自己紹介

皆さんこんにちは。
山中に生息しているプログラマ＆SE、ほげふがーです。
計算量が普通なら爆発してしまうような数学の最適化問題を、量子コンピュータではなく、非力なPCやRaspbe〇〇piで、無理やり解かせるのが大好きです。

気になったら、何かコメントいただけると嬉しいです(^^

2020/05/04　msinit_shortest1.0.py…計算が実行されない問題を解決しました。
msinit_longest1.0.py …正しい最適解が計算されない問題を解決しました。

githubにアップしたもの

これです。
https://github.com/TiresiasGit/trunk/tree/master/mmiopt

git clone https://github.com/TiresiasGit/trunk.git

randarray4.0.py
　　ex: python randarray4.0.py 10000x10000.npz 10000 uint8
　　In:ファイル名 Out:npzファイル(1~100の自然数の一様分布乱数の正方行列)
csv_to_npz.py
　　ex: python csv_to_npz.py InFile.csv OutFile.npz
─行列の対角要素は、全て0にして、csvカンマ区切りの表を作成してください。(excelなどで。)
　　　一要素の入力可能な最大値は、9999999です。必要であれば、0~100の正規化をしてください。
　　　In:csvファイル Out:npzファイル

　　　下記のfilename.npzに、変換したOutFile.npzを入力してご使用ください。

msinit_shortest1.0.py
　　ex: python msinit_shortest1.0.py filename.npz txt 0.01 single no2-opt
msinit_longest1.0.py
　　ex: python msinit_longest1.0.py 1.0.py filename.npz txt 0.01 single no2-opt

　Input:filename　　　　　　　　　　int or float
　Output:ansedge.npz or txt　　　　　　int
　　　　　ansnode.npz or txt　　　　　int
　　　　　accumulation.npz or txt　　　float

概要

最初は必ずMaximum Sum Initialize法で評価値(dataeva)を算出し,評価値が最大のノードをstart地点として決定します。

Maximum Sum Initialize法とMaximum Mean Initialize法との違い

　Maximum Mean Initialize　　　
(https://qiita.com/TiresiasGit/items/c6f2de7059e25ebf342a)
　　　今までの自己最速記録に比べ、最大71倍高速化しました！
例：10000x10000のTSPにおいて
計算時間　50.9814秒→0.7162秒！
　総距離　　　10417→10449 　　　(わずかな悪化で済んでいる)

今回開発したver.(msinit)


python msinit_shortest1.0.py 10000x10000.npz  txt 0.01 single no2-opt
start load file!
[[ 0 68 82 ... 12 67 18]
 [70  0 98 ... 14 36 85]
 [53 99  0 ...  3 10 77]
 ...
 [ 4 15 64 ...  0 77 80]
 [80 33 64 ... 11  0 36]
 [92  5 16 ...  1 80  0]]
end load file!
flags = [0 0 0 ... 0 0 0]
start max mean initalize.
er=0.01
n=3137
end max mean initialize.
start search min edges.
end search min edges.
start make ansedge from ansnode.
end make ansedge from ansnode.
search end ansnode-> [7133   35   66 ... 9976 9839 9728]
Accumulation Distance =  10449.0
ansedge =  [ 1.  1.  1. ... 45. 79. 26.]
calculation elapsed time=0.7161514759063721
total elapsed time=2.8556344509124756

従来のver.(mmiopt)

>python mmiopt_shortest3.0.py 10000x10000.npz  txt
start load file!
end load file!
start max mean initalize.
end max mean initialize.
start 2-opt
end 2-opt
search end ansnode-> [8132 7417  211 ... 7404 2487 5113]
Accumulation Distance =  10417.0
ansedge =  [ 1.  1.  1. ... 11. 81. 29.]
calculation elapsed time=50.98143482208252
total elapsed time=53.1019127368927

　評価値の計算
　Maximum Mean Initialize法　　　　　Maximum Sum Initialize法
　・平均値　　　　　　　　　→　　合計値（開発のなりゆきでこうなりました...）
　・行の内の全要素がInput　　→　　統計学的なサンプルサイズのみInput
　　とよりヒューリスティックス（直感型）に仕様変更しました。

