/
LAMGLSSolver.cpp
1233 lines (1075 loc) · 45 KB
/
LAMGLSSolver.cpp
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
#include <blaze/Blaze.h>
#include <limits.h>
#include <iostream>
#include "LAMGLSSolver.h"
#include "MtxOps.h"
using namespace blaze;
LAMGLSSolver::LAMGLSSolver(istream* iStrm) {
cout << "Costruttore di LAMG" << endl;
/** ATTENZIONE
* Commento queste variabili perché per ora mi è più comodo
* gestire tutto a compile-time. La comodità sta nel fatto che posso
* introdurre macro al volo dentro il file giusto nel momento che
* mi servono, sena dovermi ricordare di inizializzarle al default
* nel costruttore.
* Senza contare poi che alcuni di questi parametri saranno di run-time
* ed altri di compile-time.
* Rimando questa decisione a progetto concluso.
* Le variabili (ora macro) si trovano dunque nel file settings.h
DfltdSfInpt(iStrm, buildStaticMultigrid, FALSE);
DfltdSfInpt(iStrm, dirSolverSize, size_t(256));
*/
/*
uint32_t seed;
DfltdSfInpt(iStr, seed, 0);
*/
/* In order to reproduce certain series of random numbers, the seed of the
* random number generator has to be set explicitly via the setSeed()
* function. Otherwise a random seed is used for the random
* number generation. */
/*
if (seed != 0)
blaze::setSeed(seed); //Imposto il seed del RNG
*/
useSparse = true;
numAGGLvls = 0;
this->RHS = NULL;
this->mPrcsn = NULL;
this->x_0 = NULL;
this->r = NULL;
/* Per "efficienza" si alloca già il posto per il numero massimo possibile
* di puntatori
*/
multiGrid.reserve(SETUP_MAX_LEVELS);
/* Controlla il funzionamento del distruttore. Questo perché MemDeAlloc()
* viene chiamata anche in SetGraph() e potrebbe accadere che il distruttore
* venga chiamato su un oggetto senza elimenti da eliminare generando errori
*/
_doDealloc = true;
this->aggrCycleIndex = SETUP_CYCLE_INDEX;
/****Compliancy con MCFLSSolver*/
MGItr = 10;
MGReItr = 5; // max number of ri-iterations with the same RHS or D.
DirSolvDim = 256;
/*************************/
cout << "Fine costruttore di LAMG" << endl;
}
void LAMGLSSolver::MemDeAlloc() {
cout << "MemDealloc()" << endl;
if (_doDealloc) {
// if (M != NULL) {
// delete M;
// M = NULL;
// }
// if (Diag != NULL) {
// delete Diag;
// Diag = NULL;
// }
if (RHS != NULL) {
delete RHS;
RHS = NULL;
}
if (mPrcsn != NULL) {
delete mPrcsn;
mPrcsn = NULL;
}
if (x_0 != NULL) {
delete x_0;
x_0 = NULL;
}
if (r != NULL) {
delete r;
r = NULL;
}
for (std::vector<Level*>::iterator it = multiGrid.begin(); it != multiGrid.end(); it++)
delete (*it);
numAGGLvls = 0;
useSparse = true;
_doDealloc = false;
}
cout << "MemDealloc() fine" << endl;
return;
}
void LAMGLSSolver::SetGraph(cIndex tn, cIndex tm, cIndex_Set tSn, cIndex_Set tEn) {
cout << "SetGraph() inizio" << endl;
if (n || m) { // this is not the first call
n = m = 0;
MemDeAlloc();
} else if (((tn == tm) && (tm == 0))) {
/* From Spec:
* "Passing tn == tm == 0 is intended as a signal to the solver
* to deallocate everything and wait for new orders;
* in this case, all the other parameters are ignored.
*/
n = m = 0;
Sn = NULL;
En = NULL;
MemDeAlloc();
return;
}
// call the method of the base class
MCFLSSolver::SetGraph(tn, tm, tSn, tEn);
_doDealloc = true;
//tm è il numero di archi nel "problema originale"
this->numFinestEdges = tm;
mPrcsn = new DynamicVector<double>(n);
cout << "SetGraph() fine" << endl;
}
BOOL LAMGLSSolver::SetD(cHpRow tD) {
cout << "SetD()" << endl;
MCFLSSolver::SetD(tD);
//Ora ho D che è il vettore dei pesi degli archi, mi posso costruire la laplaciana.
