cluttering -> clustering

algorithm/src/mip_matching/match_meetings.py

@@ -15,11 +15,11 @@
 APPLICANT_BUFFER_LENGTH = timedelta(minutes=15)
 
 # Et mål på hvor viktig det er at intervjuer er i nærheten av hverandre
-CLUTTERING_WEIGHT = 0.001
+CLUSTERING_WEIGHT = 0.001
 
 # Når på dagen man helst vil ha intervjuene rundt
-CLUTTERING_TIME_BASELINE = time(12, 00)
-MAX_SCALE_CLUTTERING_TIME = timedelta(seconds=43200)  # TODO: Rename variable
+CLUSTERING_TIME_BASELINE = time(12, 00)
+MAX_SCALE_CLUSTERING_TIME = timedelta(seconds=43200)  # TODO: Rename variable
 
 
 class MeetingMatch(TypedDict):
@@ -71,25 +71,25 @@ def match_meetings(applicants: set[Applicant], committees: set[Committee]) -> Me
                 model += m[(applicant, *interview_a)] + \
                     m[(applicant, *interview_b)] <= 1  # type: ignore
 
-    # Legger til sekundærmål om at man ønsker å sentrere intervjuer rundt CLUTTERING_TIME_BASELINE
-    cluttering_objectives = []
+    # Legger til sekundærmål om at man ønsker å sentrere intervjuer rundt CLUSTERING_TIME_BASELINE
+    clustering_objectives = []
 
     for name, variable in m.items():
         applicant, committee, interval = name
-        if interval.start.time() < CLUTTERING_TIME_BASELINE:
-            relative_distance_from_baseline = subtract_time(CLUTTERING_TIME_BASELINE,
-                                                            interval.end.time()) / MAX_SCALE_CLUTTERING_TIME
+        if interval.start.time() < CLUSTERING_TIME_BASELINE:
+            relative_distance_from_baseline = subtract_time(CLUSTERING_TIME_BASELINE,
+                                                            interval.end.time()) / MAX_SCALE_CLUSTERING_TIME
         else:
             relative_distance_from_baseline = subtract_time(interval.start.time(),
-                                                            CLUTTERING_TIME_BASELINE) / MAX_SCALE_CLUTTERING_TIME
+                                                            CLUSTERING_TIME_BASELINE) / MAX_SCALE_CLUSTERING_TIME
 
-        cluttering_objectives.append(
-            CLUTTERING_WEIGHT * relative_distance_from_baseline * variable)  # type: ignore
+        clustering_objectives.append(
+            CLUSTERING_WEIGHT * relative_distance_from_baseline * variable)  # type: ignore
 
         # Setter mål til å være maksimering av antall møter
-        # med sekundærmål om å samle intervjuene rundt CLUTTERING_TIME_BASELINE
+        # med sekundærmål om å samle intervjuene rundt CLUSTERING_TIME_BASELINE
     model.objective = mip.maximize(
-        mip.xsum(m.values()) + mip.xsum(cluttering_objectives))
+        mip.xsum(m.values()) + mip.xsum(clustering_objectives))
 
     # Kjør optimeringen
     solver_status = model.optimize()

algorithm/src/mip_matching/utils.py

@@ -17,7 +17,7 @@ def group_by_committee(meetings: list[tuple[Applicant, Committee, TimeInterval]]
     return result
 
 
-def measure_cluttering(meetings: list[tuple[Applicant, Committee, TimeInterval]]) -> int:
+def measure_clustering(meetings: list[tuple[Applicant, Committee, TimeInterval]]) -> int:
     grouped_meetings = group_by_committee(meetings)
 
     holes = 0