最小値の探索において探索済み除外の改善

　Maximum Sumに変更したのとは別で、探索済み除外の改善をしました。
　　従来　mmiopt_ver3.0
　　　　　→リスト内包表記とflagsの組み合わせ

リスト内包表記.


   while num > 0:
　　：
　　indexes = [i for i, x in enumerate(data[index]) if 0 == flags[i]]

　　最新　msinit_ver1.0
　　　　→flagsの探索済み(index)に100を代入、np.add()でdata[index]に行単位で加算する(各ノードの行に対して一度だけ適用されるため数値的発散の心配はない)

flagsに100を代入とnp.add()

   while num > 0:
　　：
     data[index]=np.add(data[index],flags)
    :
     flags[index] = 100 #訪問済みにする

10000x10000のTSPにおいて、
　　トータル計算時間50.7954秒→25.7188秒
　　　　となりました。TSPでは最小値のサーチ時間が計算時間の9割以上を占めるので,その中の探索済みにflagを立てる処理を、上記処理に変更したことにより、その部分が2倍速ぐらいとなり、全体としてほぼ2倍速となりました。

ハイパーパラメータの考察

今回私が作成したmmioptのver4.0の外部引数で入力できるパラメータにおいて、どの組み合わせを使うのが良さそうかを考察するため、私のPCで検証してみました。(詳細は実行環境の章を参照。)

思い切って、前回の記事の9倍の規模のTSPで検証してみましょう！

◆30000x30000.npz single no-2opt　固定（このパラメータはテキトーに決め打ちで実施。演算時間が早いので。）

er※①	n※②	距離	演算時間[s]
0.00	29999	30351	4.7850
0.01	3137	30407	4.1949
0.05	125	30453	4.1029
0.10	31	30460	4.0309
0.30	3	30488	4.0099
→やはり評価値の算出の許容誤差を増加させると、総距離が長いパスが出てきます。(^^;
実用的には0.00～0.01を使うのが良さそうです

※①er…許容誤差率です。
※②n…統計的なサンプルサイズnと同義。
nを求める計算式に、一様分布(1%～100%と決め打ち)の標準偏差を代入して作っています。

　　●一様分布の標準偏差　σ
　　　https://bellcurve.jp/statistics/course/8013.html
　　　　1％～100％の一様分布の標準偏差は

σ=\sqrt{(1.00-0.01)^2/12}=0.2857884

　
　　　(入力される行列一要素の値は相対値なので、
　　　　1%=1要素の持つ値域の幅/99　なので、値域により揺らぎますが、
　　　　ざっくりこう置けます。
　　　　1~100の自然数が入力されることを想定して作っています。)

　　●サンプルサイズ　n
　　　　https://toukeigaku-jouhou.info/2018/01/23/how-to-calculate-samplesize/

n=(1.96*σ/許容できる誤差er)^2

n=int((1.96*0.2857884/er)^2)

プログラム上は、高速化のため、左端の[0]から、n個(対角要素は対象外)採取します。
実質、乱択アルゴリズムです。
◆30000x30000.npz er=0.01　固定

判断論理※	2-optあり/なし	距離	演算時間[s]
single	no-2opt	30407	4.1949
single	2opt	30407	9.1305
multi	no-2opt	30367	221.0364
multi	2opt	30367	228.9505
※解探索中に、複数の最大値/最小値に出くわしたときの判断論理

single…　元ノードの持つエッジが、複数の最小のエッジを持つ場合、強制的に若番ノードをその元ノードの解(先ノード)とする
multi…元ノードの持つエッジが、複数の最小のエッジを持つ場合、その中から、最大の評価値をもつノードを元ノードの解(先ノード)とする

no-2opt…解の2opt法の適用なし
2opt　　…解の2opt法の適用あり

multiだと時間のわりに、劇的に改善しないですね...
single/multiにおいて2-optを使用しても、結果として、変化なしでした。（そういうこともあるのか...というより、解の良さが最初のinitalizeとsingle/multiに依存する？）

