圆周上判断整个区域被覆盖。
|
||||
图~\ref{fig:q1geometry}(a) 给出一组三点交会算例：左图为三条前向角域及其交集，
|
||||
右图为定位区域的放大，虚线为直径圆、实线为最小包围圆。
|
||||
该算例的定位区域由四个顶点确定，直径为 $23.997$ m，
|
||||
以该直径为直径的圆半径为 $11.998$ m，
|
||||
而最远顶点到圆心的距离为 $12.602$ m，故直径圆并不覆盖定位区域；
|
||||
其最小包围圆半径为 $12.069$ m，满足 $20$ m 的清除判据。
|
||||
这说明直径不超过 $40$ m 与能否清除是两个不同的判据，覆盖判定必须逐顶点检查。
|
||||
>>>>>>> 78e4420a3e496c43db8e06556e539fd7d2aaf231
|
||||
|
||||
\subsection{反例与可清除半径}
|
||||
构造等边三角形
|
||||
@@ -106,10 +118,11 @@ A=(0,0),\qquad B=(40,0),\qquad C=(20,20\sqrt3).
|
||||
但 $C$ 到圆心的距离为 $20\sqrt3$ m，位于圆外。
|
||||
其最小包围圆圆心为 $(20,20/\sqrt3)$，半径
|
||||
$40/\sqrt3\approx23.094$ m，同样大于清除半径。
|
||||
图~\ref{fig:triangle} 展示两类圆的差别。
|
||||
图~\ref{fig:q1geometry}(b) 展示两类圆的差别。
|
||||
|
||||
\begin{figure}[htbp]
|
||||
\centering
|
||||
<<<<<<< HEAD
|
||||
\begin{tikzpicture}[x=0.095cm,y=0.095cm,font=\small]
|
||||
\fill[inkblue!10] (0,0)--(40,0)--(20,34.641)--cycle;
|
||||
\draw[thick] (0,0)--(40,0)--(20,34.641)--cycle;
|
||||
@@ -128,6 +141,20 @@ $40/\sqrt3\approx23.094$ m，同样大于清除半径。
|
||||
\end{tikzpicture}
|
||||
\caption{等边三角形的直径圆与最小包围圆。}
|
||||
\label{fig:triangle}
|
||||
=======
|
||||
\begin{minipage}[t]{0.49\linewidth}\centering
|
||||
\includegraphics[width=\linewidth]{geo-q1-convex-intersection-zoom.png}
|
||||
\end{minipage}\hfill
|
||||
\begin{minipage}[t]{0.49\linewidth}\centering
|
||||
\includegraphics[width=\linewidth]{geo-q1-diameter-circle-counterexample.png}
|
||||
\end{minipage}
|
||||
\caption{问题一的两组几何。(a) 三点交会算例：定位区域及其直径圆与最小包围圆，
|
||||
观测取自官方演练案例 \texttt{U5ZW-P9KN-TCAG-R7ST} 的频道 $9$，
|
||||
几何量由生产求解器 \texttt{mcm26b.geometry.solve} 现算；
|
||||
(b) 等边三角形解析反例，虚线直径圆 $r=20$ m 不覆盖顶点 $C$，
|
||||
实线最小包围圆 $\rho=40/\sqrt3\approx23.094$ m 覆盖全部顶点，不是模拟器观测。}
|
||||
\label{fig:q1geometry}
|
||||
>>>>>>> 78e4420a3e496c43db8e06556e539fd7d2aaf231
|
||||
\end{figure}
|
||||
|
||||
该形状可由题设的 $\pm1^\circ$ 角域构造出来。例如检测点
|
||||
|
||||
@@ -104,22 +104,11 @@ $1.005^\circ$ & 750.115391 & 249.884609\\
|
||||
|
||||
\begin{figure}[htbp]
|
||||
\centering
|
||||
\begin{tikzpicture}[x=0.006cm,y=0.006cm,font=\small,>=Stealth]
|
||||
\fill[inkblue!8] (0,0)--(1499.77,-26.18) arc[start angle=-1,end angle=1,radius=1500]--cycle;
|
||||
\draw[inkblue!45] (750.114,0) circle (750.114);
|
||||
\filldraw[fill=inkblue!12,draw=inkblue,thick] (750.114,0) circle (249.885);
|
||||
\draw[thick] (0,0)--(1499.77,26.18);
|
||||
\draw[thick] (0,0)--(1499.77,-26.18);
|
||||
\draw[->,dashed] (0,0)--(1650,0) node[right] {$u(\theta)$};
|
||||
\fill (0,0) circle (8) node[below left] {$s$};
|
||||
\fill[inkblue] (750.114,0) circle (8) node[below] {$c$};
|
||||
\draw[->,inkblue] (1010,345)--(890,155);
|
||||
\node[anchor=west,inkblue] at (990,390) {保证接收候选盘};
|
||||
\node at (750,-850) {圆域先验 $\Omega$ 可进一步收紧候选集};
|
||||
\node[anchor=east] at (1570,-125) {首次截断角域 $S$};
|
||||
\node[inkblue!70] at (750,830) {截断角域的最小包围圆};
|
||||
\end{tikzpicture}
|
||||
\caption{第二点解析候选区域的几何关系，采用 $1^\circ$ 半角、同一坐标比例绘制。}
|
||||
\includegraphics[width=0.70\linewidth]{geo-q2-guaranteed-reception-disk.png}
|
||||
\caption{第二点解析候选区域。左图为首次截断角域 $S$、
|
||||
其最小包围圆 $\B(c,a)$ 与保证接收的候选盘 $\B(c,1000-a)$；
|
||||
右图为半径分解，$a=1500/(2\cos\delta)$。取 $\delta=1^\circ$ 时
|
||||
$a\approx750.114$ m、$1000-a\approx249.886$ m，与表~\ref{tab:safeanalytic} 一致。}
|
||||
\label{fig:q2disk}
|
||||
\end{figure}
|
||||
|
||||
|
||||
@@ -1,5 +1,6 @@
|
||||
\section{问题三：全向多源的覆盖搜索与滚动调度}
|
||||
\subsection{统一时间目标与任务状态}
|
||||
<<<<<<< HEAD
|
||||
设整个会话移动距离为 $L$，检测、换频、成功和失败清除次数分别为
|
||||
$N_m,N_s,N_c^+,N_c^-$。忽略每段移动时间的微秒量化时，总虚拟耗时为
|
||||
\begin{equation}
|
||||
@@ -10,6 +11,13 @@ T=\frac{L}{5}+5N_m+N_s+5N_c^++3N_c^-.
