Dans ce TP, nous aborderons plusieurs stratégies permettant de trouver le plus court chemin dans un graphe, en fonction des propriétés de ce dernier.
Pour commencer, effectuez un fork de ce repository et clonez-le. Votre rendu sera une pull request de votre fork vers le repository d'origine.
Étudions un cas pratique. Voici un graphe représentant les chefs-lieux de France continentale.
Une connexion est faite entre les chefs-lieux des régions contiguës. Le chiffre associé représente le nombre d'heures à vélo (sans les pauses...).
Toujours à la recherche de nouveaux exploits à accomplir, vous décidez de partir de Bordeaux pour rejoindre Strasbourg en empruntant les chemins décrits sur cette carte.
Commencez par trouver ce qui vous semble être le plus court chemin sans technique particulière. Notez votre réponse.
Bordeaux -> Orleans -> Paris -> Strasbourg
Sans l'implémenter pour le moment, trouvez le plus court chemin en utilisant manuellement l'algorithme de Dijkstra.
Notez chaque étape de votre raisonnement sur une feuille ou un document texte pour bien vous familiariser avec l'algorithme.
Comparez avec votre réponse précédente.
Suivez précisément les étapes de mise en place :
Créez un fichier pathfinder/city.py
.
À l'intérieur, créez une énumération qui vous permettra d'avoir des constantes correspondant au nom de chaque ville.
Voici à quoi devrait ressembler le début de votre énumération :
class City(Enum):
BORDEAUX = "Bordeaux"
DIJON = "Dijon"
LILLE = "Lille"
...
Maintenant, vous pouvez utiliser des variables du type City.BORDEAUX
, qui "représente" la string "Bordeaux"
est qui est de type City
.
Cela est plus propre que de passer des strings non typées et qui ne sont pas nécessairement prises en charge par notre programme.
Dans vos print, vous pouvez afficher la valeur associée ainsi :
print(City.BORDEAUX.name)
Créez un fichier pathfinder/graph.py
.
En utilisant l'énumération City
que vous avez créée, stockez dans une variable graph
la liste d'adjacences du graphe dont l'image est présentée plus haut.
Pour vous aider, voici à quoi devrait ressembler le début du graph :
graph = {
City.BORDEAUX: {
City.NANTES: 19,
City.ORLEANS: 24,
City.LYON: 31,
City.TOULOUSE: 14
},
City.DIJON: {
City.STRASBOURG: 20,
City.PARIS: 16,
City.ORLEANS: 15,
City.LYON: 11
},
City.LILLE: {
City.ROUEN: 12,
City.PARIS: 13,
City.STRASBOURG: 29
},
...
C'est long et répétitif. Courage.
Note : les types Python natifs ne permettent pas de typer des objets aussi complexes. Il faudra nous en passer !
Créez un fichier pathfinder/path.py
.
Ce fichier sera très court. À l'aide de TypedDict
, déclarez un type Path
.
Ce type représentera l'objet qui contient la réponse au problème donné. Il contient deux membres :
total
qui est unfloat
représentant la distance ou le coût total du trajetsteps
qui est une liste de villeCity
par lesquelles nous devons passer. La ville de départ et la ville d'arrivée doivent être incluses dans la réponse.
Passons enfin au fichier principal : pathfinder/pathfinder.py
. Attention, il s'agit d'un nouveau fichier à créer, à ne pas confondre avec celui déjà présent à la racine.
Nous allons utiliser les classes pour structurer notre code. En effet, les autres algorithmes que nous verrons par la suite sont très similaire à Dijkstra. Aussi, il sera intéressant d'étendre la classe PathFinder pour implémenter ces nouveaux algorithmes.
Pour le moment, contentez vous de déclarer une classe PathFinder
. Le constructeur de cette classe prend en paramètre une variable graph
.
Dans votre fichier racine pathfinder.py
, vous pourrez donc instancier la classe ainsi :
pathfinder = PathFinder(graph)
Essayez !
La classe PathFinder
possède une unique méthode publique : get_shortest_path
.
Cette méthode prend en paramètre start
et end
, qui sont deux villes de type City
.
Et maintenant, le challenge : grâce à cette méthode et des sous-méthodes privées, retourner un objet de type Path
qui contient la solution optimale au trajet demandé.
Conseil : print
est votre ami. Reprenez votre résolution manuelle et comparer scrupuleusement les étapes avec celles effectuées par votre implémentation.
Conseil bis : pourquoi ne pas commencer par un circuit plus simple, comme Bordeaux -> Toulouse ? Notez qu'il est inutile de tester une ville dont la distance est déjà supérieure à la meilleure distance actuelle pour l'arrivée. Par exemple, si vous arrivez à Toulouse en 14 et à Nantes en 19, il est inutile de tester les chemins partant de Nantes. Quand votre liste de villes à tester est vide, c'est fini !
Si vous avez correctement nommé vos fichiers et classes, le fichier test_dijkstra.py
à la racine peut être exécuté pour tester le bon fonctionnement de votre classe.
Attention : la bon fonctionnement des tests est requis pour valider le TP.
Combien de calculs de distance avez-vous effectué pour parvenir au résultat Bordeaux -> Strasbourg ?
Autrement dit, combien de fois avez vous mis à jour la distance pour un point du graphe ?
Dijkstra garantit la meilleure solution possible. Mais vous avez sans doute remarqué qu'il s'aventure dans des recoins peu pertinents d'un point de vue "intelligent" (par exemple, tester Rouen dans un trajet Bordeaux -> Strasbourg...).
Or, il est parfois indispensable d'aller vite, quitte à trouver une solution "presque" optimale : c'est par exemple le cas du jeu vidéo.