ハイパーパラメータ考察結論

　　計算資源に余裕がない→single,er=0.01
　　計算資源に余裕がある→multi,er=0.00
　　no-2optで十分。
よって、実行コマンドは
計算資源に余裕がない場合は、
　　　python msi_shortest4.0.py ファイル名.npz txt 0.01 single no2-opt

計算資源に余裕がある場合は、
　　　python msi_shortest4.0.py ファイル名.npz txt 0.01 multi 2-opt

をおすすめします。(｀・ω・´)

社会インフラ（交通渋滞緩和や、ロボットなど）に組み込まれたら、すごく嬉しい...

実行環境

SW:
　Python:Python 3.8.0
　コマンドプロンプトより実行
HW:
　OS:Windwos 10 Home
　CPU:AMD Ryzen 7 2700 Eight-Core Processor 3.20GHz(OCなし,16論理コア)
　DIMM:16.0GB 3200MHz
　HDD:1TB
　GPU:AMD Radeon R9 200

付録A (RaspberryPiに解かせてみた)

RaspberryPi.3B+


pi@raspberrypi:~/trunk/mmiopt $ python msinit_shortest1.0.py 10000x10000.npz txt 0.01 single no-2opt
start load file!
[[ 0 15 21 ...  7 14 75]
 [56  0 94 ... 56 47 89]
 [15 87  0 ... 68 88 56]
 ...
 [ 5 10 79 ...  0 96 68]
 [29 42 58 ... 20  0 56]
 [16 76 49 ... 15 95  0]]
end load file!
('flags =', array([0, 0, 0, ..., 0, 0, 0]))
start max mean initalize.
er=0.01
n=3137
end max mean initialize.
start search min edges.
end search min edges.
start make ansedge from ansnode.
end make ansedge from ansnode.
('search end ansnode->', array([3596,    8,  197, ..., 9889, 9975, 9952]))
('Accumulation Distance = ', 10408.0)
('ansedge = ', array([ 1.,  1.,  1., ..., 15., 46., 47.]))
calculation elapsed time=8.08861899376
total elapsed time=13.6909029484

付録B (ソースコード)

付録B　msinit_shortest1.0.pyのコード

# coding: UTF-8
# Maximum Mean Initialize and 2-opt.
# -> MMI-OPT
#   this version is approximataly solve "shortest path" from TSP Input.
#
#   This argolithm developed for solve TSP approximately fast.
#   (TSP=Traveling Salesman Problem. )
#
# Confirmed operating environment.
#   CentOS Linux release 7.2.1511 (Core)
#   Python 2.7.5
#   Python 3.8.0
#   numpy  1.16.5
#
# How to use this software from command line?
# > python mmiopt_shortest4.0.py filename.npz txt 0.01 single  no2-opt
#                                             ^^^A solution is output as .npz
#                                ^^^^^^^^^^^^^int or float valuses square matrix
#                                             of np.savez_compressed(filename.npz,array_=a)
#                                  type
#  Input:filename                   int or float 
#  Output:ansedge.npz or txt        int
#         ansnode.npz or txt        int
#         accumulation.npz or txt   float
#                                        developer "Ryota Tanaka"
import numpy as np
import csv
import sys
import time
import itertools as itr
def main():
   argv = sys.argv
   if len(argv) != 6:
     print("File name may not be specified,or may contain extra options.")
     exit()
   print("start load file!")
   data = np.load(argv[1])['array_']
   print(data)
   print("end load file!")
   start = time.time()
   searched = [data.shape[1]]
   if data.shape[0] != data.shape[1]:
     print("Please check if it is a square matrix.")
   #array init
   flags = np.zeros(data.shape[0],dtype='int32')
   print("flags =",flags)
   ansnode = np.array([],dtype='int32')
   ansedge = np.array([],dtype='int32')
   #ansedge = np.array([])
   accumulation = 0 #累積距離の初期化
   print("start max mean initalize.")
   er=float(argv[3])
   print("er="+str(er))
   if er < 0.0 or 0.99 < er:
     print("inputed error rate is out of range.")
     exit()
   elif er <=0.0:
     n=data.shape[0]-1
   else:
     n=int((1.96*0.2857884/er)**2)
   print("n="+str(n))
   if n > data.shape[0]-1:
      n=data.shape[0]-1
   index,dataeva = calc_maxevaindex(data,n)
   print("end max mean initialize.")
   flags[index] = 100 #訪問済みにする
   ansnode=np.append(ansnode,int(index)) #答えとなるノード番号をキューに入れる
   num = data.shape[0] - 1
   print("start search min edges.")
   while num > 0:
     beforeindex = index #ひとつ前のindexとして保持する
     data[index]=np.add(data[index],flags)
     if argv[4] == 'single':
       index = np.argmin(data[index])
     else:
       #multi
       xmin = np.min(data[index])
       minindexes = [i for i,x in enumerate(data[index]) if x == xmin]
       if len(minindexes) > 1:
         maxdataevai = np.argmax(dataeva[minindexes])
         index = minindexes[maxdataevai] #minindexesの内、評価値が最大のノード番号を取り出す
       else:
         index = minindexes[0]

