/
distance.cpp
410 lines (354 loc) · 13.8 KB
/
distance.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
/** \file distance.cpp
* @brief Definizione dei metodi per la classe @ref distance e l'essenziale @ref calcola_matrice_distanze().
* Definisce anche @ref entropy_binary_partition()
*/
#include <cstdlib>
#include <cstdio>
#include <cmath>
#include <ctime>
#include <vector>
#include <algorithm>
#include <iostream>
#ifdef _OPENMP
#include <omp.h>
#endif
#include "strutture.h"
#include "partizioni.h"
#include "distance.h"
extern options opts;
extern double *mylog;
/* Prealloca i vettori temporanei utilizzati per il calcolo delle entropie
*/
void distance::allocate(int n) {
if (opts.partition_type == LINEAR_PARTITION) {
common_factor.resize(n);
reduced1.resize(n);
reduced2.resize(n);
product_reduced.resize(n);
binary_product.resize(n);
} else {
label_index.resize(n);
}
}
distance::distance(int n) {
dist_ham=0;
dist_shan=0;
dist_shan_r=0;
dist_top=0;
dist_top_r=0;
N = n;
allocate(N);
}
distance::distance(const distance &d1) {
N = d1.N;
allocate(N);
}
/** Calcola tutte le distanze tra le due partizioni. Per fare questo prima calcola
* le partizioni ridotte, successivamente ne esegue la distanza. Infine calcola
* la distanza tra le partizioni non ridotte.
*/
void distance::dist(const general_partition& e1, const general_partition& e2) {
if (opts.da_calcolare & RID) {
if (opts.riduzione == COMUNE) {
partizione_comune.common_subfactor(e1, e2);
ridotto1.reduce(e1, partizione_comune);
ridotto2.reduce(e2, partizione_comune);
} else if (opts.riduzione == DIRETTA) {
ridotto1.reduce(e1, e2);
ridotto2.reduce(e2, e1);
}
//stampa delle etichette in modo testuale, eventualmente da rimuovere
if (opts.verbose > 2) {
label_t quanto = std::min(e1.N, (label_t) 50);
print_array(&partizione_comune.labels[0], quanto, "lbls comune");
print_array(&e1.labels[0], quanto, "lbls e1 ");
print_array(&ridotto1.labels[0], quanto, "lbls ridot1");
print_array(&e2.labels[0], quanto, "lbls e2 ");
print_array(&ridotto2.labels[0], quanto, "lbls ridot2");
}
calc_distance(ridotto1, ridotto2);
dist_shan_r = dist_shan;
dist_top_r = dist_top;
//stampa grafici delle partizioni ridotte e nonridotte, forse da rimuovere
if (opts.graphics && (opts.topologia == RETICOLO_2D)) {
static int imagecount = 0;
char filename[255];
imagecount++;
sprintf(filename, "ridotto%03d.ppm", imagecount);
ppmout2(&e1.labels[0], &e2.labels[0], opts.lato, filename);
imagecount++;
sprintf(filename, "ridotto%03d.ppm", imagecount);
ppmout2(&ridotto1.labels[0], &ridotto2.labels[0], opts.lato, filename);
}
}
if (opts.da_calcolare & SHAN)
calc_distance(e1, e2);
}
/**@brief Stampa rappresentazione di una partizione binaria: |...|...||...|...
*
* @param p Array con la partizione
* @param N Lunghezza dell'array
*/
void print_binary_partition(int*p, int N) {
for (int i = 0; i < N; i++)
printf("%c", (p[i]) ? '|' : '.');
printf("\n");
}
/** @brief Calcolo dell'entropia di un vettore di 1 e 0, in cui 1 indica un nuovo atomo
*
* La funzione molto semplice per il calcolo dell'entropia di una partizione
* lineare rappresentata in modo binario, in cui l'inizio di un nuovo atomo e' indicato da "1", a differenza
* delle simili funzioni utilizzate altrove
* @param p Vettore con la partizione binaria
* @param N Lunghezza del vettore
* @return H Entropia di Shannon
*/
template <typename T>
inline double entropy_binary_partition(const std::vector<T> &p, int N) {
int label_count = 0;
double H = 0;
int mu;
int begin;
//the first position always starts an atom
begin = 0;
label_count = 1;
for (label_t i = 1; i < N; i++) {
//whenever we find a new atom
if (p[i]) {
//the closed (old)atom's length is calculated
mu = i - begin;
//the new one is ready to go
label_count++;
begin = i;
//we add the entropy, with the trick mu>0 and when mu=1 the log is 0
if (mu > 1)
H += (double) mu * mylog[mu];
}
}
//the last one, so it's not left hanging
mu = N - begin;
H += mu * mylog[mu];
//normalize the result
H = -H / N + mylog[N];
return H;
}
template <typename T>
void distance::hamming_distance(const T* seq1, const T* seq2) {
this->dist_ham = 0;
for (int i = 0; i < N; i++)
this->dist_ham += (double) (seq1[i] != seq2[i]);
}
template void distance::hamming_distance(const char*, const char*);
/**
* Calcola le 4 possibili distanze tra partizioni lineari - Shannon, Shannon ridotto,
* topologica, topologica ridotta.