Pour cela, l'algorithme A* (a star) propose d'associer une valeur heuristique à chaque sommet du graphe. C'est ce que vous pouvez voir ici en vert :
Pour calculer ces valeurs en vert, nous avons pris la distance à vol d'oiseau entre le sommet concerné et Strasbourg, ville d'arrivée dans notre problème.
La valeur est le temps qu'il faudrait à un cycliste pédalant à 16km/h pour parcourir cette distance. Elle est inférieure à la distance que le cycliste va réellement parcourir, puisqu'on ne roule pas en ligne droite. Mais c'est une approximation suffisante pour améliorer notre algorithme.
En utilisant ces heuristiques, résolvez "manuellement" (sur une feuille ou un document texte) le trajet Bordeaux -> Strasbourg.
Important : l'algorithme s'arrête dès qu'une solution est trouvée. Ce n'est pas nécessairement la meilleure, mais souvent l'une des meilleures.
Créez un fichier pathfinder/heuristics.py
, dans lequel vous ajouterez un dictionnaire heuristics
qui contiendra les valeurs pour chaque sommet.
Voici à quoi ressemblera le début de ce fichier :
heuristics = {
City.BORDEAUX: 47,
City.DIJON: 15,
City.LILLE: 25,
...
Pour éviter des difficultés, associez la valeur 0 au sommet du graphe qui représente la destination (Strasbourg).
Dans un fichier pathfinder/astar.py
, créez la classe AStar
, qui hérite de la classe PathFinder
.
En plus du graphe, cette classe enfant prend en paramètre une variable heuristics
.
Dans votre fichier racine pathfinder.py
, vous pourrez donc instancier la classe ainsi :
astar = AStar(graph, heuristics)
Comme la classe hérite de votre PathFinder
, vous pouvez déjà appeler la méthode de résolution :
astar.get_shortest_path(City.BORDEAUX, City.STRASBOURG)
Essayez !
Vous allez désormais modifier le comportement de la classe parente en surchargeant la classe AStar
.
Pour cela, vous devez identifier ce qui varie d'un algorithme à l'autre (pas grand chose !) et modifier ce que vous souhaitez dans la classe AStar
.
Attention à ne pas vous répeter : vous aurez peut-être besoin de créer de nouvelles sous-méthodes dans la classe PathFinder
pour pouvoir surcharger des parties spécifiques de l'algorithme dans AStar
.
N'oubliez pas que vous pouvez, dans une méthode de AStar
, appeler la méthode de la classe parente grâce à super()
.
Jouez les tests du fichier test_astar.py
.
Combien de calculs de distance ont été nécessaires pour calculer la solution du trajet Bordeaux -> Strasbourg ?
Que pensez-vous de la solution obtenue, comparée à l'algorithme de Dijsktra ?
L'algorithme du plus court chemin pourrait en réalité s'appeler l'algorithme du chemin optimal, car on ne calcule pas toujours des distances.
Dans ce nouveau scénario, vous décidez d'aller de Bordeaux à Strasbourg en co-voiturage, ce qui est un peu moins fatiguant.
Les covoiturages proposés sont représentés par des flèches sur le graphe ci-dessous.
En rouge est présenté le prix à payer pour chaque covoiturage.
Mais il y a aussi des valeurs en vert : des gens très seuls et très riches, qui sont prêt à vous payer pour que vous leur teniez compagnie. Attention : ces valeurs sont négatives, c'est de l'argent que vous recevez. L'objectif reste ainsi de trouver le chemin avec la valeur la plus faible (celui ou vous dépensez le moins d'argent, donc).
Saurez-vous trouver le meilleur trajet de tête ? Probablement.
Utilisez l'algorithme de Dijkstra pour résoudre le problème. Qu'observez-vous ?
L'algorithme SPFA (Shortest Path Faster Algorithm, nom peu inspiré), est une variation de l'algorithme de Bellman-Ford, que nous ne verrons pas ici mais qui est très répandu.
SPFA permet de trouver le meilleur chemin dans un graphe dont les arcs peuvent être de poids négatif, à condition qu'il n'y ait pas de circuit absorbant, c'est à dire de circuit "magique" qui permette de tendre vers moins l'infini. Vous pouvez le vérifier sur la carte, il n'y a pas d'astuce pour se faire de l'argent à l'infini.
Utilisez l'algorithme à la main (papier ou document texte) pour résoudre le trajet Bordeaux -> Strasbourg. Comparez à votre première résolution.
Un nouveau graphe doit être défini. Dans le fichier pathfinder/graph.py
, ajoutez une variable spfa_graph
.
Voici le début de la déclaration pour vous aider :
spfa_graph = {
City.BORDEAUX: {
City.NANTES: 50,
City.TOULOUSE: 50
},
City.DIJON: {
City.STRASBOURG: 30,
},
City.LILLE: {
},
...
Dans un fichier pathfinder/spfa.py
, créez une classe SPFA
héritant de la classe PathFinder
.
Dans votre fichier racine pathfinder.py
, vous pourrez donc instancier la classe ainsi :
spfa = SPFA(spfa_graph)
Comme la classe hérite de votre PathFinder
, vous pouvez déjà appeler la méthode de résolution :
spfa.get_shortest_path(City.BORDEAUX, City.STRASBOURG)
Essayez !
À nouveau, il y a en réalité assez peu de différences entre l'algorithme de Dijkstra utilisé par la classe PathFinder
et l'algorithme SPFA.
À vous de les trouver pour compléter la classe SPFA
.
Utilisez le fichier test_spfa.py
pour valider votre implémentation.
Ce TP est terminé.
Plus besoin de GPS, les raccourcis n'ont désormais plus de secret pour vous.