Question

由于assignment problem可以以单个矩阵的形式提出，如果numpy具有解决这种矩阵的函数，我就会徘徊。到目前为止，我没有找到。也许你们其中一个人知道numpy / scipy是否有一个赋值问题解决函数？

编辑：同时我在http://www.clapper.org/software/python/munkres/找到了一个python（非numpy / scipy）实现。我仍然认为numpy / scipy实现可能会快得多，对吗？

Answer 1

在sklearn/utils/linear_assignment_.py下的scikit-learn中，现在有一个nunky实现的munkres算法，它唯一的依赖是numpy。我尝试了一些大约20x20的矩阵，它似乎是问题中链接速度的4倍。对于100次迭代，cProfiler显示2.517秒对9.821秒。

Answer 2

我希望较新的GameObject最快，但（也许并不奇怪）Cython library（没有pip支持）明显更快，至少在我的用例中是这样的：< / p>

scipy.optimize.linear_sum_assignment

我看到大小介于2x2和100x120之间的类似结果（快10-40倍）。

Answer 3

不，NumPy不包含这样的功能。组合优化不在NumPy的范围之内。可以使用scipy.optimize中的一个优化器来完成它，但我感觉约束可能不是正确的形式。

NetworkX可能还包括分配问题的算法。

Answer 4

另一个快速实现，正如@Matthew所暗示的那样：scipy.optimize有一个名为linear_sum_assignment的函数。来自文档：

使用的方法是匈牙利语算法，也称为Munkres或Kuhn-Munkres算法。

https://docs.scipy.org/doc/scipy-0.18.1/reference/generated/scipy.optimize.linear_sum_assignment.html

Answer 5

有Munkres' algorithm的实现作为python扩展模块，它具有numpy支持。我在旧笔记本电脑上成功使用它。但是，它在我的新机器上不起作用 - 我认为“新”numpy版本（或64bit arch）存在问题。

Answer 6

从版本2.4（于2019-10-16发行）开始，NetworkX通过nx.algorithms.bipartite.minimum_weight_full_matching解决了该问题。在撰写本文时，该实现在后台使用SciPy的scipy.optimize.linear_sum_assignment，因此期望具有相同的性能特征。

Answer 7

除了在其他一些答案中已经提到的 scipy.optimize.linear_sum_assignment 中的求解器之外，SciPy（从 1.6.0 开始）还在 scipy.sparse.csgraph.min_weight_full_bipartite_matching 中提供了一个对稀疏友好的求解器。

In [2]: from scipy.sparse import random
In [3]: from scipy.sparse.csgraph import min_weight_full_bipartite_matching
In [4]: from scipy.optimize import linear_sum_assignment

In [15]: sparse = random(1000, 1000, density=0.01, format='csr')
In [16]: %timeit min_weight_full_bipartite_matching(sparse)
3.84 ms ± 12.4 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [17]: dense = sparse.toarray()
In [18]: %timeit linear_sum_assignment(dense)
18.8 ms ± 291 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

分配问题，一个numpy函数？

7 个答案: