Lycée Louis-Le-Grand, Paris 2013/2014
MPSI 4 – Informatique pour tous
A. Troesch, J.-P. Becirspahic
Corrigé du TP no 9 bis
On débute par l’importation des fonctions nécessaires :
import matplotlib.pyplot as plt
import numpy as np
from numpy.random import rand
On crée une grille initiale fonction de la taille n et de la probabilité p à l’aide de la fonction :
def creation_grille(p, n):
grille = np.zeros((n, n))
for i in range(n):
for j in range(n):
if rand() < p:
grille[i][j] = 1.
return grille
Pour remplir par percolation une grille, on adopte la démarche suivante : on crée une liste contenant initialement les
indices des cases ouvertes de la première ligne de la grille puis, tant que cette liste n’est pas vide, on effectue les opérations
suivantes :
– on extrait de cette liste les indices d’une case que l’on remplit de liquide ;
– on ajoute à la liste les indices des cases voisines qui sont ouvertes.
L’algorithme se termine quand la liste est vide.
def percolation(grille):
n, _ = grille.shape
lst = []
for j in range(n):
if grille[0][j] == 1.:
lst.append((0, j))
while len(lst) > 0:
(i, j) = lst.pop()
grille[i][j] = .5
if i > 0 and grille[i-1][j] == 1.:
lst.append((i-1, j))
if i < n - 1 and grille[i+1][j] == 1.:
lst.append((i+1, j))
if j > 0 and grille[i][j-1] == 1.:
lst.append((i, j-1))
if j < n - 1 and grille[i][j+1] == 1.:
lst.append((i, j+1))
Illustration avec un exemple :
grille = creation_grille(.6, 20)
grille_percolee = grille.copy()
percolation(grille_percolee)
plt.matshow(grille, fignum=1)
plt.matshow(grille_percolee, fignum=2)
plt.show()
page 1
On teste si une percolation traverse la grille à l’aide de la fonction suivante :
def teste_percolation(p, n):
grille = creation_grille(p, n)
percolation(grille)
for j in range(n):
if grille[n-1][j] == .5:
return(True)
return(False)
Pour déterminer une valeur approchée de la probabilité de traverser la grille, on se contente d’effectuer k essais (avec
k = 20 par défaut, mais ceci peut être ajusté en fonction de la rapidité de la machine et du temps d’attente qu’on est
disposé à perdre) avant de calculer la fréquence de la réussite de la percolation :
def proba(p, k=20, n=100):
s = 0
for i in range(k):
if teste_percolation(p, n):
s += 1
return s/k
Pour déterminer le seuil critique p0 , on procède à une recherche dichotomique (assez grossière) en convenant que si
P(p) < 0,4 alors p < p0 et si P(p) > 0,6 alors p > p0 :
def dicho(epsilon, e=20):
x, y = 0., 1.
while y - x > epsilon:
p = (x + y) / 2
prob = proba(p, k=e)
if prob < 0.4:
x = p
elif prob > 0.6:
y = p
return (x + y) / 2
Pour une grille de taille infinie, le seuil critique vaut approximativement 0,593. On obtient des valeurs assez proches avec
la fonction ci-dessus :
>>> dicho(1e-3)
0.59130859375
>>> dicho(1e-3)
0.58935546875
>>> dicho(1e-3)
0.59326171875
On calcule la densité de percolation d’une grille à l’aide de la fonction suivante :
def densite(grille):
n, _ = grille.shape
u, v = 0., 0.
for i in range(n):
for j in range(n):
if grille[i][j] == .5:
u += 1
elif grille[i][j] == 1.:
v += 1
if u+v > 0:
return u/(u+v)
else:
return 0
Cette fonction nous permet de calculer la densité moyenne en fonction de p en la calculant sur un nombre e (par défaut
égal à 10) d’échantillons :
def d(p, e=10):
s = 0.
for i in range(e):
grille = creation_grille(p, 100)
percolation(grille)
s += densite(grille)
return s/e
Cette fonction permet de construire le graphe de densité suivant :
page 2
x = np.linspace(0, 1, num=100)
y = [d(p) for p in x]
plt.plot(x, y)
plt.show()
1.0
0.8
0.6
0.4
0.2
0.0
0.0 0.2 0.4 0.6 0.8 1.0
page 3