|
||||
题目统计的平均定位清除时间为 $\bar T=T/N_c^+$，包含搜索、定位与清除的全部耗时。
|
||||
清除请求中的频道指定操作对象，测向机保持原频道；
|
||||
进入与退出的虚拟耗时为零，因此采用终点自由的开放路径模型。
|
||||
=======
|
||||
按式~\eqref{eq:time} 的计时记账，优化目标是在全部源清除的约束下最小化虚拟耗时 $T$。
|
||||
题目统计的平均定位清除时间是 $\bar T=T/N_c^+$；
|
||||
不能用每次清除动作的固定 $5$ s 代替。
|
||||
清除请求中的频道是目标频道，不改变测向机频道；
|
||||
进入与退出均不增加虚拟时间，因此路径终点自由，无需返回原点。
|
||||
>>>>>>> 78e4420a3e496c43db8e06556e539fd7d2aaf231
|
||||
|
||||
各频道的状态按“未知、已发现、可清除、已清除、已证无源”管理。
|
||||
首次获得 $\direction$ 或 $\near$ 即确立该频道存在源。
|
||||
@@ -49,6 +57,7 @@ $r^2+a^2-\sqrt3ar$。
|
||||
|
||||
\begin{figure}[htbp]
|
||||
\centering
|
||||
<<<<<<< HEAD
|
||||
\begin{tikzpicture}[x=0.0019cm,y=0.0019cm,font=\small]
|
||||
\begin{scope}
|
||||
\clip (0,0) circle (1800);
|
||||
@@ -73,6 +82,11 @@ $r^2+a^2-\sqrt3ar$。
|
||||
{$a=1159.7$ m\\$R=1800$ m\\最坏距离 $\le984.539$ m};
|
||||
\end{tikzpicture}
|
||||
\caption{七点全向覆盖的站点构造与接收圆盘。}
|
||||
=======
|
||||
\includegraphics[width=0.42\linewidth]{geo-q3-seven-point-coverage.png}
|
||||
\caption{七点全向覆盖构造。站点取自配置参数 $a=1159.7$ m，
|
||||
圆圈为 $1000$ m 接收盘，最差点位于 $(0,-1825)$ 附近，最坏距离 $\le984.539$ m。}
|
||||
>>>>>>> 78e4420a3e496c43db8e06556e539fd7d2aaf231
|
||||
\label{fig:seven}
|
||||
\end{figure}
|
||||
|
||||
@@ -195,4 +209,23 @@ C(\pi)=\frac{\norm{p-q_{\pi_1}}}{5}
|
||||
当前每轮追加有效定位测量上限为 $8$；
|
||||
停滞、协议异常或预算耗尽时，记录各频道状态并终止。
|
||||
程序以接口返回的现实预算为准，并预留退出时间，
|
||||
<<<<<<< HEAD
|
||||
虚拟动作耗时以整数微秒累计，程序运行时间由官方统计单独记录。
|
||||
=======
|
||||
实际计时在整数微秒状态上累计，避免用实机运行秒数代替虚拟动作耗时。
|
||||
|
||||
\subsection{运行过程示例}
|
||||
图~\ref{fig:replay3} 回放一局全向演练（案例 \texttt{BBM9-HZG2-77N5-NKKC}，$10$ 个源）：
|
||||
左图为移动轨迹、检测示向度与已清除频道，右上方为事件流水，
|
||||
下方为虚拟时间轴上的检测与清除时刻。
|
||||
该局说明覆盖扫描、定位测量与清除三类任务的交替关系，
|
||||
以及为接收向外发射的源而短时越出 $\Omega$ 边界的路径形态；它属于演练留档，不计入正式成绩。
|
||||
|
||||
\begin{figure}[htbp]
|
||||
\centering
|
||||
\includegraphics[width=0.85\linewidth]{replay-webui-q3-omnidirectional.png}
|
||||
\caption{全向源演练局（\texttt{BBM9-HZG2-77N5-NKKC}）的运行回放。
|
||||
该局为演练案例，非正式测试记录。}
|
||||
\label{fig:replay3}
|
||||
\end{figure}
|
||||
>>>>>>> 78e4420a3e496c43db8e06556e539fd7d2aaf231
|
||||
|
||||
@@ -62,7 +62,14 @@ A_{ij}=\mathbf1\{
|
||||
验证结果覆盖全部 $3\,256\,200$ 个离散状态，
|
||||
最坏覆盖距离约为 $990.051$ m。
|
||||
|
||||
\input{figures/q4-plan}
|
||||
\begin{figure}[htbp]
|
||||
\centering
|
||||
\includegraphics[width=0.70\linewidth]{geo-q4-minimum-cover-31-points.png}
|
||||
\caption{31 点最小命中集的几何分布（左）与定向源的前向半盘语义（右）。
|
||||
站点取自计划文件，部分站点位于 $\Omega$ 之外，用于接收向外发射的边界源；
|
||||
离散校验不等同于连续覆盖证明。}
|
||||
\label{fig:q4plan}
|
||||
\end{figure}
|
||||
|
||||
从离散覆盖推广到连续覆盖时，需同时计入位置与朝向的离散化误差。
