update Readme

README.md

@@ -12,30 +12,18 @@ optimLanduse
 <a href="#2. Theoretischer Hintergrund">2. Theoretischer Hintergrund</a>
 </li>
 <li>
-<a href="#3. Input und Output">3. Input und Output</a>
+<a href="#3. Hinweise zur Anwendung">3. Hinweise zur Anwendung</a>
 </li>
 <li>
-<a href="#4. Aufbau des Modells">4. Aufbau des Modells</a>
+<a href="#4. Literatur">4. Literatur</a>
 </li>
 <li>
-<a href="#5. Hinweise zur Anwendung">5. Hinweise zur Anwendung</a>
-</li>
-<li>
-<a href="#6. Beispielhafte Anwendung">6. Beispielhafte Anwendung</a>
-</li>
-<li>
-<a href="#7. Literatur">7. Literatur</a>
-</li>
-<li>
-<a href="#7. Dateien">8. Dateien</a>
-</li>
 </ul>
 
 
 <h3>
 <a name="1. Einleitung">1. Einleitung</a>
 </h3>
-*optimLanduse* ist ein R Paket für die multikriterielle robuste Landschaftsoptimierung. Ziel des Pakets ist es, die von der Arbeitsgruppe Knoke entwickelte bzw. für die Landschaftsoptimierung erstmalig vewendete multikriterielle robuste Landschaftsoptimierung komfortabel und skalierbar anwenden zu können. Durch das Eibetten des Optimierungsverfahrens in die R Umgebung werden insbesondere Wiederholungsanwendungen (bspw. Sensitivitätsanalysen oder Distanzanalysen) vereinfach und schnell möglich. Der modulare Aufbau des Pakets soll eine Basis schaffen zu der zukünftige Erweiterungen schnell und einfach hinzugefügt werden können. Damit soll die Zusammenarbeit zwischen interessierten Arbeitsgruppen der robusten Landschaftsoptimierung vereinfacht werden. Für einfache Anwendungen existiert auch eine graphische Oberfläche für dieses Paket (LINK zu Volkers Shiny)
 
 
 <h3>
@@ -44,154 +32,11 @@ optimLanduse
 
 
 <h3>
-<a name="3. Input und Output">3. Input und Output</a>
+<a name="3. Hinweise zur Anwendung">3. Hinweise zur Anwendung</a>
 </h3>
 
-#### Input (mehr Details siehe Pakethilfe)
-- Parameterdatei mit Erwartungen und Unsicherheiten. Formatiert wie in der Bespieldatei **dataset.xlsx**.
-- Unsicherheit **u**.
-- Form des optimistischen Szenarios. Erwartung oder Erwartung + Unsicherheit?
-
-#### Output (mehr Details siehe Pakethilfe)
-- Landnutzungsanteile
-- Szenarientabelle mit Abständen der Szenarien
-- Mindestabstand **&beta;**
 
 <h3>
-<a name="4. Aufbau des Modells">4. Aufbau des Modells</a>
+<a name="4. Literatur">4. Literatur</a>
 </h3>
-<p align="center">
-  <img width="720" height="643" src="./fig/flussdiagrammOptimLanduse.PNG">
-</p>
-<h3>
-<a name="5. Hinweise zur Anwendung">5. Hinweise zur Anwendung</a>
-</h3>
-Um die aktuellste stabile Version zu installieren, führen Sie den folgenden Code aus.
-
-``` r
-
-## Benötigte Pakete
-
-packages <- c("devtools", "lpSolveAPI",
-             "dplyr", "tidyr", "janitor",
-             "remotes")
-
-## Herunterladen und installieren oder aktivieren
-
-package.check <- lapply(
-  packages,
-  FUN = function(x) {
-    if (!require(x, character.only = TRUE)) {
-      install.packages(x, dependencies = TRUE)
-      library(x, character.only = TRUE)
-    }
-  }
-)
-
-install_gitlab("forest_economics_goettingen/optimlanduse", host = "gitlab.gwdg.de")
-
-```
-
-<h3>
-<a name="6. Beispielhafte Anwendung">6. Beispielhafte Anwendung</a>
-</h3>
-
-Einfache Anwendung
-``` r
-# Pakete laden
-library(optimLanduse) 
-library(readxl)
-library(lpSolveAPI)  
-library(dplyr)  
-library(tidyr) 
-
-# Daten einlesen
-dat <- read_xlsx("database (shrinked).xlsx", col_names = FALSE)
-dat <- dataPreparation(dat = dat, uncertainty = "SE")
-
-# Optimierung initialisieren
-init <- initScenario(dat, uValue = 2, optimisticRule = "expectation")
-
-# Optimierung durchführen
-result <- solveScenario(x = init)
-
-# Resultate ansehen
-result$landUse # Landnutzungsanteile
-result$scenarioTable # Szenariotabelle
-result$scenarioSettings # Einstellungen anzeigen
-result$status # Erfolgreich optimiert oder abgebrochen?
-result$beta # Beta
-result$landUse # Landnutzungsanteile
-```
-
-Batch Anwendung für mehrere Unsicherheiten u
-``` r
-# Pakete laden
-library(optimLanduse)
-library(readxl)
-
-# Daten einlesen
-dat <- read_xlsx("database (shrinked).xlsx", col_names = FALSE)
-dat <- dataPreparation(dat = dat, uncertainty = "SE")
-
-# Sequenz definieren
-u <- seq(1, 5, 1)
-
-# Batch vorbereiten
-loopDf <- data.frame(u = u, matrix(NA, nrow = length(u), ncol = 1 + length(unique(dat$landUse))))
-names(loopDf) <- c("u", "beta", unique(dat$landUse))
-
-# Optimierungen initialisieren und durchführen
-# Beispielhaft werden nur die Landnutzungsanteile gespeichert.
-
-# Alternative 1: Schleife, einfach zu programmieren
-
-loopDf <- data.frame(u = u, matrix(NA, nrow = length(u), ncol = 1 + length(unique(dat$landUse))))
-names(loopDf) <- c("u", "beta", unique(dat$landUse))
-
-for(i in u) {
-  init <- initScenario(dat, uValue = i, optimisticRule = "expectation")
-  result <- solveScenario(x = init)
-  loopDf[loopDf$u == i,] <- c(i, result$beta, as.matrix(result$landUse))
-}
-
-# Alternative 2: apply, schneller
-applyDf <- data.frame(u = u)
-
-applyFun <- function(x) {
-  init <- initScenario(dat, uValue = x, optimisticRule = "expectation")
-  result <- solveScenario(x = init)
-  return(c(result$beta, as.matrix(result$landUse)))
-}
-
-applyDf <- cbind(applyDf,
-                 t(apply(applyDf, 1, applyFun)))
-```
-
-Batch Anwendung - parallel
-
-``` r
-# Pakete laden
-library(optimLanduse) 
-library(readxl)
-library(doParallel)
-
-# Daten einlesen
-dat <- read_xlsx("database (shrinked).xlsx", col_names = FALSE)
-dat <- dataPreparation(dat = dat, uncertainty = "SE")
-
-# Kerne initialisieren, bspw. 8 Kerne
-registerDoParallel(8)
-
-# Sequenz definieren
-u <- seq(1, 5, 1)
 
-# Batch initialisieren und durchführen
-loopDf1 <- foreach(i = u, .combine = rbind) %dopar% {
-  init <- initScenario(dat, uValue = i, optimisticRule = "expectation")
-  result <- solveScenario(x = init)
-  c(i, result$beta, as.matrix(result$landUse))
-}
-# Falls die Kerne wieder freigegeben werden sollen
-stopImplicitCluster()
-```