Files

T

Horldsence e0665c73fb feat(q3): 贝叶斯网格粒子滤波闭环（PF负观测+信息增益选点+2-opt调度）

- particles.py: 网格幸存集滤波，Voronoi 裕量保证真源保留（缺席证明/网格清除证书/跳测规则）
- planner/bayes_loop.py: 统一任务循环（站点/定位/清除滚动 2-opt 排序）、期望后验半径选点
- planner/seven.py: 七点覆盖策略族提升为库代码
- cli: mcm26b run --strategy {grid,seven,bayes}
- BayesConfig 参数组；tests +24 项（真源保留/证书/端到端），129 全绿

2026-09-11 09:02:28 +08:00

5.8 KiB

Raw Blame History

目标

在新分支 q3-bayes（基于当前 gpt）实现第三问新算法：网格化贝叶斯粒子滤波（含负观测更新）+ 信息增益选点 + 开放路径 2-opt 任务排序 + 七点覆盖兜底 + Optuna 离线调参。评分口径 = 虚拟总时间（A2 基线：官方演练 12 源 5232s、109 次检测）；硬性要求全清率 100%、缺席证明正确、零异常。

关键设计

1. 粒子滤波 `src/mcm26b/particles.py`（新建）

与用户方案的差异点：本项目要求清除证书/缺席证明严格（A2 靠保守几何证书做到 100% 清除率），软核概率 PF 有删掉真源的风险。因此采用网格幸存集滤波（= 硬似然 PF + Voronoi 裕量，与用户"|θ̂−θ|>1° 权重置零"的设定一致但更严格）：

每频道一组 Ω 上间距 h≈30m 的网格粒子（约 1.1 万格，alive 用整数索引集合；空间哈希加速邻域查询）
保守 kill 判定（margin = h·√2/2，保证真源所在格必活）：
- no_signal@s：kill dist(g,s) ≤ 1000 − margin（题面 r_eff ≥ 1000 ⟹ 可严格排除该盘）
- direction@s 读数 θ：kill 角向偏差超出 δ_eff=1.005°（含余量）或 dist > 1500 + margin 的格
- near@s：kill dist(g,s) > 5 + margin
证书全部由此推导：清除证书 = MEC(alive).R + margin ≤ 20 − clear_margin；缺席证明 = alive 为空集（无需额外像素覆盖检查）；跳测规则 = min dist(alive, s) > 1500 + margin ⟹ 必 no_signal，跳过省 6s/次
信息增益：对候选点用子采样（≤500 粒子）× K 个代表假设做 MC 期望熵减估计；复用 smallest_enclosing_circle(Welzl) 求 MEC

2. 新策略 `BayesLoop(OmnidirectionalLoop)`（`src/mcm26b/planner/bayes_loop.py`）

复用基类 run() 骨架、异常收尾、summary、anomaly、预算机制，重写阶段逻辑：

发现阶段：原点起扫（频道排序省换频）→ 站点 = 七点环 ∪ PF 高价值点，按"期望发现数 − λ·移动时间"贪心选站；每站批量扫频时跳过"PF 判定必 no_signal"的 (站,频道) 对与已证缺席频道；每站扫完即服务已发现频道（SevenBatch 风格）
定位服务：选点 = 保证接收盘内候选环采样 + 信息增益评分（ΔH − λ·移动 − μ·检测），有证书即清除；步数上限沿用 max_localize_steps
清除调度：待服务任务（定位+清除 ≤20 节点）开放路径最近邻 + 2-opt，纯标准库，每个决策点滚动重排
收尾：全部 CLEARED/ABSENT → all_resolved；清满 16 提前停；persistent_search 沿用现有配置语义（实现时对照 run_q3_seven_practice.py 保持官方演练停止行为一致）

