我已經編寫了一些代碼,試圖使用本文提到的一系列啓發式算法和算法來最小化反饋弧集/最大化有向圖的最大非循環子圖(最多n = 100個節點)的頂點排名排序啓發式反饋Arc Set Problem由Franz J. Brandenburg和Kathrin Hanauer,德國帕紹大學。python - 迭代後清除memoized函數緩存?
讀入的數據是一個鄰接矩陣,它被轉換爲一個igraph.Graph實例。
我正在記憶成本函數和篩選函數。這兩個函數的參數是一個秩(包含頂點排序的元組)和edgeList(包含表示邊的元組)。
因爲我一次處理多個實例並且頂點由整數表示,所以我需要確保兩個函數的緩存在處理完一個實例(圖)之後被清除,並且我不完全確定這是發生。我發現了一些memoize定時緩存實現和memoize與_remove方法,雖然我不斷得到相同的結果。
這是爲了今天早些時候(2015年6月12日下午5:00)到期的項目,但與我一樣固執,我一直在努力,並且希望確保Im正確使用memoize方法。
我附上相關的代碼,我已經使用:
@memoize
def cost(rank, edgeList):
rankMap = {}
for i in range(len(rank)):
rankMap[rank[i]] = i
cost = 0
for edge in edgeList:
u, v = edge[0], edge[1]
if rankMap[u] < rankMap[v]:
cost += 1
return cost
class memoize:
"""Gives the class it's core functionality."""
def __call__(self, *args):
if args not in self._memos:
self._memos[args] = self._function(*args)
return self._memos[args]
def __init__(self, function):
self._memos = {}
self._function = function
"""Removes all memos. This is particularly useful if something that affects the output has changed."""
def remove_memos(self):
self._memos = {}
def alg_star(algorithm, costFunc, graph, rank):
edgeList = tuple([i.tuple for i in graph.es()])
while True:
rankPrime = rank
rank = algorithm(tuple(rank), edgeList)
if costFunc(tuple(rank), edgeList) <= costFunc(tuple(rankPrime), edgeList):
break
return rankPrime
@memoize
def sifting(rank, edgeList):
copyRank = list(rank)
rankValues = {}
for node in rank:
rankValues[tuple(copyRank)] = cost(tuple(copyRank), edgeList)
for i in range(1,len(copyRank)):
copyRank[i-1], copyRank[i] = copyRank[i], copyRank[i-1]
rankValues[tuple(copyRank)] = cost(tuple(copyRank), edgeList)
copyRank = list(argMax(rankValues))
return copyRank
# def evaluateFAS(fileNameList):
rankings = []
for fileName in fileList:
print fileName
adjMatrix, incoming, outgoing = fasGraph(fileName)
instance = igraph.Graph.Adjacency(adjMatrix.tolist())
pre_process(instance)
# rank = kss200(instance)
rank = fasAlg(adjMatrix, incoming, outgoing)
rank = alg_star(sifting, cost, instance, rank)
rank = np.array(rank) + 1
rankings.append(rank)
cost.remove_memos() #not sure if working properly
sifting.remove_memos() # not sure if working properly
# return rankings
任何幫助和指導,將不勝感激。
只是偏執我猜。我並不完全確定memoization在全球/本地環境方面的工作原理。而且由於我得到的輸出和以前一樣,所以我把兩條線放在「不知道它是否有效」的地方,我以爲我沒有正確記憶/清除。我也不知道如何做一個簡單的測試,非常感謝你的迴應。 –