|
||||
设任意实际位置距某采样位置不超过 $\varepsilon$，
|
||||
@@ -175,6 +182,30 @@ $N_{\mathrm{cell}}\,t_{\mathrm{RTT},95}+t_{\mathrm{reserve}}$。
|
||||
\item 覆盖任务结束后处理未解决频道；主动退出时报告清除数及停止依据。
|
||||
\end{enumerate}
|
||||
\end{algorithmblock}
|
||||
<<<<<<< HEAD
|
||||
问题四采用站内批量检测与最近邻任务排序。
|
||||
算法结合位置集合、朝向约束和剩余预算确定测点及清除顺序，
|
||||
并以各频道的处理状态作为终止时的输出。
|
||||
=======
|
||||
问题四使用“本站批量扫频、最近候选圆心服务”的调度骨架，
|
||||
并未直接复用问题三的统一信息增益任务表。
|
||||
若要求严格的混合源全清证据，除采用连续覆盖计划外，
|
||||
还须补全类型联合表示或限制联合集排空的适用范围，并确保全部定位清除任务完成。
|
||||
本文区分当前实现、可证明条件与尚需完善之处，不把后者追溯为正式测试时已执行的功能。
|
||||
|
||||
\subsection{运行过程示例}
|
||||
图~\ref{fig:replay4} 回放一局含定向源的演练（案例 \texttt{GHSN-M38E-74GD-YLUD}）：
|
||||
左图在轨迹、检测示向度与已清除频道之外，画出每个定向源的前向半盘
|
||||
（$\pm90^\circ$，半径取该源的 $r_{\mathrm{eff}}$），箭头方向即朝向。
|
||||
图中存在落在接收半径之内、却因位于背向半平面而无信号的检测点，
|
||||
对应式~\eqref{eq:visibility} 的可见性条件，保留这一解释正是问题四与问题三
|
||||
在候选更新上的区别；该局同样不计入正式成绩。
|
||||
|
||||
\begin{figure}[htbp]
|
||||
\centering
|
||||
\includegraphics[width=0.85\linewidth]{replay-webui-q4-directional.png}
|
||||
\caption{含定向源演练局（\texttt{GHSN-M38E-74GD-YLUD}）的运行回放，
|
||||
紫色半盘为定向源的前向可见区域。该局为演练案例，非正式测试记录。}
|
||||
\label{fig:replay4}
|
||||
\end{figure}
|
||||
>>>>>>> 78e4420a3e496c43db8e06556e539fd7d2aaf231
|
||||
|
||||
@@ -1,9 +1,21 @@
|
||||
<<<<<<< HEAD
|
||||
\section{官方正式测试结果与时间分解}
|
||||
\subsection{实验数据与评价指标}
|
||||
实验采用官方模拟器 \pathtext{Jammers-simulator-full/test} 目录中的六份正式导出，
|
||||
包括问题三、四各三次测试。各文件经 SHA-256 校验后，与官方原始导出、
|
||||
结果侧文件及正式统计记录建立对应关系\cite{formal}。
|
||||
案例编码与文件校验值列于附录~\ref{app:data}。
|
||||
=======
|
||||
\section{官方正式测试结果与时间分解}\label{sec:formal}
|
||||
\subsection{数据选择及对应关系核对}
|
||||
本节实验样本严格限定为官方模拟器
|
||||
\pathtext{Jammers-simulator-full/test} 下四个正式导出包。
|
||||
问题三、四各有正式序号 $1$、$2$，文件名及案例编码见结果表和附录。
|
||||
本节表格不采用 \texttt{project/results} 中的自建评测数据，
|
||||
也不将历史演练案例当作正式测试补入；
|
||||
自建配对对比与演练局示例分别在第~\ref{sec:comparison} 节和各问的运行过程示例中单独陈述，
|
||||
两类数据不合并统计。
|
||||
>>>>>>> 78e4420a3e496c43db8e06556e539fd7d2aaf231
|
||||
|
||||
评价指标包括清除数量 $N_c^+$、平均定位清除时间 $\bar T$、程序运行时间
|
||||
$T_{\mathrm{real}}$，以及检测、换频和清除的动作次数。
|
||||
@@ -99,11 +111,34 @@ T_{\mathrm{move}}
|
||||
\end{table}
|
||||
\input{figures/formal-time-bars}
|
||||
|
||||
<<<<<<< HEAD
|
||||
六次测试中，移动时间占总虚拟耗时的 $\FormalMovementMin\%$ 至 $\FormalMovementMax\%$，
|
||||
是主要时间成本。问题三的检测次数为 $105$、$117$、$117$，
|
||||
问题四为 $349$、$361$、$264$；
|
||||
混合源案例中，朝向约束增加了观测与位置选择的复杂度。
|
||||
因此，后续优化可同时考虑减少移动距离与提高单次观测的信息增益。
|
||||
=======
|
||||
图~\ref{fig:timingmeasured} 按同一记账口径给出一局全向演练的累计时间构成：
|
||||
横轴为动作序号，堆叠高度为累计虚拟时间，
|
||||
移动项在整局中占主要部分，清除阶段表现为阶梯状跃升。
