import random
import numpy as np

num_solutions = 14
num_states = 10
c = 0.6

# Создание матрицы оценок eij для каждого i-го варианта решения по каждому j-му состоянию
e = [[random.randint(1, 100) for j in range(num_states)] for i in range(num_solutions)]

print(e)

# Создание матрицы вероятностей pi для каждого i-го варианта решения по каждому j-му состоянию
p = [[round(random.uniform(0, 1), 2) for j in range(num_states)] for i in range(num_solutions)]
for i in range(num_solutions):
# Нормализация вероятностей так, чтобы их сумма по каждому состоянию для конкретного варианта решения не превышала единицы
    sum_p = sum(p[i])
    if sum_p > 1:
        p[i] = [round(j / sum_p, 2) for j in p[i]]

# Вычисление критерия Гурвица для каждого i-го варианта решения
g_values = [max([(c * min(e[i])) + ((1 - c) * max(e[i])), ((1 - c) * max(e[i]))]) for i in range(num_solutions)]
#Лучшее решение
best_g = np.argmax(g_values)


# Вычисление оптимистического критерия для каждого i-го варианта решения
o_values = [max(e[i]) for i in range(num_solutions)]

#Лучшее решение
best_o = np.argmax(o_values)

# Вывод результатов для каждого критерия выбора
print("Результаты для критерия Гурвица:")
print("Номер решения Оценка")
for i in range(num_solutions):
    print("{:>6} {:.2f}".format(i+1, g_values[i]))

print('\n Оптимальное решение по критерию Гурвица: решение ', best_g+1)
print("\nРезультаты для оптимистического критерия:")
print("Номер решения Оценка")
for i in range(num_solutions):
    print("{:>6} {:.2f}".format(i+1, o_values[i]))
print('\n Оптимальное решение по оптимистическому критерию: решение ', best_o+1)