20250412_代码笔记_CVRProblemDef

---

前言

该笔记分析代码的功能是生成随机VRP问题的数据，包含仓库坐标、节点坐标和节点需求。
对该代码举行改进
20250412-代码改进-拟蒙特卡洛

---

一、get_random_problems 函数分析

1. depot_xy = torch.rand(size=(batch_size, 1, 2))

复制代码

• 生成仓库坐标：
  
  
  
  • 生成形状为(batch_size, 1, 2) 的随机张量，表现每个批次中仓库的二维坐标（范围 [0,1)）。
    
  
  

1. node_xy = torch.rand(size=(batch_size, problem_size, 2))

复制代码

• 生成节点坐标：
  
  
  
  • 生成形状为 (batch_size, problem_size, 2) 的随机张量，表现每个批次中全部节点的二维坐标。
    
  
  

1. if problem_size == 20:
2.     demand_scaler = 30
3. elif problem_size == 50:
4.     demand_scaler = 40
5. elif problem_size == 100:
6.     demand_scaler = 50
7. node_demand = torch.randint(1, 10, size=(batch_size, problem_size)) / demand_scaler

复制代码

• 生成节点需求：
  
  
  
  • 根据 problem_size 选择缩放因子 demand_scaler。
    
  • 生成 1~9 的整数需求，并缩放到 [1/50, 9/50] 等区间，确保需求值为浮点数。
    
  
  

二、augment_xy_data_by_8_fold 函数分析

功能：通过8种几何变更对坐标数据举行增强，扩凑数据集。

1. x = xy_data[:, :, [0]]  # 提取x坐标
2. y = xy_data[:, :, [1]]  # 提取y坐标

复制代码

• 拆分坐标：
  
  
  
  • 从输入数据 xy_data（形状 (batch, N, 2)）分离出x和y分量。
    
  
  

1. dat1 = torch.cat((x, y), dim=2)          # 原始坐标
2. dat2 = torch.cat((1 - x, y), dim=2)      # x轴镜像
3. dat3 = torch.cat((x, 1 - y), dim=2)      # y轴镜像
4. dat4 = torch.cat((1 - x, 1 - y), dim=2)  # x+y轴镜像
5. dat5 = torch.cat((y, x), dim=2)          # 转置坐标
6. dat6 = torch.cat((1 - y, x), dim=2)      # 转置后x轴镜像
7. dat7 = torch.cat((y, 1 - x), dim=2)      # 转置后y轴镜像
8. dat8 = torch.cat((1 - y, 1 - x), dim=2)  # 转置后x+y轴镜像

复制代码

• 生成8种变更：
  
  
  
  • 对坐标举行镜像翻转和转置操纵，生成8种变体。
    
  
  

1. aug_xy_data = torch.cat((dat1, dat2, ..., dat8), dim=0)

复制代码

• 归并增强数据：
  
• 将8种变更后的数据沿批次维度拼接，终极形状为 (8*batch, N, 2)。
  

---

代码

1. import torchimport numpy as npdef get_random_problems(batch_size, problem_size):    depot_xy = torch.rand(size=(batch_size, 1, 2))
2.     # shape: (batch, 1, 2)    node_xy = torch.rand(size=(batch_size, problem_size, 2))
3.     # shape: (batch, problem, 2)    if problem_size == 20:        demand_scaler = 30    elif problem_size == 50:        demand_scaler = 40    elif problem_size == 100:        demand_scaler = 50    else:        raise NotImplementedError    node_demand = torch.randint(1, 10, size=(batch_size, problem_size)) / float(demand_scaler)    # shape: (batch, problem)    return depot_xy, node_xy, node_demanddef augment_xy_data_by_8_fold(xy_data):    # xy_data.shape: (batch, N, 2)    x = xy_data[:, :, [0]]    y = xy_data[:, :, [1]]    # x,y shape: (batch, N, 1)    dat1 = torch.cat((x, y), dim=2)    dat2 = torch.cat((1 - x, y), dim=2)    dat3 = torch.cat((x, 1 - y), dim=2)    dat4 = torch.cat((1 - x, 1 - y), dim=2)    dat5 = torch.cat((y, x), dim=2)    dat6 = torch.cat((1 - y, x), dim=2)    dat7 = torch.cat((y, 1 - x), dim=2)    dat8 = torch.cat((1 - y, 1 - x), dim=2)    aug_xy_data = torch.cat((dat1, dat2, dat3, dat4, dat5, dat6, dat7, dat8), dim=0)    # shape: (8*batch, N, 2)    return aug_xy_data

复制代码

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。