buildLaplacian();
buildMultigrid();
cout << "SetD() finito" << endl;
return true;
}
void LAMGLSSolver::buildLaplacian() {
cout << "buildLaplacian()" << endl;
Lapl = new SpMat(n, n);
/**************************************************************
********* TODO TODO TODO TODO TODO TODO TODO TODO ************
**************************************************************
* Importare da MCFMGLSSolver la struttura MyLess. In questo *
* modo sarà possibile ordinare gli archi in modo da poter *
* utilizzare append() e finalize() nella creazione della *
* Laplaciana. Più efficiente perché così usiamo il TMP!!!! *
* Senza questo accorgimento rischi di fare append() su righe *
* non consecutive, pagando con UNDEFINED BEHAVIOUR!!!! *
* ----->(Forse mi conviene farlo in SetGraph()?)<----- *
* ----> Occhio che posso crearmi la laplaciana in SetGraph() *
* e successivamente in SetD() imposatre i valori dei nnZ. *
* Se faccio l'ordinamento devo esser sicuro di ordinare *
* anche i D[*]. *
**************************************************************/
for (size_t i = 0; i < m; i++) {
(*Lapl)(Sn[i], En[i]) = -(D[i]);
(*Lapl)(En[i], Sn[i]) = -(D[i]);
}
for (size_t i = 0; i < n; i++) {
double sum_i = 0.0;
for (SpMat::Iterator it = Lapl->begin(i); it != Lapl->end(i); it++) {
sum_i += it->value();
}
(*Lapl)(i, i) = (sum_i);
}
cout << "buildLaplacian() finito" << endl;
}
void LAMGLSSolver::buildMultigrid() {
cout << "buildMultigrid()" << endl;
/* Quando siamo qui i livelli non ci sono ancora.
* Quello che abbiamo è la matrice Laplaciana, e basta.*/
CoarseningState cs = STATE_FINEST;
Level* newLvl = NULL, *finerLvl = NULL;
while (cs != STATE_DONE_COARSENING /* && non ci conviene risolvero direttamente */) {
if (cs == STATE_FINEST) {
// Costruisco il finestLevel
newLvl = new LevelFinest(this->Lapl);
numAGGLvls++;
cs = STATE_ELIMINATION;
} else if (cs == STATE_ELIMINATION) {
// Fai CoarseningStrategyElimination(), se ci riesci crea un LevelElimination
if (finerLvl->A->isSparse)
newLvl = coarsenElimination(finerLvl->A->spM());
else
newLvl = coarsenElimination(finerLvl->A->dsM());
//In ogni caso passa a STATE_AGG
cs = STATE_AGG;
cout << "Son qua" <<endl;
} else if (cs == STATE_AGG) {
if (!finerLvl->isRelaxationFast(multiGrid.size() - 1))
cs = STATE_DONE_COARSENING;
else {
SpMat C;
finerLvl->A->adjacency(C);
if (finerLvl->A->isSparse)
newLvl = coarsenAggregation(finerLvl->A->spM(), C, finerLvl->TVsRefConst());
else
newLvl = coarsenAggregation(finerLvl->A->dsM(), C, finerLvl->TVsRefConst());
}
if (newLvl == NULL)
cs = STATE_DONE_COARSENING;
}
cout << "Esco catena if su stato coarsening" << endl;
/* COMPORTAMENTO: se non si è costruito nessuno livello, e lo stato era
* ELIMINATION allora prova comunque a fare un AGGREGATION. Se invece
* lo stato era già AGGREGATION allora bisogna terminare il coarsening.
*/
//Se hai costruito un nuovo livello allora:
if (newLvl != NULL) {
cout << "newlvl non nullo" << endl;
//(1) controlla che si siano diminuiti i nodi, altrimenti dai errore!
if (finerLvl != NULL) {
cout << "Controllo coarsening" << endl;
if (finerLvl->A->rows() == newLvl->A->rows())
cerr << "Errore!! Non è diminuito il numero di nodi durante il coarsening!\n";
//TODO^^^^^^Emettere un vero errore!
cout << "Controllo coarsening finito" << endl;
}
//(2) Aggiungi il nuovo livello al multigrid
multiGrid.push_back(newLvl);
if (newLvl->type == Level::AGGREGATION) {
//(3.a) Se il nuovo livello è un LevelAggregation allora
// incrementa numAGGLvl
numAGGLvls++;
} else if (newLvl->type == Level::ELIMINATION) {
cout << "setto ad aboveElimination" << endl;
//(3.b) Se invece è un elimination allora imposta il
// livello superiore ad aboveElimination()
finerLvl->setAboveEliminationLevel(dynamic_cast<LevelElimination*> (newLvl)->lastStage());
cout << "setto ad aboveElimination ok" << endl;
}
//(4) Per finire se non si può andare avanti col coarsening
// terminiamo.
if (!canCoarsen(newLvl))
cs = STATE_DONE_COARSENING;
//Notare come se newLvl == NULL io non vengo qua e non controllo
//(5) In ogni caso aggiorniamo i puntatori
finerLvl = newLvl;
newLvl = NULL;
/* L'altro condizione di canCoarsen() in LAMG era che se il livello
* appena costruito fosse stato nullo si andava avanti nel coarsening.
* Ed è quello che succede qui poiché canCoarsen() la chiamo solo su
* un livello che sono sicuro esiste :) */
} else {
cout << "newlvl era nullo" << endl;
cs = STATE_DONE_COARSENING;
}
}
cout << "buildMultigrid() finito" << endl;
}
/*
*****************************************************************************
*********************** COARSENING ELIMINATION ******************************
*****************************************************************************
*/
/* Questa funzione si occupa di selezionare tra i nodi candidati quali siano
* lowdegree e quali no, secondo le regole riportate nella relazione.
