Python 最小间距点的随机均匀分布_Python_Numpy

Python 最小间距点的随机均匀分布

python numpy

Python 最小间距点的随机均匀分布,python,numpy,Python,Numpy,我试图在二维空间中生成一组点的坐标，这些点随机均匀分布，但彼此不太接近我从np.random.uniform开始，生成nx2值x和y坐标，然后在所有坐标上使用两个嵌套for循环筛选坐标列表，以删除过于接近的点，并将它们随机放置在其他位置： # Generate xy coordinates for the grafting points rng = np.random.RandomState(seed=self.rng_seed) coordinates = rng.uniform(h

我试图在二维空间中生成一组点的坐标，这些点随机均匀分布，但彼此不太接近

我从np.random.uniform开始，生成nx2值x和y坐标，然后在所有坐标上使用两个嵌套for循环筛选坐标列表，以删除过于接近的点，并将它们随机放置在其他位置：

# Generate xy coordinates for the grafting points
rng = np.random.RandomState(seed=self.rng_seed)
    coordinates = rng.uniform(high=(self.box_size[0], self.box_size[1]), size=(n_chains, 2))

for count in range(0, self.max_overlap_iter):
    moved_bead = False
    # Search for overlapping beads by looping over the list doubly
    for id_i, coord_i in enumerate(coordinates):
        for id_j, coord_j in enumerate(coordinates):
            if not id_i == id_j and np.sqrt(sum((coord_i - coord_j)**2)) < self.bead_size:
                # Move the second point
                coordinates[id_j] = rng.uniform(high=(self.box_size[0], self.box_size[1]), size=2)
                moved_bead = True
    if not moved_bead:
        break

将点移动到新的随机位置后，它必须再次穿过外环，因为它可能仍然重叠

问题是，当点的密度足够高时，这会变得非常缓慢，因为某些点“重叠”的概率急剧上升。因此，我必须构建最大数量的迭代，但这显然不是我问题的解决方案

有没有一种更快、更有效的方法可以做到这一点？

您是否尝试过使用泊松圆盘采样算法

我想这可能就是你要找的

以下是删除时的代码

<!DOCTYPE html>
<meta charset="utf-8">
<body>
<script src="//d3js.org/d3.v3.min.js"></script>
<script>

var width = 960,
    height = 500;

var sample = poissonDiscSampler(width, height, 10);

var svg = d3.select("body").append("svg")
    .attr("width", width)
    .attr("height", height);

d3.timer(function() {
  for (var i = 0; i < 10; ++i) {
    var s = sample();
    if (!s) return true;
    svg.append("circle")
        .attr("cx", s[0])
        .attr("cy", s[1])
        .attr("r", 0)
      .transition()
        .attr("r", 2);
  }
});

// Based on https://www.jasondavies.com/poisson-disc/
function poissonDiscSampler(width, height, radius) {
  var k = 30, // maximum number of samples before rejection
      radius2 = radius * radius,
      R = 3 * radius2,
      cellSize = radius * Math.SQRT1_2,
      gridWidth = Math.ceil(width / cellSize),
      gridHeight = Math.ceil(height / cellSize),
      grid = new Array(gridWidth * gridHeight),
      queue = [],
      queueSize = 0,
      sampleSize = 0;

  return function() {
    if (!sampleSize) return sample(Math.random() * width, Math.random() * height);

    // Pick a random existing sample and remove it from the queue.
    while (queueSize) {
      var i = Math.random() * queueSize | 0,
          s = queue[i];

      // Make a new candidate between [radius, 2 * radius] from the existing sample.
      for (var j = 0; j < k; ++j) {
        var a = 2 * Math.PI * Math.random(),
            r = Math.sqrt(Math.random() * R + radius2),
            x = s[0] + r * Math.cos(a),
            y = s[1] + r * Math.sin(a);

        // Reject candidates that are outside the allowed extent,
        // or closer than 2 * radius to any existing sample.
        if (0 <= x && x < width && 0 <= y && y < height && far(x, y)) return sample(x, y);
      }

      queue[i] = queue[--queueSize];
      queue.length = queueSize;
    }
  };

  function far(x, y) {
    var i = x / cellSize | 0,
        j = y / cellSize | 0,
        i0 = Math.max(i - 2, 0),
        j0 = Math.max(j - 2, 0),
        i1 = Math.min(i + 3, gridWidth),
        j1 = Math.min(j + 3, gridHeight);

    for (j = j0; j < j1; ++j) {
      var o = j * gridWidth;
      for (i = i0; i < i1; ++i) {
        if (s = grid[o + i]) {
          var s,
              dx = s[0] - x,
              dy = s[1] - y;
          if (dx * dx + dy * dy < radius2) return false;
        }
      }
    }

    return true;
  }

  function sample(x, y) {
    var s = [x, y];
    queue.push(s);
    grid[gridWidth * (y / cellSize | 0) + (x / cellSize | 0)] = s;
    ++sampleSize;
    ++queueSize;
    return s;
  }
}

</script>

最后，我利用从其他算法中获得的一些想法，编写了一个泊松圆盘点集生成器算法，该算法可以生成非最大点集并在线性时间内运行

当然要感谢@Kamil给了我术语Poisson disk point set到Google

可以在这里找到：

这些点是随机的，这有多重要？也就是说，在某种网格上对每个珠子应用高斯偏移生成点会影响你的应用程序吗？谢谢，这一点一开始看起来很有希望，但我认为我不能使用它，因为我需要能够指定平均密度。我忘了在我的问题中提到那一点。我不认为你可以用泊松圆盘取样；您只能指定r，即点之间的最小距离。@Compizfox没有任何东西阻止您定义一个函数，该函数将密度作为输入并计算所需的r。很简单：r=sqrtPI/密度。公式给出的半径稍微太大，但对于更高的密度来说应该是可以的。r不一样，因为这会改变点之间的最小距离。我想独立于r改变点密度。换句话说，我生成的泊松圆盘点集不应该总是最大的。有了这些关于泊松圆盘点集的信息，我想我可以想出一些比我现在的“蛮力”算法更有效的生成非最大点集的算法。谢谢@RahatZaman抱歉，我重新整理了存储库。我再次修复了链接。