|
||||
该图用于说明式~\eqref{eq:time} 的分项在同一局内如何随时间累积，
|
||||
其数据来自演练留档，不进入正式统计。
|
||||
|
||||
\begin{figure}[htbp]
|
||||
\centering
|
||||
\includegraphics[width=0.58\linewidth]{timing-measured-q3-10-sources.png}
|
||||
\caption{一局全向演练（\texttt{BBM9-HZG2-77N5-NKKC}，$10$ 个源）的累计虚拟时间构成。
|
||||
该局为演练案例，不计入正式测试结果。}
|
||||
\label{fig:timingmeasured}
|
||||
\end{figure}
|
||||
|
||||
四局移动时间占总虚拟时间的 $76.59\%$ 至 $78.02\%$。
|
||||
从这一组正式样本看，减少移动是影响总耗时的主要方向，
|
||||
检测与换频仍应同时计入路径选择。
|
||||
由 $L_{\mathrm{eq}}=5T_{\mathrm{move}}$ 得四局等效距离分别约为
|
||||
$12.045$、$13.627$、$36.386$、$35.507$ km。
|
||||
它们由已量化的移动时间反推，不是独立轨迹测得的长度。
|
||||
>>>>>>> 78e4420a3e496c43db8e06556e539fd7d2aaf231
|
||||
|
||||
由 $L_{\mathrm{eq}}=5T_{\mathrm{move}}$ 得问题三的等效移动距离依次为
|
||||
$12.045$、$13.627$、$10.824$ km，问题四依次为
|
||||
|
||||
@@ -0,0 +1,70 @@
|
||||
\section{计时模型与会话状态机}
|
||||
\subsection{会话状态与合法动作}
|
||||
题目接口只有 \texttt{/enter}、\texttt{/measure}、\texttt{/clear} 与 \texttt{/exit}
|
||||
四条指令。会话状态依次为未进入、进入倒计时、接口开放与断连，
|
||||
进入倒计时为 $5$ s，如图~\ref{fig:statemachine}。
|
||||
只有 \texttt{accepted=true} 的响应推进虚拟时钟；被拒绝的请求返回的虚拟时刻为零，
|
||||
不能当作当前时刻使用，也不改变位置与测向机频道。
|
||||
一次合法 \texttt{/measure} 结束后，测向机频道更新为本次检测频道；
|
||||
\texttt{/clear} 给出的是目标频道，既不改变测向机频道，也不产生换频耗时。
|
||||
因此清除之后原地再测的耗时取决于上一次 \texttt{/measure} 的频道，而不是清除的频道。
|
||||
|
||||
\begin{figure}[htbp]
|
||||
\centering
|
||||
\includegraphics[width=0.92\linewidth]{steps-state-machine.png}
|
||||
\caption{会话状态机。进入后经 $5$ s 倒计时接口开放，主动退出或断连后进入关闭状态。}
|
||||
\label{fig:statemachine}
|
||||
\end{figure}
|
||||
|
||||
\subsection{动作耗时与累计虚拟时间}
|
||||
题面将全部动作折算为虚拟耗时，见表~\ref{tab:actioncost}。
|
||||
检测无论返回无信号、近距离还是示向度，均计 $5$ s；
|
||||
清除成功计 $5$ s，其中光学定位 $3$ s、激光清除 $2$ s，
|
||||
未命中目标时只支付光学检查的 $3$ s。
|
||||
移动与换频没有独立指令，由相邻动作的位置与频道变化推断。
|
||||
|
||||
\begin{table}[htbp]
|
||||
\centering\small
|
||||
\caption{动作耗时规则。移动耗时等于直线距离除以 $5$ m/s。}
|
||||
\begin{tabularx}{\linewidth}{l l l X}
|
||||
\toprule
|
||||
动作 & 指令 & 虚拟耗时/s & 说明\\
|
||||
\midrule
|
||||
进入 & \texttt{/enter} & 0 & 初始位置 $(0,0)$、初始频道 $1$\\
|
||||
检测 & \texttt{/measure} & $5+$移动$+$换频 & 三种检测结果耗时相同\\
|
||||
清除 & \texttt{/clear} & $5+$移动／$3+$移动 & 成功／未命中目标，均不切换测向频道\\
|
||||
退出 & \texttt{/exit} & 0 & 路径终点自由，无需返回原点\\
|
||||
换频 & 由检测推断 & 1 & 相邻 \texttt{/measure} 的频道变化\\
|
||||
移动 & 由动作推断 & 距离$/5$ & 相邻动作的位置变化\\
|
||||
\bottomrule
|
||||
\end{tabularx}
|
||||
\label{tab:actioncost}
|
||||
\end{table}
|
||||
|
||||
设整个会话的移动距离为 $L$，检测、换频、成功清除与失败清除的次数分别为
|
||||
$N_m,N_s,N_c^+,N_c^-$。忽略每段移动时间的微秒量化时，总虚拟耗时为
|
||||
\begin{equation}
|
||||
T=\frac{L}{5}+5N_m+N_s+5N_c^++3N_c^-.
