我有一个松散连接的图表 . 对于该图中的每个边,我知道位置p(v)和p(w)处的节点v和w之间的近似距离d(v,w)为 a vector in R3 ,而不仅仅是欧氏距离 . 错误应该很小(比如说<3%),第一个节点是<0,0,0> .
如果根本没有错误,我可以这样计算节点位置:
set p(first_node) = <0,0,0>
calculate_position(first_node)
calculate_position(v):
for (v,w) in Edges:
if p(w) is not set:
set p(w) = p(v) + d(v,w)
calculate_position(w)
for (u,v) in Edges:
if p(u) is not set:
set p(u) = p(v) - d(u,v)
calculate_position(u)
距离的误差不相等 . 但为了简单起见,假设相对误差(d(v,w)-d'(v,w))/ E(v,w)是N(0,1) - 正态分布 . 我想最小化平方误差的总和
sum( ((p(v)-p(w)) - d(v,w) )^2/E(v,w)^2 ) for all edges
该图可能具有适量的节点(> 100),但节点之间只有一些连接,并且已经“预先过滤”(如果这些子图之间只有一个连接,则分成子图) .
我尝试了一个简单的"physical model"与hooks low但它的缓慢和不稳定 . 对于这类问题,是否有更好的算法或启发式算法?
1 回答
这看起来像linear regression . 采用以下形式的错误术语,即没有正方形并拆分成单独的坐标:
如果我理解正确,您正在为所有节点
v
查找值px(v)
,py(v)
和pz(v)
,以使上述术语的平方和最小化 .您可以通过以下方式创建矩阵A和向量b来完成此操作:每行对应于上述形式的等式之一,并且A的每列对应于一个变量,即单个坐标 . 对于n个顶点和m个边,矩阵A将具有3m行(因为您分开坐标)和3n-3列(因为您还修复了第一个节点
px(0)=py(0)=pz(0)=0
) .(px(v) - px(w) - dx(v,w))/E(v,w)
的行在px(v)
的列中有一个条目1/E(v,w)
,在px(w)
的列中有一个条目-1/E(v,w)
. 所有其他列将为零 . 向量b中的相应条目将是dx(v,w)/E(v,w)
.现在求解linear equation(AT·A)x = AT·b,其中AT表示A的transpose . 解向量x将包含顶点的坐标 . 您可以将其分解为三个独立的问题,每个问题对应一个坐标方向,以保持线性方程组的大小不变 .