60 lines
2.5 KiB
Markdown
60 lines
2.5 KiB
Markdown
|
# Podprojekt
|
||
|
|
Podprojekt polegający na użyciu metody drzew decyzyjnych aby otrzymać optymalne ustawienia agenta na podstawie danych z losowo generowanych sytuacji.
|
||
|
|
# Implementacja
|
||
|
|
Agent po obsłużeniu wszystkich klientów zapisuje jakie ustawienia używał oraz czy całkowity czas działania jest większy od pożądanego.
|
||
|
|
|
||
|
|
#####
|
||
|
|
if restaurant.left == 0:
|
||
|
|
file.write(str(S_IDLE.index(IDLE)))
|
||
|
|
file.write(str(S_FIRST.index(FIRST)))
|
||
|
|
if totaltime > 1076:
|
||
|
|
file.write(str(0))
|
||
|
|
else:
|
||
|
|
file.write(str(1))
|
||
|
|
Pożądany czas działania w obecnym zestawie wielkości planszy i ilości klientów ustawiłem na 1076j na podstawie średniego czasu wszystkich ustawień. Agent czasami błędnie wykonuje zadania więc po upływie 1500j plansza jest resetowana.
|
||
|
|
|
||
|
|
if ticks > 1500:
|
||
|
|
restaurant = Restaurant(3, 5)
|
||
|
|
waiter = Agent(2,2)
|
||
|
|
..
|
||
|
|
|
||
|
|
Ustawienia agenta to decyzja gdzie stać gdy nie ma zadania (kuchnia, środek planszy, stać w miejscu) oraz czy najpierw obsłużyć klientów chcących zamówić czy klientów czekających na gotowe zamówienie.
|
||
|
|
#####
|
||
|
|
S_IDLE = ("kitchen", "middle", "inplace")
|
||
|
|
S_FIRST = ("order", "food")
|
||
|
|
|
||
|
|
|
||
|
|
# Dane
|
||
|
|
Po uruchomieniu programu tworzony jest plik results.csv zawierający sformatowane dane wynikowe.
|
||
|
|
|
||
|
|
idle,first,good
|
||
|
|
0,1,0
|
||
|
|
0,0,1
|
||
|
|
2,0,1
|
||
|
|
..
|
||
|
|
# Drzewo decyzyjne
|
||
|
|
Do utworzenia drzewa decyzyjnego użyłem biblioteki sklearn oraz graphviz do zobrazowania wyniku.
|
||
|
|
|
||
|
|
#decisiontree.py
|
||
|
|
col_names = ['idle','first','good']
|
||
|
|
data = pd.read_csv("results.csv", header=None, names=col_names)
|
||
|
|
data = data.iloc[1:]
|
||
|
|
data.head()
|
||
|
|
feature_cols = ['idle','first']
|
||
|
|
X = data[feature_cols]
|
||
|
|
y = data.good
|
||
|
|
Plik results.csv jest ładowany, jako klasę główną ustawiłem .good, czyli czy czas wykonania zadania był zadowalający.
|
||
|
|
|
||
|
|
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=1)
|
||
|
|
clf = DecisionTreeClassifier(criterion="gini", max_depth=4)
|
||
|
|
clf = clf.fit(X_train,y_train)
|
||
|
|
Dane są dzielone na 25% do testowania a następnie tworzone i trenowane jest drzewo o głębokości 4.
|
||
|
|
Na końcu drzewo jest wizualizowane za pomocą grafu.
|
||
|
|
Z grafu można odczytać że na podstawie 909 wyników dla obecnych ustawień planszy i agenta najlepszymi ustawieniami są idle == 2 i w równej mierze first == 0 i first == 1, czyli ustawienia
|
||
|
|
|
||
|
|
IDLE = "inplace"
|
||
|
|
FIRST = "order"
|
||
|
|
---
|
||
|
|
IDLE = "inplace"
|
||
|
|
FIRST = "food"
|