|
||||
\label{eq:time}
|
||||
\end{equation}
|
||||
式~\eqref{eq:time} 是后文任务排序的服务时间来源，
|
||||
也是由官方累计量反推移动时间（式~\eqref{eq:residual}）的依据。
|
||||
图~\ref{fig:timingexample} 用附件的五步示例说明记账方式：
|
||||
首次检测含移动 $100$ s 与检测 $5$ s，单步 $105$ s；
|
||||
原地换到频道 $2$ 检测单步 $6$ s，累计 $111$ s；
|
||||
清除目标频道 $3$ 未命中，移动 $80$ s 加光学检查 $3$ s，单步 $83$ s，累计 $194$ s；
|
||||
清除不改变测向机频道，故随后原地以频道 $2$ 复测只需 $5$ s，累计 $199$ s，与附件一致。
|
||||
|
||||
\begin{figure}[htbp]
|
||||
\centering
|
||||
\includegraphics[width=0.55\linewidth]{timing-attachment-example-105-111-194-199.png}
|
||||
\caption{附件计时示例的逐动作构成。移动项为距离除以 $5$ m/s，标题数字为该步合计。}
|
||||
\label{fig:timingexample}
|
||||
\end{figure}
|
||||
|
||||
\subsection{虚拟时间、现实预算与终止}
|
||||
虚拟时间度量任务完成速度，现实预算约束程序能否继续发出请求，两者不能混用。
|
||||
程序以 \texttt{/enter} 返回的 \texttt{remaining\_real\_duration\_s} 为准，
|
||||
在每个动作前预留退出时间；虚拟时间以整数微秒累计，在线预测只用于规划与一致性核对。
|
||||
因此后文的“耗时”一律指式~\eqref{eq:time} 的虚拟时间，程序运行时间在结果表中单列。
|
||||
策略在预算不足或协议异常时主动退出并报告未解决频道，不以程序正常结束代替任务完成。
|
||||
@@ -1,7 +1,9 @@
|
||||
"""Build vector figure sources, complete source listings, and a compact support ZIP.
|
||||
"""Build vector figure sources, comparison tables, source listings, and a support ZIP.
|
||||
|
||||
Formal figures use the audited snapshot only. Geometric figures use declared
|
||||
algorithm parameters, not fabricated observations or hidden simulator data.
|
||||
The paired optimal-versus-baseline tables are generated from project/results/*.json
|
||||
so that no number in the comparison section is hand copied.
|
||||
"""
|
||||
from __future__ import annotations
|
||||
|
||||
@@ -9,11 +11,12 @@ import argparse
|
||||
import hashlib
|
||||
import json
|
||||
import zipfile
|
||||
from decimal import Decimal
|
||||
from decimal import Decimal, ROUND_HALF_UP
|
||||
from pathlib import Path
|
||||
|
||||
ROOT = Path(__file__).resolve().parents[1]
|
||||
PAPER = ROOT / "docs/paper"
|
||||
PROJECT_RESULTS = ROOT / "project/results"
|
||||
|
||||
# Display copies only: executable Python files remain byte-for-byte unchanged.
|
||||
ESCAPE_OPEN = "(" + "*@"
|
||||
@@ -46,6 +49,7 @@ def digest(data: bytes) -> str:
|
||||
def figures(rows: list[dict]) -> None:
|
||||
out = PAPER / "figures"
|
||||
out.mkdir(parents=True, exist_ok=True)
|
||||
<<<<<<< HEAD
|
||||
plan = json.loads((ROOT / "src/mcm26b/guarantee/plans/q4_mincover_v2.json").read_text("utf-8"))
|
||||
lines = [
|
||||
r"\begin{figure}[htbp]\centering",
|
||||
@@ -68,6 +72,8 @@ def figures(rows: list[dict]) -> None:
|
||||
r"\label{fig:q4plan}\end{figure}",
|
||||
]
|
||||
(out / "q4-plan.tex").write_text("\n".join(lines) + "\n", "utf-8")
|
||||
=======
|
||||
>>>>>>> 78e4420a3e496c43db8e06556e539fd7d2aaf231
|
||||
colors = ["inkblue", "inkblue!50", "warmgray!70", "black!18"]
|
||||
bars = [
|
||||
r"\begin{figure}[htbp]\centering",
|
||||
@@ -101,6 +107,164 @@ def figures(rows: list[dict]) -> None:
|
||||
(out / "formal-time-bars.tex").write_text("\n".join(bars) + "\n", "utf-8")
|
||||
|
||||
|
||||
def fixed(value: float | None, digits: int = 3) -> str:
|
||||
if value is None:
|
||||
return "--"
|
||||
return str(Decimal(str(value)).quantize(Decimal(1).scaleb(-digits), rounding=ROUND_HALF_UP))
|
||||
|
||||
|
||||
def percent(value: float | None, digits: int = 1) -> str:
|
||||
if value is None:
|
||||
return "--"
|
||||
return fixed(100 * value, digits) + r"\%"
|
||||
|
||||
|
||||
def flag(value: bool | None) -> str:
|
||||
return "--" if value is None else ("是" if value else "否")
|
||||
|
||||
|
||||
def project_tables() -> None:
|
||||
"""Generate the optimal-versus-baseline comparison tables from project/results."""
|
||||
out = PAPER / "data"
|
||||
out.mkdir(parents=True, exist_ok=True)
|
||||
data = {name: json.loads((PROJECT_RESULTS / f"{name}.json").read_text("utf-8"))
|
||||
for name in ("q1", "q2", "q3", "q4")}
|
||||
examples, random = data["q1"]["aggregate_examples"], data["q1"]["aggregate_random"]
|
||||
two = data["q2"]["aggregate"]
|
||||
three, paired3 = data["q3"]["aggregate"]["variants"], data["q3"]["aggregate"]["paired"]
|
||||
four, paired4 = data["q4"]["aggregate"]["variants"], data["q4"]["aggregate"]["paired"]
|
||||
head = "% Generated by scripts/build_paper_support.py from project/results/*.json."
|
||||
|
||||
macros = [
|
||||
("ProjQOneExampleCases", str(examples["cases"])),
|
||||
("ProjQOneRandomCases", str(random["cases"])),
|
||||
("ProjQOneFixedStatusBase", percent(examples["status_accuracy_baseline"])),
|
||||
("ProjQOneFixedMaeBase", fixed(examples["diameter_mae_baseline_m"])),
|
||||
("ProjQOneFixedMaeMaxBase", fixed(examples["diameter_max_err_baseline_m"])),
|
||||
("ProjQOneFixedCoverBase", percent(examples["coverage_accuracy_baseline"])),
|
||||
("ProjQOneFixedMsOpt", fixed(examples["runtime_optimal_mean_ms"])),
|
||||
("ProjQOneFixedMsBase", fixed(examples["runtime_baseline_mean_ms"])),
|
||||
("ProjQOneRandStatusBase", percent(random["status_accuracy_baseline"])),
|
||||
("ProjQOneRandMaeBase", fixed(random["diameter_mae_baseline_m"])),
|
||||
("ProjQOneRandMaeMaxBase", fixed(random["diameter_max_err_baseline_m"])),
|
||||
("ProjQOneRandCoverBase", percent(random["coverage_accuracy_baseline"])),
|
||||
("ProjQOneRandMsOpt", fixed(random["runtime_optimal_mean_ms"])),
|
||||
("ProjQOneRandMsBase", fixed(random["runtime_baseline_mean_ms"])),
|
||||
("ProjQTwoCases", str(two["optimal"]["cases"])),
|
||||
("ProjQTwoInitialRadius", fixed(two["_initial_radius_mean_m"])),
|
||||
("ProjQTwoGuaranteeOpt", percent(two["optimal"]["guaranteed_rate"])),
|
||||
("ProjQTwoGuaranteeMec", percent(two["baseline_mec"]["guaranteed_rate"])),
|
||||
("ProjQTwoGuaranteePerp", percent(two["baseline_perp"]["guaranteed_rate"])),
|
||||
("ProjQTwoWorstOpt", fixed(two["optimal"]["worst_posterior_mean_m"])),
|
||||
("ProjQTwoWorstRef", fixed(two["reference"]["worst_posterior_mean_m"])),
|
||||
("ProjQTwoRatioOpt", fixed(two["optimal"]["final_ratio_mean"])),
|
||||
("ProjQTwoRatioMec", fixed(two["baseline_mec"]["final_ratio_mean"])),
|
||||
("ProjQTwoWorstPerp", fixed(two["baseline_perp"]["worst_posterior_mean_m"])),
|
||||
("ProjQTwoWorstMec", fixed(two["baseline_mec"]["worst_posterior_mean_m"])),
|
||||
("ProjQThreeScenes", str(three["optimal"]["episodes"])),
|
||||
("ProjQThreeMeanOpt", fixed(three["optimal"]["virtual_time_mean_s"])),
|
||||
("ProjQThreeMeanSeven", fixed(three["seven"]["virtual_time_mean_s"])),
|
||||
("ProjQThreeMeanBase", fixed(three["baseline"]["virtual_time_mean_s"])),
|
||||
("ProjQThreeDropOpt", percent(-paired3["optimal_vs_baseline"]["mean_relative_change"])),
|
||||
("ProjQThreeDropMedianOpt",
|
||||
percent(-paired3["optimal_vs_baseline"]["median_relative_change"])),
|
||||
("ProjQThreeDropSeven", percent(-paired3["seven_vs_baseline"]["mean_relative_change"])),
|
||||
("ProjQThreeFasterOpt",
|
||||
f"{paired3['optimal_vs_baseline']['faster_scenes']}/{paired3['optimal_vs_baseline']['compared']}"),
|
||||
("ProjQThreeMeasuresOpt", fixed(three["optimal"]["measures_mean"])),
|
||||
("ProjQThreeMeasuresBase", fixed(three["baseline"]["measures_mean"])),
|
||||
("ProjQThreeMoveOpt", fixed(three["optimal"]["move_distance_mean_m"] / 1000)),
|
||||
("ProjQThreeMoveBase", fixed(three["baseline"]["move_distance_mean_m"] / 1000)),
|
||||
