finish all analysis

codes/README.md

@@ -23,144 +23,4 @@ Model name:                           AMD Ryzen 7 7700 8-Core Processor
 CPU family:                           25
 
 
-
-## I. Introduction
-	•	이론적 복잡도 vs 실제 성능 문제 제기
-	•	기존 연구 간략 언급
-	•	RQ 제시
-	•	핵심 주장 요약
-
-## II. Theoretical Background
-이 부분이 추가되어야 한다.
-
-### 2.1 Dijkstra 시간복잡도 구조
-Binary:
-T_B = c_1 E \log V
-
-Fibonacci:
-T_F = c_2 E + c_3 V \log V
-
-### 2.2 decrease-key의 역할
-	•	relax_success = decrease_key 발생 빈도
-	•	입력 분포와 그래프 밀도가 이를 결정
-
-→ 여기서 “역전 조건의 이론적 형태”를 먼저 제시
-
-예:
-
-c_{dec}^{F} \cdot D < c_{dec}^{B} \cdot D \log V
-
-이게 논문의 수학적 중심이 된다.
-
-⸻
-
-III. Methodology
-
-이건 반드시 독립 섹션으로.
-
-3.1 실제 데이터 분석 방법
-	•	USA-road 기반 분포 추정
-	•	mean, std 계산
-	•	lognormal 변환 공식
-
-3.2 가상 그래프 생성 방법
-	•	outdegree 기반 생성
-	•	density 정의
-	•	std 범위 정당화
-
-3.3 측정 지표
-	•	relax_attempts
-	•	relax_success
-	•	relax_ratio
-	•	speedup 정의
-
-3.4 연산 단위 비용 모델
-
-선형 모델:
-
-T = \beta_0 + \beta_1 extract + \beta_2 relax + \beta_3 decrease
-
-이걸 명확히 수식으로 써야 함.
-
-⸻
-
-IV. Empirical Analysis
-
-이제 네가 말한 흐름을 그대로 쓰면 된다.
-
-⸻
-
-4.1 실제 데이터 분포 분석
-	•	mean ≈ 3000
-	•	std ≈ 4000
-	•	lognormal 적합성
-
-→ 실험 파라미터의 정당화
-
-⸻
-
-4.2 변수 간 관계 분석 (가상 데이터)
-
-4.2.1 Density ↔ Relax_attempts
-
-→ 거의 선형 관계
-
-4.2.2 Sigma ↔ Relax_success_ratio
-
-→ 양의 상관관계
-
-4.2.3 Decrease_key ↔ Speedup
-
-→ 거의 무관
-
-⸻
-
-4.3 런타임 다중 선형 회귀 분석
-	•	단위 연산 비용 추정
-	•	Binary vs Fibonacci 비교
-	•	R² 제시
-
-이 부분이 핵심 증거.
-
-⸻
-
-V. Deriving the Crossover Condition
-
-여기가 논문의 “기여”다.
-
-회귀 계수를 이용해:
-
-Binary:
-T_B = a_1 extract\log V + a_2 decrease\log V + ...
-
-Fibonacci:
-T_F = b_1 extract\log V + b_2 decrease + ...
-
-역전 조건:
-
-T_F < T_B
-
-정리하면:
-
-(b_2 - a_2 \log V) D + (b_1 - a_1)\log V + ... < 0
-
-여기서:
-	•	실제 계수 대입
-	•	부등식이 성립하는 V, D 범위 계산
-
-이게 논문의 가장 강력한 부분.
-
-⸻
-
-VI. Feasibility Analysis
-	•	Python 환경에서는 성립 불가
-	•	상수항이 지배
-	•	C++ 가능성 언급
-
-⸻
-
-VII. Conclusion
-	•	RQ에 대한 명확한 답
-	•	이론과 실제의 간극 강조
-	•	실무적 함의
-	•	한계 및 향후 연구
+python3 -m experiments.synthetic_data.run.run