* Questa dichiarazione rende la funzione una funzione template di cui esistono
* due specializzazioni. Inoltre il fatto che sia inline dovrebbe garantirmi che
* il corpo della funzione venga sostituito alla sua chiamata come avviene in C
* con le macro. Questo dovrebbe rendere il codice più veloce. */
template <class c>
inline void lowdegreesweep(c& m, size_t i, DynamicVector<NodeEliminationStatus>& status);
/* La specializzo nel caso di DMat*/
template<>
inline void lowdegreesweep(DMat& m, size_t i, DynamicVector<NodeEliminationStatus>& status) {
bool hasLowDegreeNeighbour = false;
/* Cerco vicini low-degree*/
for (size_t j = 0; j < m.rows(); ++j) {
if (j != i && status[j] == LOW_DEGREE) {
hasLowDegreeNeighbour = true;
status[i] = NOT_ELIMINATED;
break;
}
}
/* Se non aveva un vicino low_degree allora è lui il nodo low_degree!*/
if (!hasLowDegreeNeighbour) {
status[i] = LOW_DEGREE;
for (size_t j = 0; j < m.rows(); ++j) {
if (j != i)
status[j] = NOT_ELIMINATED;
}
}
}
/* La specializzo nel caso di SpMat*/
template<>
inline void lowdegreesweep(SpMat& m, size_t i, DynamicVector<NodeEliminationStatus>& status) {
bool hasLowDegreeNeighbour = false;
for (SpMat::Iterator it = m.begin(i); it != m.end(i); ++it) {
/* Se la seguente condizione è vera significa che il
* nodo i ha vicini low_degree e non deve essere eliminato
*/
if (it->index() != i && status[it->index()] == LOW_DEGREE) {
hasLowDegreeNeighbour = true;
status[i] = NOT_ELIMINATED;
break;
}
}
/* Se non aveva un vicino low_degree allora è lui il nodo low_degree!*/
if (!hasLowDegreeNeighbour) {
status[i] = LOW_DEGREE;
for (SpMat::Iterator it = m.begin(i); it != m.end(i); it++) {
if (it->index() != i) {
status[it->index()] = NOT_ELIMINATED;
}
}
}
}
/* Questo metodo template calcola P e q correttamente*/
template <class M>
inline void eliminationOperators(M& A, DynamicVector<size_t>& Cset, size_t fnode,
DynamicVector<double>& q, SpMat& P, size_t& P_col, size_t P_row);
/* Specializzazione per le SpMat */
template <>
inline void eliminationOperators(SpMat& A, DynamicVector<size_t>& Cset, size_t fnode,
DynamicVector<double>& q, SpMat& P, size_t& P_col, size_t P_row) {
/* Inizializziamo la riga P_row con A.nonZeros(fnode) - 1 non nulli*/
double scalingFactor = 1.0;
/* Riserviamo spazio in ciascuna colonna di P per un adeguato numero
* di elementi. Il -1 c'è perché (il reciproco del)l'elemento in
* diagonale lo mettiamo in q
*/
P.reserve(P_row, A.nonZeros(fnode) - 1);
/* Per ciascuna f-riga prendo gli elementi in ogni c-colonna */
DynamicVector<size_t>::Iterator ccol = Cset.begin();
for (SpMat::Iterator frow = A.begin(fnode); frow != A.end(fnode); ++frow) {
if (frow->index() == fnode) { //Elemento della diagonale
q[P_row] = (1.0 / frow->value()); //Q ha elementi pari al numero di righe di R
scalingFactor = -(q[P_row]);
} else if (ccol != Cset.end()) {
break; //Non ha senso andare avanti se abbiamo finito i ccol
} else if (frow->index() == (*ccol)) {
/* Elemento fuori della diagonale ed è anche un c-colonna */
P.append(P_row, P_col, frow->value());
P_col++;
ccol++;
}
}
P.finalize(P_row); //Finalizziamo la riga P_row
/* Non dimentichiamo di scalare gli elementi della riga corrente
* per -scalingFactor */
for (SpMat::Iterator it = P.begin(P_row); it != P.end(P_row); it++)
it->value() *= -scalingFactor;
}
/* Specializzazione per le DMat */
template <>
inline void eliminationOperators(DMat& A, DynamicVector<size_t>& Cset, size_t fnode,
DynamicVector<double>& q, SpMat& P, size_t& P_col, size_t P_row) {
double scalingFactor = 1.0;
P.reserve(P_row, A.nonZeros(fnode) - 1);
DynamicVector<size_t>::Iterator ccol = Cset.begin();
for (size_t frow = 0; frow < A.rows(); ++frow) {
if (frow == fnode) { //Elemento sulla diagonale
q[P_row] = (1.0 / A(frow, fnode));
scalingFactor = -(q[P_row]);
} else if (ccol != Cset.end()) {