("ProjQThreeWallOpt", fixed(three["optimal"]["compute_wall_mean_s"])),
|
||||
("ProjQFourScenes", str(four["optimal"]["episodes"])),
|
||||
("ProjQFourMeanOpt", fixed(four["optimal"]["virtual_time_mean_s"])),
|
||||
("ProjQFourMeanGrid", fixed(four["baseline_grid"]["virtual_time_mean_s"])),
|
||||
("ProjQFourMeanBase", fixed(four["baseline"]["virtual_time_mean_s"])),
|
||||
("ProjQFourClearOpt", percent(four["optimal"]["cleared_ratio_mean"])),
|
||||
("ProjQFourClearGrid", percent(four["baseline_grid"]["cleared_ratio_mean"])),
|
||||
("ProjQFourClearBase", percent(four["baseline"]["cleared_ratio_mean"])),
|
||||
("ProjQFourAbsentBase", str(four["baseline"]["absent_misjudged_total"])),
|
||||
("ProjQFourMeasuresOpt", fixed(four["optimal"]["measures_mean"])),
|
||||
("ProjQFourMeasuresBase", fixed(four["baseline"]["measures_mean"])),
|
||||
("ProjQFourFallbackOpt", fixed(four["optimal"]["fallback_clear_attempts_mean"])),
|
||||
("ProjQFourValidOpt",
|
||||
f"{four['optimal']['valid_episodes']}/{four['optimal']['episodes']}"),
|
||||
("ProjQFourValidGrid",
|
||||
f"{four['baseline_grid']['valid_episodes']}/{four['baseline_grid']['episodes']}"),
|
||||
("ProjQFourRiseOpt", percent(paired4["optimal_vs_baseline"]["mean_relative_change"])),
|
||||
("ProjQFourMoveOpt", fixed(four["optimal"]["move_distance_mean_m"] / 1000)),
|
||||
("ProjQFourMoveBase", fixed(four["baseline"]["move_distance_mean_m"] / 1000)),
|
||||
]
|
||||
lines = [head] + [f"\\newcommand{{\\{name}}}{{{value}}}" for name, value in macros]
|
||||
(out / "project-macros.tex").write_text("\n".join(lines) + "\n", "utf-8")
|
||||
|
||||
def write(stem: str, rows: list[str]) -> None:
|
||||
(out / stem).write_text("\n".join([head, *rows]) + "\n", "utf-8")
|
||||
|
||||
write("project-overview-rows.tex", [
|
||||
"问题 & 核心指标 & 最优实现 & 基线实现 " + r"\\",
|
||||
f"1 & 直径平均绝对误差 / 覆盖判定准确率 & {fixed(random['diameter_mae_optimal_m'])} m / "
|
||||
f"{percent(random['coverage_accuracy_optimal'])} & {fixed(random['diameter_mae_baseline_m'])} m / "
|
||||
f"{percent(random['coverage_accuracy_baseline'])} " + r"\\",
|
||||
f"2 & 保证接收率 / 最坏后验半径均值 & {percent(two['optimal']['guaranteed_rate'])} / "
|
||||
f"{fixed(two['optimal']['worst_posterior_mean_m'])} m & {percent(two['baseline_mec']['guaranteed_rate'])} / "
|
||||
f"{fixed(two['baseline_mec']['worst_posterior_mean_m'])} m " + r"\\",
|
||||
f"3 & 全清率 / 平均虚拟耗时 & {percent(three['optimal']['cleared_ratio_mean'])} / "
|
||||
f"{fixed(three['optimal']['virtual_time_mean_s'])} s & {percent(three['baseline']['cleared_ratio_mean'])} / "
|
||||
f"{fixed(three['baseline']['virtual_time_mean_s'])} s " + r"\\",
|
||||
f"4 & 全清率 / 缺席误判总数 & {percent(four['optimal']['cleared_ratio_mean'])} / "
|
||||
f"{four['optimal']['absent_misjudged_total']} & {percent(four['baseline']['cleared_ratio_mean'])} / "
|
||||
f"{four['baseline']['absent_misjudged_total']} " + r"\\",
|
||||
])
|
||||
|
||||
write("project-q1-example-rows.tex", [
|
||||
f"{row['name']} & {fixed(row['diameter_ref_m'])} & {fixed(row['diameter_opt_m'])} & "
|
||||
f"{fixed(row['diameter_base_m'])} & {fixed(row['abs_err_base_m'])} & "
|
||||
f"{flag(row['covers_ref'])} & {flag(row['covers_opt'])} & {flag(row['covers_base'])} " + r"\\"
|
||||
for row in data["q1"]["examples"]
|
||||
])
|
||||
|
||||
write("project-q1-summary-rows.tex", [
|
||||
f"最优（固定 {examples['cases']} 例） & {percent(examples['status_accuracy_optimal'])} & "
|
||||
f"{fixed(examples['diameter_mae_optimal_m'])} & {fixed(examples['diameter_max_err_optimal_m'])} & "
|
||||
f"{percent(examples['coverage_accuracy_optimal'])} & {fixed(examples['runtime_optimal_mean_ms'])} " + r"\\",
|
||||