     flags[index] = 100 #訪問済みにする
     ansnode=np.append(ansnode,int(index)) #答えとなるノード番号をキューに入れる
     accumulation += data[beforeindex,index] #累積距離に加算する
     num-=1
     #print(num)
   print("end search min edges.")
   print("start make ansedge from ansnode.")
   for i in range(len(ansnode)-1):
     ansedge=np.append(ansedge,data[int(ansnode[i]),int(ansnode[i + 1])])
   print("end make ansedge from ansnode.")
     #ansedge = np.append(ansedge,data[int(ansnode[i]),int(ansnode[i + 1])])
   #2-opt法による解のworst除去
   if argv[5] == '2-opt':
     print("start 2-opt")
     num = data.shape[0] - 1
     tempedge0=np.zeros(4)#従来のエッジ長集合
     tempedge1=np.zeros(4)#swap後エッジ長集合
     templist=np.zeros(6)  
     while num > 0:
       worst_node_i = np.argmax(ansedge)#解の経路から、最長のエッジを出す
       #次のループのために、現在見つかった最大値の要素を削除
       ansedge = np.delete(ansedge,worst_node_i,axis=0)
       worst_minnode=np.argmin(data[int(ansnode[worst_node_i])])
       #◆交換なし
       #交換元
       worst_minnode_i_list=np.where(ansnode-worst_minnode==0)#array[]->intに変換は[0]を参照すればよい
       worst_minnode_i=worst_minnode_i_list[0]
       #print("worst_minnode_i");#print(worst_minnode_i)

       worst_node_i_next = worst_node_i+1
       #以下のif文は、worst_maxnode_iが解の先頭か、最後である場合、前がなかったり後がなかったりするので、その境界の処理
       templist[1]=ansnode[worst_minnode_i]
       if worst_minnode_i-1 > 0 :
          templist[0]=ansnode[worst_minnode_i-1]
          tempedge0[0]=data[int(templist[0]),int(templist[1])]
       if worst_minnode_i+1 < len(ansnode)-1 :
          templist[2]=ansnode[worst_minnode_i+1]
          tempedge0[1]=data[int(templist[1]),int(templist[2])]
       #交換先
       templist[4]=ansnode[worst_node_i_next]
       if worst_node_i-1 > 0 :
          templist[3]=ansnode[worst_node_i_next-1]
          tempedge0[2]=data[int(templist[3]),int(templist[4])]
       if worst_node_i+1 < len(ansnode)-1 :
          templist[5]=ansnode[worst_node_i_next+1]
          tempedge0[3]=data[int(templist[4]),int(templist[5])]