break; //Non ha senso andare avanti se abbiamo finito i ccol
} else if (frow == (*ccol)) {
P.append(P_row, P_col, A(frow, fnode));
P_col++;
ccol++;
}
}
P.finalize(P_row);
for (SpMat::Iterator it = P.begin(P_row); it != P.end(P_row); it++)
it->value() *= -scalingFactor;
}
template <class Matrix >
LevelElimination * LAMGLSSolver::coarsenElimination(const Matrix & finerMatrix) {
cout << "coarsenElimination()" << endl;
//Per salvare i P ed i q
std::vector<qPStage*> cStages;
/* Prealloco spazio per al più SETUP_ELIMINATION_MAX_STAGES così evito
* possibili riallocazioni */
cStages.reserve(SETUP_ELIMINATION_MAX_STAGES);
//Copio la matrice così posso modificarla senza modificare quella del finerLevel
Matrix A(finerMatrix);
Matrix Acc; //Per lo Schur Complement System
Matrix Acf; //Per lo Schur Complement System
// Il numero di stage di eliminazione eseguiti sulla matrice A
size_t stageNum = 0;
/* Vector che vengono riusati*/
DynamicVector<size_t> Cset; //Insieme dei nodi da non eliminare
DynamicVector<size_t> Fset; //Insieme dei nodi da eliminare
DynamicVector<size_t> degree; //Grado di ciascun nodo
DynamicVector<size_t> candidate; //Nodi candidati all'eliminazione
DynamicVector<NodeEliminationStatus> status; //Stato dei nodi
/* P è sempre sparsa anche quando A è densa */
SpMat P;
DynamicVector<double> q;
while (stageNum < SETUP_ELIMINATION_MAX_STAGES) {
size_t A_rows = A.rows();
if (A_rows <= MAX_DIRECT_SOLVE_SIZE)
break;
/* (1) Calcola il vettore degree della matrice. */
degree.resize(A_rows);
for (size_t i = 0; i < A_rows; ++i) {
degree[i] = A.nonZeros(i);
if (A(i, i) != 0)//Tolgo l'elemento sulla diagonale
degree[i]--;
else
cerr << "La diagionale i-esima c'ha lelemento a zero!!! ERRORE MORTALE!!!" << endl;
}
/* (2) [f c ] = lowDegreeNodes(A,degree,MaxDegree) */
candidate.resize(A_rows);
candidate = 0;
/* Individuo i nodi candidati (degree[i] <= MAX_DEGREE) */
size_t cnnZ = 0; //Devo usare questa variabili perché i valori "settati" di candidate comprendono il valore "0" cioè il nodo 0
for (size_t i = 0; i < A_rows; ++i) {
if (degree[i] <= SETUP_ELIMINATION_MAX_DEGREE) {
candidate[cnnZ++] = i;
}
}
/* I primi cnnZ elementi sono stati inizializzati */
candidate.resize(cnnZ, true);
status.resize(A_rows);
status = HIGH_DEGREE; //Tutti gli elementi prendono HIGH_DEGREE
// status(candidate) = 0; % Reset all relevant nodes to "not visited"
for (size_t i = 0; i < candidate.size(); ++i) {
status[candidate[i]] = NOT_DECIDED;
}
for (size_t k = 0; k < candidate.size(); ++k) {
lowdegreesweep(A, candidate[k], status); //Template call
}
/* Adesso devo creare i vettori F e C, inserendovi i nodi che verranno
* o meno eliminati */
size_t nf = 0; //|Fset|
size_t nc = 0; //|Cset|
Cset.resize(A_rows, false);
Fset.resize(A_rows, false);
for (size_t i = 0; i < A_rows; ++i) {
if (status[i] == LOW_DEGREE)
Fset[nf++] = i; //Inserisco il nodo i nell'insieme F
else
Cset[nc++] = i; //Lo inserisco invece in C
}
/* L'insieme C non può mai essere vuoto, dobbiamo lasciargli almeno
* un elemento
*/
if (nc == 0) {
Cset[nc++] = Fset[--nf];
Fset[nf] = 0;
}
Cset.resize(nc, true); //nc non è mai 0
Fset.resize(nf, true);
/* FINE di (2) [f c ] = lowDegreeNodes(A,degree,MaxDegree) */
if ((nf <= SETUP_ELIMINATION_MIN_ELIM_FRACTION * A_rows)) {
/* Il coarsening non è abbastanza efficace perché andiamo ad eliminare
* un numero, nf, di nodi che è inferiore alla minima soglia accettabile
* di eliminazione. Ci fermiamo senza eliminare.*/
break;
}
/* (3) Una volta individuati i nodi da eliminare devo calcolare gli
* operatori P e q che mi consentono di eliminare tutti questi nodi
* [R, q] = eliminationOperators(A, f, index);
*/
/* In MEX si crea una matrice columnMajor che poi verrà trasposta perché
* le matrici di Matlab sono columnMajor e se uno vuole sfruttare la
* rappresentazione interna deve usarle così.
* Noi invece possiamo già generare la matrice trasposta costruendo
* direttamente la matrice rowMajor e "sostituendo" ai termini riga
* quelli colonna.
*/
/* P è sempre una matrice sparsa perché il numero dei suoi nonzero
* e basso anche quando A è densa */
P.resize(nf, nc, false);
q.resize(nf, false);
/* Quanti elemenenti abbiamo salvato in Q (e quante righe di R
* abbiamo costruito)
*/
size_t P_row = 0;
size_t P_col = 0;
/* Per ogni f-riga di A prendi ciascun c-elemento di questa riga e formaci
* la i-esima riga di R. L'inverso dell'f-esimo elemento di ciascuna f-riga
* va messo in q. Inoltre ciascuna riga i di R va scalata di un fattore -q[i]
*/
for (DynamicVector<size_t>::Iterator dvit = Fset.begin(); dvit != Fset.end(); dvit++) {
eliminationOperators(A, Cset, (*dvit), q, P, P_col, P_row);
P_row++; //Passiamo alla prosssima riga
}
//Salvo i dati così creati nel cStages
cStages.push_back(new qPStage(new SpMat(P), new DynamicVector<double>(q),
new DynamicVector<size_t>(Fset), new DynamicVector<size_t>(Cset), (nf + nc)));
/* FINE (03) [R, q] = eliminationOperators(A, f, index);*/
/* (4) Adesso devo calcolare il sistema complementare di Schur dato da
* A = Ac,c + Ac,f*R^t */
/* Acc è la sottomatrice di A che ha come elementi tutti gli a_ij tali
* che (ij) appartiene a Cset x Cset. Quindi per ogni riga crow devo
* prenderci tutti gli elementi che hanno indice pari a ccol */
MtxOps::submatrix(A, Cset, Cset, Acc);
/* Acf invece ha nc righe e nf colonne*/
MtxOps::submatrix(A, Cset, Fset, Acf);
/* Finalmente posso aggiornare A*/
A = Acc + Acf * P;
/* Acc_[nc x nc] + (Acf * P)_[nc x nc].
* Dunque La matrice A risultante diventa una nc x nc e perdiamo esattamente nf nodi.*/
}//Fine while(stageNum...)
/* Usciti dal while dobbiamo creare il livello, se è possibile farlo */
LevelElimination* ret = NULL;
if (stageNum != 0) {
if (useSparse) {
if (isSparseOK(A)) {
ret = new LevelElimination(new SpMat(A), cStages, multiGrid.back());
} else {
useSparse = false;
ret = new LevelElimination(new DMat(A), cStages, multiGrid.back());
}
} else {
ret = new LevelElimination(new DMat(A), cStages, multiGrid.back());
}
}
cout << "coarsenElimination() finito" << endl;
return ret;
}
/****************************************************************************/
/*
*****************************************************************************
*********************** COARSENING AGGREGATION ******************************
*****************************************************************************
*/
/* HELPER FUNCTION che calcola la affinity tra i nodi i e j definita come la
* formula (3.10) a pagina 10 del paper lungo */
inline double affinity_l2(const DMat& tv, size_t u, size_t v) {
/* Qua mi faccio due view sulle righe di tv, poi calcolo e ritorno C_ij */
/* Qua si calcola
* (X_u,X_v)^2
* --------------------------
* (X_u,X_u)^2 * (X_v,X_v)^2
*
* con (X,Y) = sum_{i=1}^K x^(k)y^(k)
* che è anche noto con il nome di INNER PRODUCT
* ovvero PRODOTTO SCALARE!!!
*/
//(X_u,X_v)^2
double num = 0.0;
num = (row(tv, u) * trans(row(tv, v)));
num *= num;
//(X_u,X_u)
double den1 = (row(tv, u) * trans(row(tv, u)));
//(X_v,X_v)
double den2 = (row(tv, v) * trans(row(tv, v)));
//(X_u,X_u)^2 * (X_v,X_v)^2
double den = pow(den1, 2) * pow(den2, 2);
BLAZE_USER_ASSERT((den != 0.0), "Non è divertente dividere per zero quando si calcola la AFFINITY_L2!!\n");
return num / den;
}
/* La matrice 'c' diventa la matrice che ha lo stesso sparsity pattern di 'adj'
* ma che contiene le affinity calcolate usando i dati dei test vectors 'tv'
* HELPER FUNCTION */
//inline void affinityMatrix(SpMat& c, /*std::vector<double>& cmax,*/ const SpMat& adj, const DMat & tv) {
//
// c = adj;
// //cmax non è usata da nessuna parte, per ora.
// //cmax.clear();
// //cmax.reserve(c.rows());
//
// //double cmax_i = 0.0;
// for (size_t i = 0; i < adj.rows(); ++i) {
// for (SpMat::Iterator j = c.begin(i); j != c.end(i); ++j) {
// //Sfrutto la simmetria di C
// if (j->index() < i)
// continue;
// else {
// (*j) = affinity_l2(tv, i, j->index());
// c(j->index(), i) = j->value();
// //Mi salvo anche i massimi, che poi mi servono (forse)
// //if (cmax_i < j->value()) cmax_i = j->value();
// }
// }
// //cmax.push_back(cmax_i);
// //cmax_i = 0.0;
// }
//}
/* c è la matrice di adiacenza. Al posto dei suoi nonzero metto le
* affinity dei nodi, calcolate usando i TVs*/
inline void affinityMatrix(SpMat& c, std::vector<double>& max_aff, const DMat & tv) {
double cmax_i = -inf;
for (size_t i = 0; i < c.rows(); ++i) {
for (SpMat::Iterator j = c.begin(i); j != c.end(i); ++j) {
//Sfrutto la simmetria di C
if (j->index() < i)
continue;
else {
// (X_u,X_v) == (X_v,X_u) Quindi sfrutto la simmetria
j->value() = affinity_l2(tv, i, j->index());
c(j->index(), i) = j->value();
if (cmax_i < j->value()) cmax_i = j->value();
}
}
max_aff[i] = cmax_i;
}
}
//Mi genera l'insieme deglis trong neighbors
inline void computeStrongNeighbors(const double delta, const std::vector<double>& max_aff, const SpMat& C, std::set<size_t>& strongNeighbors) {
strongNeighbors.clear();
for (size_t u = 0; u < C.rows(); u++) {
for (SpMat::ConstIterator v = C.begin(u); v != C.end(u); v++) {
if (v->index() <= u) //guardo solo il triangolo superiore, senza diagonale
continue;
//v->value() è c_uv
//max_aff[u] è max{s!=u} c_us
//max_aff[v->index()] è max{s!=v} c_sv
//Quindi se c_uv >= delta*max{ max{s!=u} c_us, max{s!=v} c_sv}
if (v->value() >= delta * max(max_aff[u], max_aff[v->index()])) {
// u e v sono strong neighbors, li metto nel set
strongNeighbors.insert(u);
strongNeighbors.insert(v->index());
}
}
}
}
//Il miglior seed per il nodo u, optrà essere aggiornata e resa figa quanto vuoi.
inline size_t bestSeed(const size_t& u, const std::set<size_t>& strNbhrs, const std::vector<int>&stat, const SpMat& C, bool& NOT_FOUND) {
size_t s = 0;
double cuv_max = -inf;
for (std::set<size_t>::const_iterator v = strNbhrs.begin(); v != strNbhrs.end(); v++) {
if (stat[(*v)] == NODE_UNDECIDED || stat[(*v)] == NODE_SEED) {
//Se v è undecided o seed, controlla se è vicino di u
if (C(u, (*v)) != 0) {
// Lo è (C + derivata dalla adiacenza e quindi se ha un nonzero vuol dire che c'è un arco)
// quindi è uno strongNeighbour seedABLE :)
if (C(u, (*v)) > cuv_max) {
cuv_max = C(u, (*v)); //Aggiorno max{c_uv}
s = (*v); //Mi salvo l'indice del suo vicino che per ora è il massimo affine
NOT_FOUND = false; //Segnalo che ho trovato almeno uno strongNeighbor
}
}
}
}
return s;
}
template <class Matrix >
LevelAggregation * LAMGLSSolver::coarsenAggregation(const Matrix& A, SpMat& C, const DMat & tv) {
cout << "coarsenAggregation()" << endl;
/* In questo metodo l'algoritmo che eseguo è quello del paper lungo, in cui
* la procedura bestSeed() è però ancora quella non ottimizzata. Provvederò
* successivamente a sfruttare ilc oncetto di Energy (magari dopo che avrò
* capito dove sta l'errore che c'è nello stesso paper).
*/
size_t n = A.rows(); //Quanti nodi nel finerLevel
//Calcolo la matrice delle affinity.
/* Qua ci si tiene lo status di aggregazione dei nodi. Tutti sono undecided*/
std::vector<int> status(n, NODE_UNDECIDED);
/* Un nodo Hub è un nodo u tale che
*
* 8* sum{v in E_u} |w_uv|*|E_v|
* |E_u| >= -----------------------------
* sum{v in E_u} |w_uv|
* i nodi hub sono SEED.
*/
for (size_t u = 0; u < C.rows(); ++u) {
double num = 0.0;
double denom = 0.0;
size_t degree = C.nonZeros(u);
for (SpMat::Iterator v = C.begin(u); v != C.end(u); ++v) {
num += (std::abs(v->value()) * C.nonZeros(v->index())); //v->value() è w_uv, C.nonZeros(v->index()) è |E_v|)
denom += std::abs(v->value());
}
if (degree >= 8 * (num / denom))
status[u] = NODE_SEED;
}
//La affinity massima di ciascun nodo
std::vector<double> max_aff(n, -inf);
//Adesso C diventa la matrice delle affinity.
