หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

โครงการ Delemma

Project Dilemma เป็นเครื่องมือจำลองสำหรับการทดสอบอัลกอริทึมในภาวะที่กลืนไม่เข้าคายไม่ออกของนักโทษ มันมีอินเทอร์เฟซมาตรฐานเพื่อกำหนดทั้งอัลกอริทึมและคลาสจำลองเพื่อให้สามารถทดสอบได้ง่าย แรงบันดาลใจจากวิดีโอ Veritasium นี้

สารบัญ

  • การติดตั้ง
    • Pypi
    • คู่มือ
  • การกำหนดค่า
    • ตำแหน่งไฟล์กำหนดค่า
    • รูปแบบการกำหนดค่า
    • การนำเข้าแบบไดนามิก
  • อัลกอริทึม
  • การจำลอง
  • การจำลองแบบทั่วไป

การติดตั้ง

Pypi

  1. pip install project-dilemma

คู่มือ

  1. ดาวน์โหลด git repo
  2. เปลี่ยนเป็น repo root directory
  3. pip install .

การกำหนดค่า

ตำแหน่งไฟล์กำหนดค่า

Project Dilemma จะพยายามโหลดการกำหนดค่าจากไดเรกทอรีการกำหนดค่าของผู้ใช้และระบบโดยอัตโนมัติซึ่งมักจะตั้งค่าโดย $XDG_CONFIG_DIRS สำหรับผู้ใช้ Linux ส่วนใหญ่สิ่งนี้จะตรวจสอบ ~/.config/project_dilemma และพวกเขาอยู่ที่ไหนสักแห่งใน /etc

พฤติกรรมนี้สามารถถูกแทนที่ได้โดยการระบุ -การตั้งค่าสถานะ --config ไปยังไฟล์กำหนดค่าที่คุณต้องการใช้

รูปแบบการกำหนดค่า

Project Dilemma ใช้รูปแบบ TOML สำหรับไฟล์การกำหนดค่า นี่คือรูปแบบที่มนุษย์อ่านได้ซึ่งง่ายต่อการเขียน สคีมาได้รับการระบุไว้ด้านล่าง: 

 simulation_id = " name of simulation "
algorithms_directory = " /path/to/algorithms/ "
nodes = [ { node_id = " node_1 " , algorithm = { file = " foo.py " , object = " Foo " }, quantity = 11 },
          { node_id = " node_2 " , algorithm = { file = " bar/baz.py " , object = " Baz " } } ]
simulation = { file = " foobar.py " , object = " GenerationalFooBar " }
generational_simulation = { file = " foobar.py " , object = " FooBar " }
simulation_arguments = { foo = " bar " }
simulation_data = " path/to/round.json "
simulation_data_output = " path/to/round.json "
simulation_results_output = " path/to/results.json "
simulations_directory = " /path/to/simulations/ "
  • อัลกอริทึม _directory
    • เส้นทางไปยังไดเรกทอรีที่มีไฟล์อัลกอริทึม
  • generational_simulation
    • การจำลองการทำงานสำหรับแต่ละรุ่นในการจำลองแบบ generational เป็นการนำเข้าแบบไดนามิก
  • โหนด
    • อาร์เรย์ของตารางที่ระบุ:
      • ID โหนด
      • อัลกอริทึมตามที่กำหนดไว้ในการนำเข้าแบบไดนามิก
      • ปริมาณหากไม่ได้ระบุไว้ 1 โหนดจะถูกสันนิษฐาน
        • หมายเหตุ: ดัชนีโหนดจะถูกผนวกเข้ากับส่วน node_id
  • การจำลอง
    • การจำลองการทำงานเป็นการนำเข้าแบบไดนามิก
  • Simulation_id
    • ชื่อของการจำลอง
  • Simulation_arguments
    • ข้อโต้แย้งที่จะส่งผ่านไปสู่การจำลอง
  • Simulation_data
    • พา ธ ไปยังไฟล์ JSON ที่มีข้อมูลการจำลองก่อนหน้านี้
  • simulation_data_output
    • เส้นทางที่จะเขียนข้อมูลการจำลองเป็น JSON
  • simulation_results_output
    • เส้นทางที่จะเขียนผลการจำลอง
  • simulations_directory
    • เส้นทางไปยังไดเรกทอรีที่มีไฟล์จำลองเพิ่มเติม
    • จำเป็นสำหรับผู้ใช้ที่ให้การจำลอง

การนำเข้าแบบไดนามิก

เนื่องจากวัตถุจำนวนมากเช่นอัลกอริทึมและการจำลองสามารถหรือต้องได้รับจากผู้ใช้ข้อมูลนี้จะต้องนำเข้าแบบไดนามิก เพื่อที่จะนำเข้าวัตถุเหล่านี้ได้อย่างง่ายดายโดยไม่ต้องนำเข้าทุกการจำลองและอัลกอริทึมรูปแบบต่อไปนี้สามารถใช้เพื่อบอกโปรแกรมว่าจะค้นหาการนำเข้าได้ที่ไหน: 

