-
Notifications
You must be signed in to change notification settings - Fork 0
/
utils.py
194 lines (170 loc) · 7.59 KB
/
utils.py
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
from torch_geometric.nn import LayerNorm, Sequential
from torch_geometric.nn.conv import MessagePassing
import random
import pickle
import numpy as np
import networkx as nx
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torch.autograd import grad
import torch_geometric as pyg
from torch_geometric.data import Data
from torch_geometric.loader import DataLoader
from torch_geometric.nn import TAGConv
from torch_geometric.nn import GCNConv
import os
import matplotlib.pyplot as plt
import scipy.io
def transform_matrix(adj_matrix, all = True):
if all:
# primero defino quien es la pareja de quien.
# recorro fila por fila la matriz y guardo en una lista el valor con mayor h y su posicion en la fila
nodos = adj_matrix.shape[0]
lista_parejas = []
for i in range(nodos):
# guardo el indice del nodo con menor h con el nodo i
receptor = np.argmax(adj_matrix[i,:])
# guardo el valor
valor_maximo = adj_matrix[i,receptor]
transmisor = i
# guardo en una tupla el valor de h, el indice del transmisor y el indice del receptor
elemento = [valor_maximo, transmisor, receptor]
lista_parejas.append(elemento)
H = np.zeros_like(adj_matrix)
# voy rellenando la matriz
for i in range(nodos):
for j in range(nodos):
if (i == j):
# en la diagonal uso los valores de h de lista_parejas con transmisor igual a i
H[i,j] = lista_parejas[i][0]
else:
# en la no diagonal busco quien es el receptor del nodo j y relleno la matriz H con el h entre el nodo i y el receptor hallado
k = 0
nodo_receptor = 0
for k in range(nodos):
# busco la pareja que cumple que el nodo j es transmisor
if (lista_parejas[k][1] == j):
# guardo el nodo que recibe de j
nodo_receptor = lista_parejas[k][2]
if (nodo_receptor == i):
H[i,j] = 0.005
else:
H[i,j] = adj_matrix[i,nodo_receptor]
return H
else:
# primero defino quien es transmisor y quien es receptor
# defino los nodos
num_nodes = adj_matrix.shape[0]
nodos = list(np.arange(num_nodes))
# barajo la lista
random.seed(42)
random.shuffle(nodos)
# divido la lista barajada en dos listas
half_nodes= num_nodes // 2
nodos_tx = nodos[:half_nodes]
nodos_rx = nodos[half_nodes:]
# primero defino quien es la pareja de quien.
# recorro fila por fila la matriz y guardo en una lista el valor con mayor h y su posicion en la fila
#nodos = adj_matrix.shape[0]
lista_parejas = []
for nodo_tx in nodos_tx:
h_canal = []
for nodo_rx in nodos_rx:
h_canal.append(adj_matrix[nodo_tx,nodo_rx])
index_pareja = np.argmax(h_canal)
valor_maximo = adj_matrix[nodo_tx, nodos_rx[index_pareja]]
# guardo en una tupla el valor de h, el indice del transmisor y el indice del receptor
elemento = [valor_maximo, nodo_tx, nodos_rx[index_pareja]]
lista_parejas.append(elemento)
# defino matriz H que se usa en el articulo
H = np.zeros((num_nodes,num_nodes))
for i in np.arange(half_nodes):
nodo_tx = lista_parejas[i][1]
for j in np.arange(half_nodes):
if (i == j):
H[i,j] = lista_parejas[i][0]
else:
# si no estas en la diagonal, necesito el h entre el transmisor i y el receptor del transmisor j
nodo_tx_a_j = nodos_tx[j]
receptor_j = -1
# busco el nodo receptor del nodo transmisor j
for k in np.arange(half_nodes):
if lista_parejas[k][1] == nodo_tx_a_j:
receptor_j = k
H[i,j] = adj_matrix[nodos_tx[i], nodos_rx[receptor_j]]
return H
def graphs_to_tensor(train=True, num_channels=5, num_features=1, b5g=False, building_id=990):
band = ['2_4', '5']
path = '../graphs/' + str(band[b5g]) + '_' + str(building_id) + '/'
if (train):
file_name = 'train_' + str(band[b5g]) + '_graphs_' + str(building_id) + '.pkl'
#file_name = str(band[b5g]) + '_graphs_' + str(building_id) + '.pkl'
with open(path + file_name, 'rb') as archivo:
graphs = pickle.load(archivo)
else:
file_name = 'val_' + str(band[b5g]) + '_graphs_' + str(building_id) + '.pkl'
with open(path + file_name, 'rb') as archivo:
graphs = pickle.load(archivo)
x_list = []
channel_matrix_list = []
x = torch.zeros((num_channels,num_features))
for graph in graphs:
adj_matrix = nx.adjacency_matrix(graph, weight = 'Atenuacion')
adj_matrix = adj_matrix.toarray()
channel_matrix = transform_matrix(adj_matrix, all = True)
channel_matrix = channel_matrix/1e-3
channel_matrix_list.append(torch.tensor(channel_matrix.T))
x_list.append(x)
channel_matrix_tensor = torch.stack(channel_matrix_list)
x_tensor = torch.stack(x_list)
return x_tensor, channel_matrix_tensor
def graphs_to_tensor_synthetic(num_channels, num_features = 1, b5g = False, building_id = 990):
band = ['2_4', '5']
path = '../graphs/' + str(band[b5g]) + '_' + str(building_id) + '/'
file_name = 'synthetic_graphs.pkl'
with open(path + file_name, 'rb') as archivo:
graphs = pickle.load(archivo)
x_list = []
channel_matrix_list = []
x = torch.zeros((num_channels,num_features))
for graph in graphs:
channel_matrix_list.append(torch.tensor(graph))
x_list.append(x)
channel_matrix_tensor = torch.stack(channel_matrix_list)
x_tensor = torch.stack(x_list)
return x_tensor, channel_matrix_tensor
def get_gnn_inputs(x_tensor, channel_matrix_tensor):
input_list = []
size = channel_matrix_tensor.shape[0]
for i in range(size):
x = x_tensor[i,:,:]
channel_matrix = channel_matrix_tensor[i,:,:]
norm = np.linalg.norm(channel_matrix, ord = 2, axis = (0,1))
channel_matrix_norm = channel_matrix / norm
channel_matrix_norm = channel_matrix
edge_index = channel_matrix_norm.nonzero(as_tuple=False).t()
edge_attr = channel_matrix_norm[edge_index[0], edge_index[1]]
edge_attr = edge_attr.to(torch.float)
input_list.append(Data(matrix=channel_matrix, x=x, edge_index=edge_index, edge_attr=edge_attr))
return input_list
def objective_function(rates):
sum_rate = -torch.sum(rates, dim=1)
return sum_rate
def power_constraint(phi, pmax):
sum_phi = torch.sum(phi, dim=1)
return (sum_phi - pmax)
def mu_update(mu_k, power_constr, eps):
mu_k = mu_k.detach()
mu_k_update = eps * torch.mean(power_constr, dim = 0)
mu_k = mu_k + mu_k_update
mu_k = torch.max(mu_k, torch.tensor(0.0))
return mu_k
def get_rates(phi, channel_matrix_batch, sigma):
phi = torch.squeeze(phi, dim = 2)
numerator = torch.unsqueeze(torch.diagonal(channel_matrix_batch, dim1=1, dim2=2) * phi, dim=2)
expanded_phi = torch.unsqueeze(phi, dim=2)
denominator = torch.matmul(channel_matrix_batch.float(), expanded_phi.float()) - numerator + sigma
rates = torch.log(numerator / denominator + 1)
return rates