*
* I metodi sono estremamente efficienti, corrispondenti a operazioni bitwise e
* calcolo di entropie (che corrispondono alla maggior parte del tempo utilizzato).
*
* @param first Prima partizione lineare
* @param second Seconda partizione lineare
* @return Le distanze sono scritte nelle variabili interne dell'oggetto @c distance
*/
void distance::dist(const linear_partition &first, const linear_partition &second) {
int N = first.N;
bool ridotta = opts.da_calcolare & RID;
//the partition product/intersection, OR'ing
for (int i = 0; i < N; i++)
binary_product[i] = first.binary[i] | second.binary[i];
binary_product[0] = 1;
//calculating ALL the entropies (3 per non-reduced Rohlin dist, 3 per reduced)
double
h1 = first.entropia_shannon,
h2 = second.entropia_shannon,
h12 = entropy_binary_partition(binary_product, N);
this->dist_shan = 2 * h12 - h1 - h2;
//DISTANZA TOPOLOGICA
//per "coperture" si intende il numero di atomi di una partizione
int coperture1 = 0, coperture2 = 0, coperture12 = 0;
for (int i = 0; i < N; i++) {
coperture1 += first.binary[i];
coperture2 += second.binary[i];
coperture12 += binary_product[i];
}
this->dist_top = 2 * mylog[coperture12] - mylog[coperture1] - mylog[coperture2];
if (!ridotta)
return;
//DISTANZA RIDOTTA
//the common factor of the partition, AND'ing
for (int i = 0; i < N; i++)
common_factor[i] = first.binary[i] & second.binary[i];
common_factor[0] = 1;
//reducing both the partitions XOR'ing with the common factor
for (int i = 0; i < N; i++)
reduced1[i] = common_factor[i] ^ first.binary[i];
reduced1[0] = 1;
for (int i = 0; i < N; i++)
reduced2[i] = common_factor[i] ^ second.binary[i];
reduced2[0] = 1;
//intersection of the reduced partitions, OR'ing
for (int i = 0; i < N; i++)
product_reduced[i] = reduced1[i] | reduced2[i];
// alternatively, one could XOR the unreduced partitions
// product_reduced[i] =first.binary[i] ^ second.binary[i];
product_reduced[0] = 1;
double hr1 = entropy_binary_partition(reduced1, N),
hr2 = entropy_binary_partition(reduced2, N),
hr12 = entropy_binary_partition(product_reduced, N);
this->dist_shan_r = 2 * hr12 - hr1 - hr2;
//DISTANZA TOPOLOGICA RIDOTTTA
int coperture1r = 0, coperture2r = 0, coperture12r = 0, coperture_common = 0;
for (int i = 0; i < N; i++) {
coperture1r += reduced1[i];
coperture2r += reduced2[i];
coperture12r += product_reduced[i];
coperture_common += common_factor[i];
}
this->dist_top_r = 2 * mylog[coperture12r] - mylog[coperture1r] - mylog[coperture2r];
//printf("comune semplice: %d, r1: %d/%d, r2: %d/%d, prod: %d\n",
//coperture_common, coperture1r, coperture1, coperture2r, coperture2, coperture12r);
}
/**
* Calcola la distanza tra due partizioni, utilizzando solamente i labels. Il metodo
* utilizzato consiste nel calcolare i label della partizione prodotto ed analizzare
* la loro entropia con il metodo distruttivo del sort.
* L'algoritmo e' incredibilmente
* piu' veloce di qualunque metodo alternativo -- sort accede alla memoria di un vettore
* in maniera ottimale, in modo impossibile da battere usando mappe ordinate di coppie
* o simili trucchi.
* @param p1 Prima fattore
* @param p2 Secondo fattore
*/
void distance::calc_distance(const general_partition &p1, const general_partition &p2) {
label_t count = 0;
label_t old_count = 0;
int fiddle = 0;
for (label_t atom_index = 0; atom_index < p1.n; atom_index++) {
fiddle = (fiddle) ? 0 : (1<<31);
for (Iter_t ii = p1.begin(atom_index); ii != p1.end(); ii++)
label_index[count++] = fiddle | p2.labels[*ii];
std::sort(&label_index[old_count], &label_index[count]);
old_count = count;
}
std::pair<double, int> entropie = ordered_vector_entropy(label_index.data(), N);
int n = entropie.second;
double H = entropie.first;
double h1 = p1.entropia_shannon,
h2 = p2.entropia_shannon,
t1 = p1.entropia_topologica,
t2 = p2.entropia_topologica;
this->dist_shan = 2 * H - h1 - h2;
this->dist_top = 2 * mylog[n] - t1 - t2;
if (opts.graphics && (opts.topologia == RETICOLO_2D)) {
static int imagecount = 0;
char filename[255];
imagecount++;
sprintf(filename, "prodotto%03d.ppm", imagecount);
ppmout2(&p1.labels[0], &p2.labels[0], opts.lato, filename);
imagecount++;
sprintf(filename, "prodotto%03d.ppm", imagecount);
ppmout(&product[0], opts.lato, filename);
}
}
/**@brief
* Semplice funzione template per scrivere brevemente in molti file
* @param where Nome del file in cui scrivere
* @param what Vettore contenente i dati da scrivere
* @return
*/
int WRITE(const char *where, const std::vector<double> & what) {
FILE *out = fopen(where, "wb");
int expected = opts.n_seq * opts.n_seq;
int bytes_written = fwrite(&what[0], sizeof (double), expected, out);
fclose(out);
if (bytes_written == expected)
return (1);
else {
printf("Expected to write %d bytes, %d instead\n", expected, bytes_written);
return (0);
}
}
/** @brief Dato un vettore di partizioni, ne scrive la matrice completa delle distanze.
*
* Dato un vettore di partizioni, semplici o generali, la funzione alloca la memoria necessaria,
* gli oggetti @ref distance e calcola in modo multithreaded la matrice delle distanze tra le
* partizioni considerate. Un'altra utile caratteristica e' la stima del tempo richiesto in
* real-time. Alla fine scrive (se necessario) i valori calcolati.
*
* @param X Vettore di partizioni (di qualunque tipo)
*/
template <typename partition_t>
void calcola_matrice_distanze(const partition_t* X) {
int &da_calcolare = opts.da_calcolare;
const int dim=opts.n_seq * opts.n_seq;
std::vector<double> dist_shan;
std::vector<double> dist_shan_r;
std::vector<double> dist_top;
std::vector<double> dist_top_r;
std::vector<double> dist_ham;
//distance matrix allocation and zeroing,if needed
if (da_calcolare & SHAN) dist_shan.resize(dim);
if (da_calcolare & RID) dist_shan_r.resize(dim);
if (da_calcolare & TOP) dist_top.resize(dim);
if (da_calcolare & RID_TOP) dist_top_r.resize(dim);
if (da_calcolare & HAMM) dist_ham.resize(dim);
fprintf(stderr, "Calculating distance matrix\n");
distance d(opts.seq_len);
std::clock_t start = std::clock();
double time_diff;
double completed_ratio;
#pragma omp parallel for firstprivate(d) schedule(dynamic) num_threads(opts.threads)
for (int i = 0; i < opts.n_seq; i++) {
for (int j = i + 1; j < opts.n_seq; j++) {
int index = i * opts.n_seq + j;
if (da_calcolare & (SHAN | RID)) {
d.dist(X[i], X[j]);
if (da_calcolare & SHAN) dist_shan[index] = d.dist_shan;
if (da_calcolare & RID) dist_shan_r[index] = d.dist_shan_r;
if (da_calcolare & TOP) dist_top[index] = d.dist_top;
if (da_calcolare & RID_TOP) dist_top_r[index] = d.dist_top_r;
}
// if (da_calcolare & HAMM) {
// d.hamming_distance(char_entries[i].c_str(), char_entries[j].c_str());
// dist_ham[index] = d.dist_ham;
// }
}
#ifdef _OPENMP
int this_thread = omp_get_thread_num();
if (this_thread)
continue;
double time_ratio = omp_get_num_threads();
#else
double time_ratio = 1.0;
#endif
fprintf(stderr, "\r");
time_diff = (std::clock() - start) / (double) CLOCKS_PER_SEC / time_ratio;
int k = i + 1;
completed_ratio = (2 * k * opts.n_seq - k * k - k + 0.0) / (opts.n_seq * (opts.n_seq - 1));
fprintf(stderr, "%.1f%% done, ETA %.0fs ",
completed_ratio * 100, ceil(time_diff * (1 / completed_ratio - 1)));
fflush(stderr);
}
time_diff = (std::clock() - start) / (double) CLOCKS_PER_SEC;
fprintf(stderr, "\r100%% done in %.1f seconds of CPU time\n", time_diff);
//
// WRITING THE OUTPUT
//
if (opts.write == true) {
int count = 0;
if (da_calcolare & SHAN)
count += WRITE("output-shan.bin", dist_shan);
if (da_calcolare & RID)
count += WRITE("output-shan_r.bin", dist_shan_r);
if (da_calcolare & TOP)
count += WRITE("output-top.bin", dist_top);
if (da_calcolare & RID_TOP)
count += WRITE("output-top_r.bin", dist_top_r);
if (da_calcolare & HAMM)
count += WRITE("output-hamm.bin", dist_ham);
//if (opts.verbose)
fprintf(stderr, "Written %dx distance matrix\n", count);
}
}
template void calcola_matrice_distanze(const linear_partition *X);
template void calcola_matrice_distanze(const general_partition *X);