我想生成一个从0到2500的束(x,y)坐标,它排除彼此相差200的点而不递归。
现在我查看所有以前的值列表,看看是否有足够远的所有值。这是非常低效的,如果我需要生成大量的点,它需要永远。
那我该怎么做呢?
答案 0 :(得分:12)
这是Hank Ditton建议的一个变体,它应该在时间和记忆方面更有效,特别是如果你从所有可能的点中选择相对较少的点。这个想法是,每当生成一个新点时,其中200个单位内的所有内容都会被添加到一组要排除的点中,所有新生成的点都会被检查。
import random
radius = 200
rangeX = (0, 2500)
rangeY = (0, 2500)
qty = 100 # or however many points you want
# Generate a set of all points within 200 of the origin, to be used as offsets later
# There's probably a more efficient way to do this.
deltas = set()
for x in range(-radius, radius+1):
for y in range(-radius, radius+1):
if x*x + y*y <= radius*radius:
deltas.add((x,y))
randPoints = []
excluded = set()
i = 0
while i<qty:
x = random.randrange(*rangeX)
y = random.randrange(*rangeY)
if (x,y) in excluded: continue
randPoints.append((x,y))
i += 1
excluded.update((x+dx, y+dy) for (dx,dy) in deltas)
print randPoints
答案 1 :(得分:6)
我会过度生成点target_N < input_N
,并使用KDTree过滤它们。例如:
import numpy as np
from scipy.spatial import KDTree
N = 20
pts = 2500*np.random.random((N,2))
tree = KDTree(pts)
print tree.sparse_distance_matrix(tree, 200)
会给我相互“接近”的分数。从这里开始应用任何过滤器应该很简单:
(11, 0) 60.843426339
(0, 11) 60.843426339
(1, 3) 177.853472309
(3, 1) 177.853472309
答案 2 :(得分:3)
一些选项:
答案 3 :(得分:2)
这已经得到了解答,但它与我的工作非常相关,所以我对它进行了一次尝试。我实现了this note中描述的算法,我在this blog post找到了该算法。不幸的是,它并不比其他提议的方法快,但我确信有优化措施。
import numpy as np
import matplotlib.pyplot as plt
def lonely(p,X,r):
m = X.shape[1]
x0,y0 = p
x = y = np.arange(-r,r)
x = x + x0
y = y + y0
u,v = np.meshgrid(x,y)
u[u < 0] = 0
u[u >= m] = m-1
v[v < 0] = 0
v[v >= m] = m-1
return not np.any(X[u[:],v[:]] > 0)
def generate_samples(m=2500,r=200,k=30):
# m = extent of sample domain
# r = minimum distance between points
# k = samples before rejection
active_list = []
# step 0 - initialize n-d background grid
X = np.ones((m,m))*-1
# step 1 - select initial sample
x0,y0 = np.random.randint(0,m), np.random.randint(0,m)
active_list.append((x0,y0))
X[active_list[0]] = 1
# step 2 - iterate over active list
while active_list:
i = np.random.randint(0,len(active_list))
rad = np.random.rand(k)*r+r
theta = np.random.rand(k)*2*np.pi
# get a list of random candidates within [r,2r] from the active point
candidates = np.round((rad*np.cos(theta)+active_list[i][0], rad*np.sin(theta)+active_list[i][1])).astype(np.int32).T
# trim the list based on boundaries of the array
candidates = [(x,y) for x,y in candidates if x >= 0 and y >= 0 and x < m and y < m]
for p in candidates:
if X[p] < 0 and lonely(p,X,r):
X[p] = 1
active_list.append(p)
break
else:
del active_list[i]
return X
X = generate_samples(2500, 200, 10)
s = np.where(X>0)
plt.plot(s[0],s[1],'.')
结果:
答案 4 :(得分:0)
每个链接上,来自aganders3的方法被称为Poisson Disc Sampling。您也许可以找到更有效的实现,这些实现使用本地网格搜索来查找“重叠”。例如Poisson Disc Sampling。因为您要约束系统,所以它不能完全是随机的。平面中半径均匀的圆的最大堆积约为90%,当圆以理想的六边形排列排列时可达到最大堆积。当您要求的点数接近理论极限时,生成的排列将变得更加六角形。以我的经验,使用这种方法很难使均匀圆圈的填充率达到60%以上。