P3: codes and results

README.md

@@ -53,11 +53,10 @@ Optimize a 365-day schedule with at most 2 visits per day and minimum gap constr
    其中 `lat0` 可取所有站点纬度均值（单位：英里）。若仅需相对距离，也可用
    `|lat_i - lat_j| + |lon_i - lon_j|` 作为无量纲近似。  
    具体配对流程（可直接脚本化）：
-   - **距离筛选**：对每个站点 `i`，计算与所有 `j != i` 的 `d_ij`，保留 `d_ij <= d_max`
-     或取 `k` 个最近邻（如 `k=5~8`），得到近邻集合 `N(i)`。
-   - **需求均衡筛选**：对候选 `(i, j)`，要求
-     `mu_i / mu_j` 处于区间 `[r_min, r_max]`（如 `[0.5, 2.0]`），
-     或 `|mu_i - mu_j| <= delta_mu`，避免极端失衡导致第二站缺货。
+   - **距离筛选**：对每个站点 `i`，计算与所有 `j != i` 的 `d_ij`，取 `k` 个最近邻
+     （默认 `k=6`），得到近邻集合 `N(i)`。
+   - **运载量筛选**：对候选 `(i, j)`，要求 `mu_i + mu_j <= 250`
+     （将每次访问的平均客户数视为需求均值），确保双站总需求不超过单车载量。
    - **波动风险筛选**：若 `sigma_i` 或 `sigma_j` 过大（如 `sigma / mu > 0.5`），
      则优先作为第二站（或直接剔除）以降低不确定性风险。
    - **最终候选集**：`P = {(i, j) | j in N(i) 且满足需求/波动筛选}`，
@@ -97,3 +96,26 @@ Optimize a 365-day schedule with at most 2 visits per day and minimum gap constr
 - **动态修正**：若某站点连续出现“后站不足”，在后续排程中降低其作为第一站的概率或提高 `q_i` 分位数阈值。
 
 该方案与当前脚本兼容：`kmin_effectiveness.py` 提供需求统计与 Monte Carlo 框架；`scheduling_optimization.py` 的 CP-SAT 可扩展为“单站/双站二选一”的排程模型。
+
+### 候选配对生成脚本
+
+- `python3 candidate_pairs.py --k 6 --capacity 250`
+- 输出：`data/candidate_pairs_k6_cap250.csv`
+
+### 第一站分配量优化脚本
+
+- `python3 two_stop_allocation.py --input data/candidate_pairs_k6_cap250.csv`
+- 输出：`data/ordered_pairs_allocation_k6_cap250.csv`
+- 说明：对每个无序候选对生成 `(i -> j)` 与 `(j -> i)` 两条有序记录，并用 Monte Carlo
+  在 `q_i ∈ [0, C]` 上搜索最优第一站分配量。
+
+### Task 3 频次分配（双站合并出车）
+
+- `python3 p3_kmin.py --input-pairs data/ordered_pairs_allocation_k6_cap250.csv`
+- 输出：
+  - `data/p3_kmin_data.csv`：扫 `k_min` 的有效性/公平性指标 + 出车统计
+  - `data/p3_kmin_sites.csv`：每站单独次数/双站次数统计
+  - `data/p3_kmin_pairs.csv`：有序双站出车次数 + 第一站上限 `q_opt`
+  - `data/p3_kmin_effectiveness.png`：Task 3 的 `k_min` 指标曲线图
+
+![p3 kmin effectiveness](data/p3_kmin_effectiveness.png)