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

Question

我整天都在想办法解决这个问题，但我就是做不对。

我目前正在运行使用站点到站点渗透进行殖民化模拟。我正在尝试将它扩大到大数字 ~10^6 但是传统的计算距离的 numpy 方法我使用二次方缩放所以对于如此大的运行s 程序运行s 超过日。我真的希望这更快。我一直在寻找解决方案，但找不到任何可以帮助我解决这个问题的方法，因为我有一个自定义的 class 用于模拟。

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，则绘制一条边，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，算法是运行，但较大的运行被阻止在距离计算上，因此只有距离需要优化。谁能帮我解决这个问题？它看起来与其他问题类似，但我需要能够按照常规 numpy 计算计算距离的方式绘制这些边。

Answer 1

根据我的理解说几点。您想要创建一个 "epsilon-neighborhood graph"，计算所有节点之间的距离，然后在距离小于阈值 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) 但是你创建边的循环应该改变，这样内循环总是从外循环索引 + 1 开始。它将减少一半的计算量。

现在如果你想真正缩放，你应该考虑一下你是否可以使用近似最近邻方法，因为你使用标准的 L2 范数（欧氏距离）。

我建议您查看 NMSLib or Annoy 以执行此操作。它们有 python 绑定，但为了速度在引擎盖下用 C++ 实现。

希望对您有所帮助。

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

Fast 3d distance between N points python using networkx nodes in python

python

simulation

networkx

python-2.7