def test_01_02(self):
r = np.random.RandomState()
r.seed(11)
for reductions in [0,2]:
for _ in range(100):
c = r.randint(1,10,(5,5))
i,j = np.mgrid[0:5,0:5]
i = i.flatten()
j = j.flatten()
x,y,u,v = LAPJV.lapjv(i, j, c.flatten(), True, reductions)
min_cost = np.sum(c)
best = None
for permutation in permutations([0,1,2,3,4]):
cost = sum([c[i,permutation[i]] for i in range(5)])
if cost < min_cost:
best = list(permutation)
min_cost = cost
result_cost = sum([c[i,x[i]] for i in range(5)])
self.assertAlmostEqual(min_cost, result_cost)
def test_01_03(self):
'''Regression tests of matrices that crashed lapjv'''
dd = [
np.array([[0., 0., 0.], [1., 1., 5.34621029], [1., 7., 55.],
[2., 2., 2.09806089], [2., 8.,
55.], [3., 3., 4.82063029],
[3., 9., 55.], [4., 4., 3.99481917], [4., 10., 55.],
[5., 5., 3.18959054], [5., 11., 55.], [6., 1., 55.],
[6., 7., 0.], [6., 8., 0.], [6., 9., 0.], [6., 10., 0.],
[6., 11., 0.], [7., 2., 55.], [7., 7., 0.], [7., 8., 0.],
[7., 9., 0.], [7., 10., 0.], [7., 11.,
0.], [8., 3., 55.],
[8., 7., 0.], [8., 8., 0.], [8., 9., 0.], [8., 10., 0.],
[8., 11., 0.], [9., 4., 55.], [9., 7., 0.], [9., 8., 0.],
[9., 9., 0.], [9., 10., 0.], [9., 11., 0.],
[10., 5., 55.], [10., 7., 0.], [10., 8., 0.],
[10., 9., 0.], [10., 10., 0.], [10., 11., 0.],
[11., 6., 55.], [11., 7., 0.], [11., 8., 0.],
[11., 9., 0.], [11., 10., 0.], [11., 11., 0.]]),
np.array([[0., 0., 0.], [1., 1., 1.12227977], [1., 6., 55.],
[2., 2., 18.66735253], [2., 4., 16.2875504],
[2., 7., 55.], [3., 5., 1.29944194], [3., 8., 55.],
[4., 5., 32.61892281], [4., 9., 55.], [5., 1., 55.],
[5., 6., 0.], [5., 7., 0.], [5., 8., 0.], [5., 9., 0.],
[6., 2., 55.], [6., 6., 0.], [6., 7., 0.], [6., 8., 0.],
[6., 9., 0.], [7., 3., 55.], [7., 6., 0.], [7., 7., 0.],
[7., 8., 0.], [7., 9., 0.], [8., 4., 55.], [8., 6., 0.],
[8., 7., 0.], [8., 8., 0.], [8., 9., 0.], [9., 5., 55.],
[9., 6., 0.], [9., 7., 0.], [9., 8., 0.], [9., 9., 0.]])
]
expected_costs = [74.5, 1000000]
for d, ec in zip(dd, expected_costs):
n = np.max(d[:, 0].astype(int)) + 1
x, y = LAPJV.lapjv(d[:, 0].astype(int), d[:, 1].astype(int), d[:,
2])
c = np.ones((n, n)) * 1000000
c[d[:, 0].astype(int), d[:, 1].astype(int)] = d[:, 2]
self.assertTrue(np.sum(c[np.arange(n), x]) < ec)
self.assertTrue(np.sum(c[y, np.arange(n)]) < ec)
def test_01_03(self):
'''Regression tests of matrices that crashed lapjv'''
dd = [
np.array([[ 0. , 0. , 0. ],
[ 1. , 1. , 5.34621029],
[ 1. , 7. , 55. ],
[ 2. , 2. , 2.09806089],
[ 2. , 8. , 55. ],
[ 3. , 3. , 4.82063029],
[ 3. , 9. , 55. ],
[ 4. , 4. , 3.99481917],
[ 4. , 10. , 55. ],
[ 5. , 5. , 3.18959054],
[ 5. , 11. , 55. ],
[ 6. , 1. , 55. ],
[ 6. , 7. , 0. ],
[ 6. , 8. , 0. ],
[ 6. , 9. , 0. ],
[ 6. , 10. , 0. ],
[ 6. , 11. , 0. ],
[ 7. , 2. , 55. ],
[ 7. , 7. , 0. ],
[ 7. , 8. , 0. ],
[ 7. , 9. , 0. ],
[ 7. , 10. , 0. ],
[ 7. , 11. , 0. ],
[ 8. , 3. , 55. ],
[ 8. , 7. , 0. ],
[ 8. , 8. , 0. ],
[ 8. , 9. , 0. ],
[ 8. , 10. , 0. ],
[ 8. , 11. , 0. ],
[ 9. , 4. , 55. ],
[ 9. , 7. , 0. ],
[ 9. , 8. , 0. ],
[ 9. , 9. , 0. ],
[ 9. , 10. , 0. ],
[ 9. , 11. , 0. ],
[ 10. , 5. , 55. ],
[ 10. , 7. , 0. ],
[ 10. , 8. , 0. ],
[ 10. , 9. , 0. ],
[ 10. , 10. , 0. ],
[ 10. , 11. , 0. ],
[ 11. , 6. , 55. ],
[ 11. , 7. , 0. ],
[ 11. , 8. , 0. ],
[ 11. , 9. , 0. ],
[ 11. , 10. , 0. ],
[ 11. , 11. , 0. ]]),
np.array([[ 0. , 0. , 0. ],
[ 1. , 1. , 1.12227977],
[ 1. , 6. , 55. ],
[ 2. , 2. , 18.66735253],
[ 2. , 4. , 16.2875504 ],
[ 2. , 7. , 55. ],
[ 3. , 5. , 1.29944194],
[ 3. , 8. , 55. ],
[ 4. , 5. , 32.61892281],
[ 4. , 9. , 55. ],
[ 5. , 1. , 55. ],
[ 5. , 6. , 0. ],
[ 5. , 7. , 0. ],
[ 5. , 8. , 0. ],
[ 5. , 9. , 0. ],
[ 6. , 2. , 55. ],
[ 6. , 6. , 0. ],
[ 6. , 7. , 0. ],
[ 6. , 8. , 0. ],
[ 6. , 9. , 0. ],
[ 7. , 3. , 55. ],
[ 7. , 6. , 0. ],
[ 7. , 7. , 0. ],
[ 7. , 8. , 0. ],
[ 7. , 9. , 0. ],
[ 8. , 4. , 55. ],
[ 8. , 6. , 0. ],
[ 8. , 7. , 0. ],
[ 8. , 8. , 0. ],
[ 8. , 9. , 0. ],
[ 9. , 5. , 55. ],
[ 9. , 6. , 0. ],
[ 9. , 7. , 0. ],
[ 9. , 8. , 0. ],
[ 9. , 9. , 0. ]])]
expected_costs = [74.5, 1000000]
for d,ec in zip(dd, expected_costs):
n = np.max(d[:,0].astype(int))+1
x,y = LAPJV.lapjv(d[:,0].astype(int), d[:,1].astype(int), d[:,2])
c = np.ones((n,n)) * 1000000
c[d[:,0].astype(int), d[:,1].astype(int)] = d[:,2]
self.assertTrue(np.sum(c[np.arange(n),x]) < ec)
self.assertTrue(np.sum(c[y,np.arange(n)]) < ec)