affinityMatrix(C, max_aff, tv);
/* Queste le uso per salvarmi i vari status, b e nc degli stage*/
std::vector< std::vector<int> > S_i(SETUP_MAX_AGGREGATION_STAGES, status);
std::vector<double> B_i(SETUP_MAX_AGGREGATION_STAGES, inf);
std::vector<size_t> nc_i(SETUP_MAX_AGGREGATION_STAGES, n);
double delta = .9;
double alpha = 1.0;
size_t stageNum = 0;
size_t nc;
//L'insieme dei nodi che hanno strong neighbor
std::set<size_t> strongNeighbors;
bool NO_RESULT = true; //Perché è anche possibile che non si riesca ad aggregare!
double maxCoarseningRatio = (SETUP_COARSENING_WORK_GUARD / this->aggrCycleIndex);
while (stageNum < SETUP_MIN_AGGREGATION_STAGES || (alpha >= maxCoarseningRatio && stageNum < SETUP_MAX_AGGREGATION_STAGES)) {
computeStrongNeighbors(delta, max_aff, C, strongNeighbors);
if (strongNeighbors.empty()) {
//Nessuno ha strongNeighbors, abbasso delta!
S_i[stageNum] = status;
nc_i[stageNum] = n;
stageNum++;
delta *= .6;
} else {
NO_RESULT = false; //C'è almeno un risultato sensato.
nc = n;
//aggregationStage(...)
/* L'algoritmo che verrà eseguito nel for è il seguente:
*
* Per ogni u UNDECIDED
* Se u non ha StrongNeighbors
* saltalo;
* Altrimenti se non è più UNDECIDED
* saltalo; //Qualcuno l'ha fatto diventare seed
* Altrimenti
* Scegli s come il suo strongNeighbor che sia SEED o UNDECIDED, e che abbia la con maggiore affinity c_us
* Se esiste s
* s diventa un SEED, se non lo era
* u diventa aggregato di s
* Altrimenti
* u rimane undecided e si va avanti
* FINE
* */
size_t u = 0;
for (std::vector<int>::iterator status_u = status.begin(); status_u != status.end(); status_u++, u++) {
if ((*status_u) != NODE_UNDECIDED) {
//u non è più undecided perché è stato modificato in un precedente sweep
continue;
} else if (strongNeighbors.find(u) == strongNeighbors.end()) {
//u non ha strong neighbors, rimando la sua aggregazione.
//Quando calerà delta potrà diventarlo, prima però aggrego quelli forti
continue;
} else {
bool NOT_FOUND = true;
size_t s = bestSeed(u, strongNeighbors, status, C, NOT_FOUND);
if (!NOT_FOUND) {
//Ho trovato un seed adeguato lo associo
status[s] = NODE_SEED;
status[u] = s;
// Sono il numero di aggregati, ogni volta che
// aggrego cala di 1 perché 2 nodi diventeranno 1 nodo solo.
nc = nc - 1;
//Non mi serve aggiornare i TV perché ho bestSeed stupido
// Devo aggiornare i TV
// for (size_t k = 0; k < K; ++k)
// tv(u, k) = tv(s, k);
//aggregateSize[s]++;
//aggregateSize[u] = aggregateSize[s];
}
}
}
//fine aggregationStage(...)
alpha = nc / n;
if (alpha <= maxCoarseningRatio)
B_i[stageNum] = 1 - alpha;
else
B_i[stageNum] = 1 + alpha;
//Salvo il corrente status
S_i[stageNum] = status;
nc_i[stageNum] = nc;
stageNum++;
delta *= .6;
}
}
if (NO_RESULT) {
//Non è stato possibile fare coarsening, è il caso di tornare NULL
return NULL;
}
size_t bestAggregate = 0;
double minB_i = B_i[0];
for (size_t i = 0; i < stageNum; i++) {
if (minB_i < B_i[i]) {
bestAggregate = i;
minB_i = B_i[i];
}
}
//Il miglior risultato di aggregazione
status = S_i[bestAggregate];
nc = nc_i[bestAggregate];
// Qui ora faccio CoarseSetAffinityEnergyMex.computeAggregateIndex()
std::set<int> seeds;
for (size_t v = 0; v < status.size(); v++) {
/* 1. stat = obj.status();
* 2. stat(stat < 0) = 0; % Convert all undecided seeds to their own aggregates
* 3. seeds = find(stat == 0);
* 4. stat(seeds) = seeds; %%Aggrega i seed con i seed
*/
if (status[v] == NODE_UNDECIDED) {
status[v] = v; //(2) e (4) insieme: converto gli undecided in seed e li associo con loro stessi
seeds.insert(v);
} else if (status[v] == NODE_SEED) {
status[v] = v; //(3) e (4)insieme: i seed li associo con loro stessi
seeds.insert(v);
}
}
// Adesso seeds contiene gli indici (a livello di matrice del finerLvl )
// dei nodi che sono stati marcati come seed.
size_t new_name = 0;
for (std::set<int>::iterator s = seeds.begin(); s != seeds.end(); s++) {
/* Con questo for do un nuovo nome ad ogni nodo seed.
* Poi associo ogni nodo con il nuovo nodo seed.*/
for (size_t i = 0; i < status.size(); i++)
if (status[i] == (*s))
status[i] = new_name;
new_name++;
}
BLAZE_USER_ASSERT(new_name == nc, "Se non ho capito male i nuovi nomi dei seed"
"corrispondono esattamente al numero di aggregati che creo.\n"
"Se questa asserzione è falsa devo rivedere il mio ragionamento.\n");
/* A questo punto status dovrebbe essere equivalente ad aggregateIndex di
* CoarseSetAffinityEnergyMex. Cioè ad ogni seed è stato dato un nuovo nome
* crescente e ogni nodo che era associato con quel seed è ora associato con
* il nuovo nome di quel seed */
//Ora creo la matrice T, una matrice sparsa che ha "1" in tutti i nonzero
// e dimensione nc * n.
SpMat T(nc, n);
T.reserve(n); //I non zero sono pari a n
/* i = obj.computeAggregateIndex(); << è il mio status
* n = numel(i);
* nc = obj.numAggregates;
* T = sparse(i, 1 : n, ones(1, n), nc, n); */
for (size_t i = 0; i < status.size(); ++i) {
//i funge sia da indice per status, che da conteggio che rappresenta il j di 1:n
T(status[i], i) = 1;
/* ^^Uso questo, operator(), perché non ho garanzia che status[i] < status[i+1]
* e se usassi APPEND avrei una possibile UNDEFINED BEHAVIOUR !!! */
}
/* Attenzione prima di calcolare T = inv(diag(T))*T mi conviene utilizzare T così
* com'è per calcolarmi il Galerkin Coarsening R*A*P altrimenti mi tocca
* ricostruirmi di nuovo T poiché
* [i,j] = find(T);
* R = sparse(i,j,ones(numel(i),1))
* cioè R è una matrice con lo sparsity pattern di T, ma con 1 come valore
* di tutti i nonzero, cioè esattamente T prima di essere scalato per
* l'inverso della sua diagonale
*/
SpMat TA = T*A;
CompressedMatrix<double, columnMajor> Tt = trans(T);
Matrix crsnA = TA*Tt;
LevelAggregation* ret = NULL;
//Ora posso scalare T.
/* % Scale T to unit row-sums, so that the coarse system
* % represents a [zero-sum] graph Laplacian
* T = (diag(sum(T,2))) \ T;
*/
SpMat diag(nc, nc);
for (size_t i = 0; i < nc; i++) {
size_t sum_row_i = 0;
for (SpMat::Iterator row_i = T.begin(i); row_i != T.end(i); row_i++) {
sum_row_i++; //Tanto T c'ha tutti "1"
}
diag.append(i, i, (1.0 / (double) sum_row_i));
}
if (useSparse) {
if (isSparseOK(crsnA)) {
ret = new LevelAggregation(new SpMat(crsnA), new SpMat(T), new SpMat(diag * T), status, multiGrid.back(), aggrCycleIndex);
} else {
useSparse = false;
ret = new LevelAggregation(new DMat(crsnA), new SpMat(T), new SpMat(diag * T), status, multiGrid.back(), aggrCycleIndex);
}
} else {
ret = new LevelAggregation(new DMat(crsnA), new SpMat(T), new SpMat(diag * T), status, multiGrid.back(), aggrCycleIndex);
}
/* Qui devo aggiornare aggrCycleIndex: */
//if ( numEdges <= 0.1 * finestNumEdges )
size_t numCoarseEdges = ret->A->numEdges();
double alphaEdge = ((double) numFinestEdges / (double) numCoarseEdges);
this->aggrCycleIndex = blaze::max(1.0, blaze::min(2.0, (SETUP_COARSENING_WORK_GUARD / alphaEdge)));
cout << "coarsenAggregation() finito" << endl;
return ret;
}
/****************************************************************************/
/* Se anche solo una delle condizioni testate è vera
* si deve tornare falso.
*/
bool LAMGLSSolver::canCoarsen(Level * level) {
cout << "canCoarsen()" << endl;
/* Dai commenti di O. Livne:
* Decide whether the current level (level) can be further
* coarsened based on the input options.
* - #levels exceeded, can't further coarsen
* - A is completely zero, no need to further coarsen
* - level is coarse, no need to further coarsen
*/
return ((numAGGLvls < SETUP_MAX_AGG_LEVELS) ||
(multiGrid.size() < SETUP_MAX_LEVELS) ||
(level->canCoarsen()));
cout << "canCoarsen() finito" << endl;
}
LAMGLSSolver::~LAMGLSSolver() {
MemDeAlloc();
}
void LAMGLSSolver::SetPrcsn(cHpRow tPrcsn) {
cout << "SetPrcsn()" << endl;
MCFLSSolver::SetPrcsn(tPrcsn);
if (mPrcsn != NULL) {
if (mPrcsn->size() != n) {
mPrcsn->resize(n, false);
}
} else {
mPrcsn = new DynamicVector<double>(n);
}