 { file = " path/to/file " , object = " ObjectToImport " }
  • ไฟล์
    • พา ธ ไปยังไฟล์ที่มีวัตถุที่สัมพันธ์กับไดเรกทอรีที่เกี่ยวข้องในการกำหนดค่า
    • จำเป็นสำหรับอัลกอริทึมและผู้ใช้ให้แบบจำลอง
  • วัตถุ
    • วัตถุที่จะนำเข้า
      • สำหรับการจำลองในตัวให้ระบุชื่อคลาสการจำลองที่นี่

อัลกอริทึม

อัลกอริทึมสามารถกำหนดได้อย่างง่ายดายมาก เพียงสี่สิ่งเท่านั้นที่จะต้องทำเพื่อคลาสอินเตอร์เฟสอัลกอริทึม:

  1. ตั้งชื่อคลาส
  2. ตั้งค่า algorithm_id
  3. ส่งผ่านการกลายพันธุ์ไปยัง init ของอินเทอร์เฟซ (ดูตัวอย่างเช่นแม่แบบ)
  4. ใช้ฟังก์ชั่น decide
  5. ตั้งค่าการกลายพันธุ์ (ไม่บังคับ)

ฟังก์ชั่น decide คือสิ่งที่การจำลองใช้ในการเรียกใช้อัลกอริทึม มันยอมรับวัตถุ project_dilemma.interfaces.base.Rounds ซึ่งสามารถใช้เพื่อให้ได้ผลลัพธ์ของรอบก่อนหน้า ฟังก์ชั่นควรกลับมา True สำหรับความร่วมมือและ False สำหรับการละทิ้ง

หากคุณต้องการเพิ่มการกลายพันธุ์ให้ตั้งค่ารายการการกลายพันธุ์แบบคงที่ หลังจาก กำหนดคลาสเพื่อหลีกเลี่ยงการนำเข้าแบบวงกลม

เทมเพลตได้รับการจัดเตรียมไว้ใน templates/algorithm_template.py เพื่อความสะดวกในการใช้งาน

การจำลอง

การจำลองมีความซับซ้อนมากขึ้นในการกำหนดค่าเมื่อเทียบกับอัลกอริทึม คุณจะต้องแทนที่วิธี run_simulation และ process_simulation แต่สิ่งเหล่านี้มีความสำคัญอย่างไม่น่าเชื่อ

run_simulation ส่งคืน project_dilemma.interfaces.base.Simulations วัตถุที่จะใช้โดย process_simulation เพื่อรับผลลัพธ์

ตัวอย่างเช่นการจำลองแบบมาตรฐานที่ให้ข้อมูลรอบข้อมูลเพื่อคำนวณคะแนนสำหรับแต่ละโหนดสามารถพบเทมเพลตใน templates/simulation_template.py

การจำลองแบบทั่วไป

การจำลองแบบ Generational นั้นง่ายมาก มีฟังก์ชั่นเดียวเท่านั้นที่จะแทนที่: generational_hook อย่างไรก็ตามนี่หมายความว่าการประมวลผลทั่วไปทั้งหมดจะต้องทำในฟังก์ชั่นนี้

เทมเพลตมีให้ใน templates/generational_simulation_template.py

ใบอนุญาต

ลิขสิทธิ์ 2023 Gabriele Ron

ได้รับใบอนุญาตภายใต้ใบอนุญาต Apache เวอร์ชัน 2.0 ("ใบอนุญาต"); คุณไม่สามารถใช้ไฟล์นี้ยกเว้นตามใบอนุญาต คุณอาจได้รับสำเนาใบอนุญาตที่ 

 http://www.apache.org/licenses/LICENSE-2.0

เว้นแต่ว่ากฎหมายที่บังคับใช้หรือตกลงเป็นลายลักษณ์อักษรซอฟต์แวร์ที่แจกจ่ายภายใต้ใบอนุญาตจะถูกแจกจ่ายตาม "ตามพื้นฐาน" โดยไม่มีการรับประกันหรือเงื่อนไขใด ๆ ไม่ว่าจะโดยชัดแจ้งหรือโดยนัย ดูใบอนุญาตสำหรับภาษาเฉพาะที่ควบคุมการอนุญาตและข้อ จำกัด ภายใต้ใบอนุญาต

โครงการนี้ใช้โครงการ PlatformDirs ซึ่งได้รับใบอนุญาตภายใต้ใบอนุญาต MIT Copyright (C) 2010-202X นักพัฒนา PlatformDirs

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด