Question

我一直试图弄明白这一点，但我无法做到这一点。

我目前正在使用站点到站点渗透进行殖民模拟。我试图将其扩展到大数~10 ^ 6但是传统的numpy方法用于计算距离我是使用平方的比例尺，因此对于如此大的运行，程序运行超过一天。我真的希望这更快。我已经找到了解决方案，但我找不到任何可以帮助我的东西，因为我有一个用于模拟的自定义类。

所以我想要每个节点到所有其他节点的距离，如果节点在彼此的D_max范围内，则绘制边缘，允许两个节点之间的迁移。

`density = 0.14 #Stellar density per cubic parsec
 L = 100
Patches = int(0.056*density*L**3+15)
Distance = 5

nearand = np.genfromtxt('/Users/Skippy/nearand.csv', delimiter =    ',',usecols=np.arange(0, 3)).astype('float32') # a csv of 3d cartesian co-ordinates

G = nx.Graph()

xcoord = nearand[:,0]
ycoord = nearand[:,1]
zcoord = nearand[:,2]

class patch:
    def __init__(self,status=0,pos=(0,0,0)):
        self.status = status
        self.pos = pos
    def __str__(self):
        return(str(self.status))

for i in xrange(Patches):

    Stat = 1 if np.random.uniform() < P_init else 0 # a parameter used in the algorithm later
    Pos  = (xcoord[i], ycoord[i], zcoord[i])

    G.add_node(patch(Stat,Pos))

for p1 in G.nodes():
    for p2 in G.nodes():
        Dist = np.sqrt((p1.pos[2] - p2.pos[2])**2 + (p1.pos[1]-p2.pos[1])**2+(p1.pos[0]-p2.pos[0])**2)

        if Dist <= Distance:
            G.add_edge(p1,p2)`

在此之后，运行算法，但是在距离计算上保持较大的运行，因此只需要优化距离。有人可以帮我这个吗？它看起来与其他问题类似，但我需要能够像传统的numpy计算计算距离一样绘制这些边缘。

Answer 1

我所理解的一些评论。您想创建一个“epsilon-neighborhood图”，计算从所有节点到彼此的距离，然后在距离低于阈值epsilon时进行过滤。

知道你的图是无向的，你只需要做（N x（N - 1））/ 2次计算。它仍然是二次O（n ^ 2），但是应该改变你创建边的循环，这样内循环总是从外循环索引+ 1开始。它会将计算减少一半。

现在，如果你想真正缩放，你应该思考是否可以使用近似最近邻法，因为你使用标准的L2范数（欧几里德距离）。

我建议你看看NMSLib或Annoy这样做。它们具有python绑定，但是为了速度而在C ++中实现。

希望它有所帮助。

使用python中的networkx节点的N点python之间的快速3d距离

1 个答案: