我想研究公交车站优化问题。但是,我现在停留在如何将距离矩阵转换为点的真实坐标上。
我已经浏览了很多种源并使用公式已知:M(I,J)= 0.5(d(1,j)的^ 2 + d(I,1)^ 2 - d(I,J)^ 2)*以解决问题在此处输入链接描述。我数学不好,我只想实现它。
首先,我尝试理解数学原理,这是我的解决方案。在此处输入链接说明。
然后,对于以下示例,我想使用python实现该算法。这是我的矩阵,代表每个公交车站的不同距离。我想将其传输到点的坐标。
这是我实现的代码:
import csv
import numpy as np
import math
class csv_util():
def generate_coordinate_point(self):
'''transfer the distance matrix to the real coordinate points'''
sqrt_result = 2*math.sqrt(2)
matrix = np.array([[0,2,2,sqrt_result],[2,0,sqrt_result,2],[2,sqrt_result,0,2],[sqrt_result,2,2,0]])
gram_matrix = self.calculate_gram_matrix(matrix)
a, b = np.linalg.eig(gram_matrix)
#b = b.astype(np.int16)
a = a.astype(np.int16)
eigen_vector = format(b)
length = a.size
tmp_matrix = np.zeros(length * length)
random_point_matrix = tmp_matrix.reshape(length, length)
for item1 in range(length):
random_point_matrix[item1][item1] = a[item1]
print("the eigen-value is: " + format(random_point_matrix))
print("the eigen-vector is: " + eigen_vector)
new_matrix = (np.sqrt(random_point_matrix))*b
print("the coordinate points: "+format(new_matrix))
def calculate_gram_matrix(self,matrix):
'''get the gram matrix for transfer to the coordinate points'''
length = matrix[0].size
tmp_matrix = np.zeros(length*length)
gram_matrix = tmp_matrix.reshape(length,length)
for item1 in range(length):
for item2 in range(length):
gram_matrix[item1][item2] = (math.pow(matrix[0][item2],2)+math.pow(matrix[0][item1],2)-math.pow(matrix[item1][item2],2))/2
if gram_matrix[item1][item2]<0.1 and gram_matrix[item1][item2]>-0.1:
gram_matrix[item1][item2] = 0
return gram_matrix
但是,最终矩阵的结果不正确。结果如下:
the eigen-value is: [[12. 0. 0. 0.]
[ 0. 0. 0. 0.]
[ 0. 0. 4. 0.]
[ 0. 0. 0. 0.]]
-------------
the eigen-vector is: [[ 0.00000000e+00 0.00000000e+00 0.00000000e+00 1.00000000e+00]
[ 4.08248290e-01 -5.77350269e-01 -7.07106781e-01 0.00000000e+00]
[ 4.08248290e-01 -5.77350269e-01 7.07106781e-01 0.00000000e+00]
[ 8.16496581e-01 5.77350269e-01 1.57009246e-16 0.00000000e+00]]
-------------
the coordinate points: [[ 0. 0. 0. 0. ]
[ 0. -0. -0. 0. ]
[ 0. -0. 1.41421356 0. ]
[ 0. 0. 0. 0. ]]
最后一点是这样的:[0,0],[-0.0,-0.0],[-0.0、1.414421],[0.0,0.0]。在此示例中,他们对距离矩阵不满意。请帮助我如何获得正确的分数。谢谢!
通常,构建与距离矩阵关联的点积的Gram矩阵及其进一步的因式分解是一种很好的方法,它还可以让您推断距离矩阵的坐标实现的维数。但是,如果在您的情况下,实现是平面的(二维),那么我认为(以某种方式)更简单地(更可能更快)地以几何方式接近它(同样,您应该确定距离矩阵是2D点):
import numpy as np
import math
def x_coord_of_point(D, j):
return ( D[0,j]**2 + D[0,1]**2 - D[1,j]**2 ) / ( 2*D[0,1] )
def coords_of_point(D, j):
x = x_coord_of_point(D, j)
return np.array([x, math.sqrt( D[0,j]**2 - x**2 )])
def calculate_positions(D):
(m, n) = D.shape
P = np.zeros( (n, 2) )
tr = ( min(min(D[2,0:2]), min(D[2,3:n])) / 2)**2
P[1,0] = D[0,1]
P[2,:] = coords_of_point(D, 2)
for j in range(3,n):
P[j,:] = coords_of_point(D, j)
if abs( np.dot(P[j,:] - P[2,:], P[j,:] - P[2,:]) - D[2,j]**2 ) > tr:
P[j,1] = - P[j,1]
return P
sqrt_result = 2*math.sqrt(2)
D = np.array([[0, 2, 2, sqrt_result],
[2, 0, sqrt_result, 2],
[2, sqrt_result, 0, 2],
[sqrt_result, 2, 2, 0]])
P = calculate_positions(D)
print(P)
您可能需要添加一些检查和改进,以确保向量P [1 ,:]和P [2 ,:]不对齐,这等效于检查
abs( P[1,0]*P[2,1] - P[1,1]*P[2,0] ) < 0.0001 (or some more appropriate threshold)
如果是,则只需执行while循环,直到找到与P[j0, :]
不对齐的第一个向量P[1,0]
。该第一个向量的作用P[j0,:]
与初始向量不符,P[1,:]
您可以在中使用一个有用的if
子句function vector(D)
。我没有包含它,以免混淆代码的思想。
本文收集自互联网,转载请注明来源。
如有侵权,请联系[email protected] 删除。
我来说两句