如何解决生成多个邻接矩阵的更快方法
P = matrix(c(0.3,0.2,0.3,0.3),3,3)
P
[,1] [,2] [,3]
[1,] 0.3 0.2 0.2
[2,] 0.2 0.3 0.2
[3,] 0.2 0.2 0.3
对于单个邻接矩阵,其生成方式类似于(未加权,无自负)
tem = matrix(runif(3^2),nrow = 3)
tmpG = 1 * (tmpmat < P)
tmpG[lower.tri(tmpG)] <- 0
tmpG <- t(tmpG) + tmpG - diag(diag(tmpG))
G = list()
for (i in 1:rep) {
tmpmat = matrix(runif(n^2),nrow = n)
tmpG = 1 * (tmpmat < P)
tmpG[lower.tri(tmpG)] <- 0
tmpG <- t(tmpG) + tmpG - diag(diag(tmpG))
if (noloop) {
diag(tmpG) = 0
}
G[[i]] = tmpG
}
在我的情况下,n >10000
和T = 1000
太慢了,有什么更好的主意来改善它吗?
解决方法
我认为我们可以做得更好,方法是只处理所需长度的向量,然后将其放入矩阵的最后。我尚未对此进行仔细检查,并且您的代码中没有供我比较意图的注释,因此请在信任它之前确保它是正确的。
p_vec = P[upper.tri(P,diag = !noloop)]
nn = length(p_vec)
tmpG_vec = runif(nn) < p_vec
tmpG = matrix(0,n,n)
tmpG[upper.tri(tmpG,diag = !noloop)] = tmpG_vec
tmpG[lower.tri(tmpG,diag = !noloop)] = tmpG_vec
tmpG
然后我们可以将其包装在replicate
中进行迭代。
以更大的维度/更高的销售代表为基准,我们获得了大约25%的加速,但是它仍然相当缓慢(我因为厌倦了等待而放弃了n = 5000
的基准测试)。通过并行运行,您可能会获得相当多的速度-如果您有8个内核,则可以说几乎提高了8倍。参见例如this question,尽管可能有更现代的方式来做到这一点。
rep = 5L
n = 2000
noloop = TRUE
P = matrix(runif(n^2),n)
P = P %*% t(P)
P = P / colSums(P)
p_vec = P[upper.tri(P,diag = !noloop)]
nn = length(p_vec)
microbenchmark::microbenchmark(
loop = {
G = list()
for (i in 1:rep) {
tmpmat = matrix(runif(n^2),nrow = n)
tmpG = 1 * (tmpmat < P)
tmpG[lower.tri(tmpG)] <- 0
tmpG <- t(tmpG) + tmpG - diag(diag(tmpG))
if (noloop) {
diag(tmpG) = 0
}
G[[i]] = tmpG
}
},diagonal = replicate(rep,{
tmpG_vec = runif(nn) < p_vec
tmpG = matrix(0,n)
tmpG[upper.tri(tmpG,diag = !noloop)] = tmpG_vec
tmpG[lower.tri(tmpG,diag = !noloop)] = tmpG_vec
tmpG
}),times = 5L
)
# Unit: seconds
# expr min lq mean median uq max neval
# loop 1.525028 1.614544 2.136637 2.148771 2.387423 3.007417 5
# diagonal 1.312022 1.360457 1.592914 1.444902 1.602536 2.244652 5
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。