quadratic_assignment#
- scipy.optimize.quadratic_assignment(A, B, method='faq', options=None)[源]#
近似求解二次分配问题和图匹配问题。
二次分配解决以下形式的问题
\[\begin{split}\min_P & \ {\ \text{trace}(A^T P B P^T)}\\ \mbox{s.t. } & {P \ \epsilon \ \mathcal{P}}\\\end{split}\]其中 \(\mathcal{P}\) 是所有置换矩阵的集合,\(A\) 和 \(B\) 是方阵。
图匹配尝试最大化相同的目标函数。该算法可以被视为寻找两个图的节点对齐方式,以最小化诱导边不一致的数量,或者,在加权图的情况下,最小化边权重平方差之和。
请注意,二次分配问题是 NP-hard 的。此处给出的结果是近似值,不保证是最佳的。
- 参数:
- A2-D 数组,方阵
上述目标函数中的方阵 \(A\)。
- B2-D 数组,方阵
上述目标函数中的方阵 \(B\)。
- method字符串,取值范围 {‘faq’, ‘2opt’} (默认值: ‘faq’)
- optionsdict,可选
求解器选项的字典。所有求解器都支持以下选项
- maximize布尔值 (默认值: False)
如果为
True
,则最大化目标函数。- partial_match整数的 2-D 数组,可选 (默认值: None)
固定匹配的一部分。也称为“种子”[2]。
partial_match 的每一行指定一对匹配的节点:A 的节点
partial_match[i, 0]
与 B 的节点partial_match[i, 1]
匹配。该数组的形状为(m, 2)
,其中m
不大于节点数量 \(n\)。- rng
numpy.random.Generator
,可选 伪随机数生成器状态。当 rng 为 None 时,将使用操作系统的熵创建一个新的
numpy.random.Generator
。非numpy.random.Generator
类型的参数将传递给numpy.random.default_rng
以实例化一个Generator
。版本 1.15.0 中有更改: 作为从使用
numpy.random.RandomState
到numpy.random.Generator
的 SPEC-007 过渡的一部分。现在向此函数提供 np.random.RandomState 将发出 DeprecationWarning。在 SciPy 1.17 中,它的使用将引发异常。此外,依赖使用 np.random.seed 的全局状态将发出 FutureWarning。在 SciPy 1.17 中,将不再使用全局随机数生成器。使用整数类种子将引发 FutureWarning,在 SciPy 1.17 中,它将通过 np.random.default_rng 而非 np.random.RandomState 进行规范化。
有关特定于方法的选项,请参阅
show_options('quadratic_assignment')
。
- 返回:
- resOptimizeResult
OptimizeResult
包含以下字段。- col_ind1-D 数组
与找到的 B 节点最佳置换相对应的列索引。
- fun浮点数
解的目标值。
- nit整数
优化期间执行的迭代次数。
说明
默认方法 ‘faq’ 使用快速近似 QAP 算法 [1];它通常提供速度和准确性的最佳组合。方法 ‘2opt’ 计算量可能很大,但可能是一个有用的替代方法,或者它可以用于改进由其他方法返回的解决方案。
参考文献
[1]J.T. Vogelstein, J.M. Conroy, V. Lyzinski, L.J. Podrazik, S.G. Kratzer, E.T. Harley, D.E. Fishkind, R.J. Vogelstein, and C.E. Priebe, “Fast approximate quadratic programming for graph matching,” PLOS one, vol. 10, no. 4, p. e0121002, 2015, DOI:10.1371/journal.pone.0121002
[2]D. Fishkind, S. Adali, H. Patsolic, L. Meng, D. Singh, V. Lyzinski, C. Priebe, “Seeded graph matching”, Pattern Recognit. 87 (2019): 203-215, DOI:10.1016/j.patcog.2018.09.014
[3]“2-opt,” Wikipedia. https://en.wikipedia.org/wiki/2-opt
示例
>>> import numpy as np >>> from scipy.optimize import quadratic_assignment >>> rng = np.random.default_rng() >>> A = np.array([[0, 80, 150, 170], [80, 0, 130, 100], ... [150, 130, 0, 120], [170, 100, 120, 0]]) >>> B = np.array([[0, 5, 2, 7], [0, 0, 3, 8], ... [0, 0, 0, 3], [0, 0, 0, 0]]) >>> res = quadratic_assignment(A, B, options={'rng': rng}) >>> print(res) fun: 3260 col_ind: [0 3 2 1] nit: 9
要查看返回的
col_ind
与fun
之间的关系,请使用col_ind
形成找到的最佳置换矩阵,然后评估目标函数 \(f(P) = trace(A^T P B P^T )\)。>>> perm = res['col_ind'] >>> P = np.eye(len(A), dtype=int)[perm] >>> fun = np.trace(A.T @ P @ B @ P.T) >>> print(fun) 3260
或者,为了避免显式构建置换矩阵,可以直接置换距离矩阵的行和列。
>>> fun = np.trace(A.T @ B[perm][:, perm]) >>> print(fun) 3260
尽管通常不保证,但
quadratic_assignment
恰好找到了全局最优解。>>> from itertools import permutations >>> perm_opt, fun_opt = None, np.inf >>> for perm in permutations([0, 1, 2, 3]): ... perm = np.array(perm) ... fun = np.trace(A.T @ B[perm][:, perm]) ... if fun < fun_opt: ... fun_opt, perm_opt = fun, perm >>> print(np.array_equal(perm_opt, res['col_ind'])) True
这是一个默认方法 ‘faq’ 未找到全局最优解的示例。
>>> A = np.array([[0, 5, 8, 6], [5, 0, 5, 1], ... [8, 5, 0, 2], [6, 1, 2, 0]]) >>> B = np.array([[0, 1, 8, 4], [1, 0, 5, 2], ... [8, 5, 0, 5], [4, 2, 5, 0]]) >>> res = quadratic_assignment(A, B, options={'rng': rng}) >>> print(res) fun: 178 col_ind: [1 0 3 2] nit: 13
如果精度很重要,请考虑使用 ‘2opt’ 来改进解决方案。
>>> guess = np.array([np.arange(len(A)), res.col_ind]).T >>> res = quadratic_assignment(A, B, method="2opt", ... options = {'rng': rng, 'partial_guess': guess}) >>> print(res) fun: 176 col_ind: [1 2 3 0] nit: 17