       #◆交換した場合
       #交換元
       templist[1]=ansnode[worst_node_i_next]#swaped
       if worst_minnode_i-1 > 0 :
          templist[0]=ansnode[worst_minnode_i-1]
          tempedge1[0]=data[int(templist[0]),int(templist[1])]
       if worst_minnode_i+1 < len(ansnode)-1 :
          templist[2]=ansnode[worst_minnode_i+1]
          tempedge1[1]=data[int(templist[1]),int(templist[2])]
       #交換先
       templist[4]=ansnode[worst_minnode_i]#swaped
       if worst_node_i-1 > 0 :
          templist[3]=ansnode[worst_node_i_next-1]
          tempedge1[2]=data[int(templist[3]),int(templist[4])]
       if worst_node_i+1 < len(ansnode)-1 :
          templist[5]=ansnode[worst_node_i_next+1]
          tempedge1[3]=data[int(templist[4]),int(templist[5])]
       #print("sum(tempedge0)");#print(np.sum(tempedge0))
       #print("sum(tempedge1)");#print(np.sum(tempedge1))
       #距離判定
       if(np.sum(tempedge1)<np.sum(tempedge0)):
         #node swap
         tempnode=             ansnode[worst_node_i_next]
         ansnode[worst_node_i_next]=ansnode[worst_minnode_i]
         ansnode[worst_minnode_i]=tempnode
       #decrement
       num-=1
     #while num end
     print("end 2-opt")

   print("search end ansnode->",ansnode)
   ansedge =[]
   for i in range(len(ansnode)-1):
     ansedge = np.append(ansedge,data[int(ansnode[i]),int(ansnode[i + 1])])
   accumulation=np.sum(ansedge)
   print("Accumulation Distance = ",accumulation)
   print("ansedge = ",ansedge)
   if argv[2] == 'txt':
     np.savetxt("ansnode.txt", ansnode,fmt ='%d')
     np.savetxt("ansedge.txt", ansedge,fmt ='%d')
     np.savetxt("accumulation.txt", [accumulation],fmt ='%f')
   elif argv[2] == 'npz':
     np.savez_compressed("ansnode.npz", array_=ansnode)
     np.savez_compressed("ansedge.npz", array_=ansedge)
     np.savez_compressed("accumulation.npz", array_=accumulation)
   else:
     print("!none output files!")
   t = time.time() - start
   print("calculation elapsed time="+str(t))


def calc_maxevaindex(data,n):
   #dataeva = np.mean(data,axis=1)
   maxj=data.shape[0]-1
   #before half(row number 0 to n-1 -> sum(0 to n)  (n+1 elements,include 0))
   #print(data)
   dataeva=[np.sum(data[0:n,:n+1],axis=1)]
   #print("data[0:n,:n+1]="+str(data[0:n,:n+1]))
   #after half(row number n to maxj -> sum(0 to n-1 (n elements))
   #print("data[n:maxj+1,:n])"+str(data[n:maxj+1,:n]))
   dataeva=np.append(dataeva,np.sum(data[n:maxj+1,:n],axis=1))
   #print(dataeva)
   #print("data[n:maxj+1,:n]="+str(data[n:maxj+1,:n])

   #print("i=0 ="+str(dataeva))
   #print(dataeva)
   #i=1~maxj-1 (To get the line from which a diagonal element was removed.)
   #print("maxj = "+str(maxj))
   #print(str([np.mean(np.append(row[0:(i+1)],row[(i+1)+1:n+1],axis=0)) for i,row in enumerate(data[1:maxj])]))
   #print(str(np.append(dataeva,[np.mean(np.append(row[0:(i+1)],row[(i+1)+1:n+1],axis=0)) for i,row in enumerate(data[1:maxj])],axis=0)))
   #exit()
   evamax_i=np.argmax(dataeva)
   return evamax_i,dataeva

if __name__  == "__main__":
  try:
    start = time.time() 
    main() #main処理
    t = time.time() - start
    print("total elapsed time="+str(t))

  #errorハンドリング
  except IOError as error:
    print("Make sure the files are on the same level")