quadratic_assignment(method=’faq’)#
- scipy.optimize.quadratic_assignment(A, B, method='faq', options=None)
(近似地)解决二次指派问题。
此函数使用快速近似二次指派算法 (FAQ) [1] 解决二次指派问题 (QAP) 和图匹配问题 (GMP)。
二次指派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,而 \(A\) 和 \(B\) 是方阵。
图匹配尝试 *最大化* 相同的目标函数。该算法可以看作是寻找两个图的节点对齐方式,以最小化引起的边不一致的数量,或者在加权图的情况下,最小化边权重平方差的总和。
请注意,二次指派问题是 NP-难的。此处给出的结果是近似值,不保证为最优解。
- 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')
用于解决问题的算法。这是针对 'faq' 的方法特定文档。'2opt' 也可用。
- 返回:
- resOptimizeResult
包含以下字段的
OptimizeResult
对象。- col_ind1-D 数组
对应于找到的 B 节点最佳置换的列索引。
- fun浮点数
解的目标值。
- nit整数
执行的 Frank-Wolfe 迭代次数。
另请参阅
有关其余参数的文档,请参见
scipy.optimize.quadratic_assignment
- 选项:
- ——-
- maximize布尔值 (默认值: False)
如果为
True
,则最大化目标函数。- partial_match2-D 整数数组,可选 (默认值: None)
固定部分匹配。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 \(n\)。- rng{None, int,
numpy.random.Generator
},可选 伪随机数生成器状态。有关详细信息,请参见
quadratic_assignment
。- P02-D 数组,“重心”,或“随机化” (默认值: “重心”)
初始位置。必须是双随机矩阵 [3]。
如果初始位置是一个数组,它必须是一个大小为 \(m' \times m'\) 的双随机矩阵,其中 \(m' = n - m\)。
如果为
"barycenter"
(默认值),初始位置是 Birkhoff 多胞形(双随机矩阵空间)的重心。这是一个 \(m' \times m'\) 矩阵,所有元素都等于 \(1 / m'\)。如果为
"randomized"
,初始搜索位置是 \(P_0 = (J + K) / 2\),其中 \(J\) 是重心,\(K\) 是一个随机双随机矩阵。- shuffle_input布尔值 (默认值: False)
设置为 True 可随机解决退化梯度。对于非退化梯度,此选项无效。
- maxiter整数,正数 (默认值: 30)
指定执行的最大 Frank-Wolfe 迭代次数的整数。
- tol浮点数 (默认值: 0.03)
终止容差。当 \(\frac{||P_{i}-P_{i+1}||_F}{\sqrt{m'}} \leq tol\) 时,Frank-Wolfe 迭代终止,其中 \(i\) 是迭代次数。
注意
由于可行区域内可能存在多个局部最小值,该算法可能对初始置换矩阵(或搜索“位置”)敏感。重心初始化比单个随机初始化更有可能得到更好的解。然而,通过不同的随机初始化多次调用
quadratic_assignment
可能会获得更好的最优解,但代价是总执行时间更长。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]“Doubly stochastic Matrix,” Wikipedia. https://en.wikipedia.org/wiki/Doubly_stochastic_matrix
示例
如上所述,重心初始化通常比单个随机初始化获得更好的解。
>>> from scipy.optimize import quadratic_assignment >>> import numpy as np >>> rng = np.random.default_rng() >>> n = 15 >>> A = rng.random((n, n)) >>> B = rng.random((n, n)) >>> options = {"rng": rng} >>> res = quadratic_assignment(A, B, options=options) # FAQ is default method >>> print(res.fun) 47.797048706380636 # may vary
>>> options = {"rng": rng, "P0": "randomized"} # use randomized initialization >>> res = quadratic_assignment(A, B, options=options) >>> print(res.fun) 47.37287069769966 # may vary
然而,可以考虑从多个随机初始化运行并保留最佳结果。
>>> res = min([quadratic_assignment(A, B, options=options) ... for i in range(30)], key=lambda x: x.fun) >>> print(res.fun) 46.55974835248574 # may vary
可以使用“2-opt”方法来尝试细化结果。
>>> options = {"partial_guess": np.array([np.arange(n), res.col_ind]).T, "rng": rng} >>> res = quadratic_assignment(A, B, method="2opt", options=options) >>> print(res.fun) 46.55974835248574 # may vary