f"最优（随机 {random['cases']} 例） & {percent(random['status_accuracy_optimal'])} & "
|
||||
f"{fixed(random['diameter_mae_optimal_m'])} & {fixed(random['diameter_max_err_optimal_m'])} & "
|
||||
f"{percent(random['coverage_accuracy_optimal'])} & {fixed(random['runtime_optimal_mean_ms'])} " + r"\\",
|
||||
f"基线（固定 {examples['cases']} 例） & {percent(examples['status_accuracy_baseline'])} & "
|
||||
f"{fixed(examples['diameter_mae_baseline_m'])} & {fixed(examples['diameter_max_err_baseline_m'])} & "
|
||||
f"{percent(examples['coverage_accuracy_baseline'])} & {fixed(examples['runtime_baseline_mean_ms'])} " + r"\\",
|
||||
f"基线（随机 {random['cases']} 例） & {percent(random['status_accuracy_baseline'])} & "
|
||||
f"{fixed(random['diameter_mae_baseline_m'])} & {fixed(random['diameter_max_err_baseline_m'])} & "
|
||||
f"{percent(random['coverage_accuracy_baseline'])} & {fixed(random['runtime_baseline_mean_ms'])} " + r"\\",
|
||||
])
|
||||
|
||||
write("project-q2-rows.tex", [
|
||||
f"{label} & {percent(two[key]['guaranteed_rate'])} & {fixed(two[key]['worst_posterior_mean_m'])} & "
|
||||
f"{fixed(two[key]['worst_posterior_median_m'])} & {fixed(two[key]['improvement_mean_m'])} & "
|
||||
f"{fixed(two[key]['final_ratio_mean'])} & {fixed(two[key]['move_cost_mean_s'], 2)} " + r"\\"
|
||||
for key, label in (("optimal", "算法2（默认选点）"), ("reference", "参考：盘内网格枚举"),
|
||||
("baseline_perp", "基线：垂直 1000 m"), ("baseline_mec", "基线：候选圆心"))
|
||||
])
|
||||
|
||||
def variant_rows(table: dict, mapping: list[tuple[str, str]]) -> list[str]:
|
||||
return [
|
||||
f"{label} & {table[key]['valid_episodes']}/{table[key]['episodes']} & "
|
||||
f"{percent(table[key]['cleared_ratio_mean'])} & {table[key]['absent_misjudged_total']} & "
|
||||
f"{fixed(table[key]['virtual_time_mean_s'])} & {fixed(table[key]['virtual_time_median_s'])} & "
|
||||
f"{fixed(table[key]['virtual_time_max_s'])} & {fixed(table[key]['measures_mean'], 1)} & "
|
||||
f"{fixed(table[key]['move_distance_mean_m'] / 1000)} & {fixed(table[key]['fallback_clear_attempts_mean'], 1)} "
|
||||
+ r"\\"
|
||||
for key, label in mapping
|
||||
]
|
||||
|
||||
write("project-q3-rows.tex", variant_rows(three, [
|
||||
("optimal", "bayes（默认策略）"), ("seven", "seven（七点批量）"), ("baseline", "grid（49 点网格）")]))
|
||||
write("project-q4-rows.tex", variant_rows(four, [
|
||||
("optimal", "directional（默认策略）"), ("baseline_grid", "grid（问题三网格）"),
|
||||
("baseline", "bayes（问题三策略）")]))
|
||||
|
||||
|
||||
def listings(rows: list[dict]) -> None:
|
||||
data = PAPER / "data"
|
||||
files = sorted((ROOT / "src/mcm26b").rglob("*.py"))
|
||||
@@ -185,6 +349,11 @@ def package(rows: list[dict]) -> Path:
|
||||
selected.update((PAPER / "data").rglob("*"))
|
||||
selected.update((PAPER / "figures").glob("*.tex"))
|
||||
selected.update((PAPER / "sections").glob("*.tex"))
|
||||
selected.update((ROOT / "docs/figures").glob("*.png"))
|
||||
selected.update((ROOT / "docs/figures").glob("*.json"))
|
||||
selected.add(ROOT / "docs/figures/README.md")
|
||||
selected.update(path for path in (ROOT / "project").rglob("*")
|
||||
if path.is_file() and "__pycache__" not in path.parts)
|
||||
selected.update([PAPER / "main.tex", PAPER / "mcm26b-paper.cls",
|
||||
PAPER / "README.md", PAPER / "REWRITE_NOTES.md",
|
||||
ROOT / "scripts/audit_paper_formal.py",
|
||||
@@ -217,6 +386,7 @@ def main() -> None:
|
||||
args = parser.parse_args()
|
||||
rows = json.loads((PAPER / "data/formal-results.json").read_text("utf-8"))["records"]
|
||||
figures(rows)
|
||||
project_tables()
|
||||
listings(rows)
|
||||
if args.package:
|
||||
package(rows)
|
||||
|
||||
Reference in New Issue
Block a user