3. 配置 `config.py`

新增 BayesConfig frozen dataclass（[工程]）：particle_spacing_m、λ/μ 权重、MC 代表数/子采样、skip_margin、站点环半径、2-opt 开关/迭代数等；挂到 ProblemConfig.bayes。默认值不改变现有策略行为。

4. 七点覆盖提升为库代码 `src/mcm26b/planner/seven.py`

把 scripts/benchmark_q3_search.py 的 seven_points()/SevenImmediate/SevenBatch 移入 src（旧脚本改 import，消融结果可复现），供 CLI 与新基准复用。

5. CLI `cli.py`

mcm26b run --strategy {grid,seven,bayes}，默认 grid；若基准通过则默认改为 bayes（用户已确认）。

6. 基准 `scripts/benchmark_q3_bayes.py`

配对消融 {seven_batch, bayes} ×（seeds 0..5 × 10/16 源 + 边界源 + 0 源纯缺席场景），复用现有 run_case/LocalSimulator 模式；输出 output/q3/bayes-ablation/（benchmark.json + report.md）：全清率、correct_absence、异常、accounted/total 虚拟时间、配对降幅、实机 compute_wall_s。

7. Optuna 调参 `scripts/tune_q3_bayes.py`

uv add --group dev optuna（仅调参脚本用，生产零新增依赖）
TPE，目标 = 场景子集平均虚拟时间 + 10⁶×失败惩罚；场景与 error_seed 多样化防过拟合
搜索空间：h、λ/μ、skip margin、候选环、2-opt 开关等
optuna 不可用时自动退化为随机搜索；最优参数写 JSON，复跑基准确认后合入 config.py 默认值

8. 测试

tests/test_particles.py：真源保留性（随机场景 × LocalSimulator 误差场，任意更新序列后真源邻域格必活）；证书正确性（alive=∅ ⟺ 真缺席；MEC 证书清除必成功）；跳测规则永不漏检
tests/test_bayes_loop_q3.py：端到端 LocalSimulator（10/16/0 源、边界源、预算耗尽、故障注入）：全清 + 缺席正确 + 无异常 + 正常退出
现有 105 项测试保持绿

9. 文档

docs/algo-3-bayes.md（Voronoi 裕量严格性论证、信息增益与调度设计、与 A2 对比数据）；README 策略表加行；docs/algo-3.md 加交叉引用。

执行顺序

git checkout -b q3-bayes
BayesConfig → particles.py（含单测）→ seven.py 提升
bayes_loop.py + CLI 接入 → pytest 全绿
跑配对消融基准
Optuna 调参 → 回填参数复跑基准
若达标（全清 100% 且配对均值更优）：mcm26b run 默认切 bayes + 文档更新
分支上分阶段 commit（不 push）

验收标准

基准全部场景：all_cleared 100%、correct_absence 100%、anomalies 空、normal_exit、单局实机计算 < 60s
配对平均虚拟时间优于 seven_batch（目标降幅 ≥5%；参考量级 A2=5232s/12 源）
uv run pytest 全绿；mcm26b run --self-test --problem 3 通过

风险与对策

PF 实机计算耗时 → 空间哈希 + MC 子采样，基准记录 compute_wall_s，超预算先降 MC 规模（实机预算 1200s，A2 仅用 3.4s，余量巨大）
LocalSimulator 误差场确定性 → 调参与基准用多 error_seed
负观测删点的正确性 → Voronoi 裕量定理 + 随机化真源保留性测试兜底

5.8 KiB Raw Blame History Unescape Escape

目标

关键设计

1. 粒子滤波 src/mcm26b/particles.py（新建）

2. 新策略 BayesLoop(OmnidirectionalLoop)（src/mcm26b/planner/bayes_loop.py）

3. 配置 config.py

4. 七点覆盖提升为库代码 src/mcm26b/planner/seven.py

5. CLI cli.py

6. 基准 scripts/benchmark_q3_bayes.py

7. Optuna 调参 scripts/tune_q3_bayes.py