---

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。

对该代码进行改进
20250412-代码改进-拟蒙特卡洛

---

一、get_random_problems 函数分析

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

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

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

• 生成节点坐标：
  • 生成形状为 (batch_size, problem_size, 2) 的随机张量，表示每个批次中所有节点的二维坐标。

if problem_size == 20:
    demand_scaler = 30
elif problem_size == 50:
    demand_scaler = 40
elif problem_size == 100:
    demand_scaler = 50
node_demand = torch.randint(1, 10, size=(batch_size, problem_size)) / demand_scaler

• 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种几何变换对坐标数据进行增强，扩充数据集。

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

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

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

• 生成8种变换：
  • 对坐标进行镜像翻转和转置操作，生成8种变体。

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

• 合并增强数据：
• 将8种变换后的数据沿批次维度拼接，最终形状为 (8*batch, N, 2)。

---

代码

import torch
import numpy as np


def get_random_problems(batch_size, problem_size):

    depot_xy = torch.rand(size=(batch_size, 1, 2))
    # shape: (batch, 1, 2)

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


def 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