python-graph
добавлено:
Комментарии заставили меня задуматься о том, как производительность pygraph была для проблемы наЗаказ ОП, поэтому я сделал игрушечную программу, чтобы узнать.Вот вывод для немного меньшей версии проблемы:
$ python2.6 biggraph.py 4 6
biggraph generate 10000 nodes 00:00:00
biggraph generate 1000000 edges 00:00:00
biggraph add edges 00:00:05
biggraph Dijkstra 00:01:32
biggraph shortest_path done 00:04:15
step: 1915 2
step: 0 1
biggraph walk done 00:04:15
path: [9999, 1915, 0]
Неплохо для узлов 10k и ребер 1M.Важно отметить, что способ вычисления Дейкстры с помощью pygraph дает словарь всех связующих деревьев для каждого узла относительно одной цели (который был произвольно узлом 0 и не имеет привилегированной позиции в графе).Следовательно, решение, которое заняло 3,75 минуты для вычисления, фактически дало ответ на вопрос «какой кратчайший путь от всех узлов до цели?».Действительно, как только shortest_path было сделано, поиск ответа был простым поиском по словарю и, по сути, не занял много времени.Стоит также отметить, что добавление предварительно вычисленных ребер в график было довольно дорогостоящим: ~ 1,5 минуты.Эти временные интервалы одинаковы при нескольких запусках.
Я бы хотел сказать, что процесс хорошо масштабируется, но я все еще жду biggraph 5 6 на компьютере, который в противном случае не работает на процессор, все в ядре), который работал более четверти часа.По крайней мере, использование памяти стабильно около 0,5 ГБ.И результаты приведены ниже:
biggraph generate 100000 nodes 00:00:00
biggraph generate 1000000 edges 00:00:00
biggraph add edges 00:00:07
biggraph Dijkstra 00:01:27
biggraph shortest_path done 00:23:44
step: 48437 4
step: 66200 3
step: 83824 2
step: 0 1
biggraph walk done 00:23:44
path: [99999, 48437, 66200, 83824, 0]
Это долго, но это было также тяжелое вычисление (и мне бы очень хотелось, чтобы я выбрал результат).Вот код для любопытных:
#!/usr/bin/python
import pygraph.classes.graph
import pygraph.algorithms
import pygraph.algorithms.minmax
import time
import random
import sys
if len(sys.argv) != 3:
print ('usage %s: node_exponent edge_exponent' % sys.argv[0])
sys.exit(1)
nnodes = 10**int(sys.argv[1])
nedges = 10**int(sys.argv[2])
start_time = time.clock()
def timestamp(s):
t = time.gmtime(time.clock() - start_time)
print 'biggraph', s.ljust(24), time.strftime('%H:%M:%S', t)
timestamp('generate %d nodes' % nnodes)
bg = pygraph.classes.graph.graph()
bg.add_nodes(xrange(nnodes))
timestamp('generate %d edges' % nedges)
edges = set()
while len(edges) < nedges:
left, right = random.randrange(nnodes), random.randrange(nnodes)
if left == right:
continue
elif left > right:
left, right = right, left
edges.add((left, right))
timestamp('add edges')
for edge in edges:
bg.add_edge(edge)
timestamp("Dijkstra")
target = 0
span, dist = pygraph.algorithms.minmax.shortest_path(bg, target)
timestamp('shortest_path done')
# the paths from any node to target is in dict span, let's
# pick any arbitrary node (the last one) and walk to the
# target from there, the associated distance will decrease
# monotonically
lastnode = nnodes - 1
path = []
while lastnode != target:
nextnode = span[lastnode]
print 'step:', nextnode, dist[lastnode]
assert nextnode in bg.neighbors(lastnode)
path.append(lastnode)
lastnode = nextnode
path.append(target)
timestamp('walk done')
print 'path:', path