Free cookie consent management tool by TermsFeed Policy Generator

Changeset 8463


Ignore:
Timestamp:
08/09/12 16:32:44 (12 years ago)
Author:
gkronber
Message:

#1902 improved GPR implementation

Location:
trunk/sources
Files:
6 added
15 edited
1 moved

Legend:

Unmodified
Added
Removed

  • trunk/sources/HeuristicLab.Algorithms.DataAnalysis.Views/3.4/HeuristicLab.Algorithms.DataAnalysis.Views-3.4.csproj

    r8416 r8463  
    118118  </ItemGroup>
    119119  <ItemGroup>
     120    <Compile Include="MeanProdView.cs">
     121      <SubType>UserControl</SubType>
     122    </Compile>
     123    <Compile Include="MeanProdView.Designer.cs">
     124      <DependentUpon>MeanProdView.cs</DependentUpon>
     125    </Compile>
     126    <Compile Include="MeanSumView.cs">
     127      <SubType>UserControl</SubType>
     128    </Compile>
     129    <Compile Include="MeanSumView.Designer.cs">
     130      <DependentUpon>MeanSumView.cs</DependentUpon>
     131    </Compile>
    120132    <Compile Include="CovarianceProdView.cs">
    121133      <SubType>UserControl</SubType>

  • trunk/sources/HeuristicLab.Algorithms.DataAnalysis/3.4/GaussianProcess/CovariancePeriodic.cs

    r8455 r8463  
    102102    }
    103103
    104 
    105     public double[] GetDiagonalCovariances() {
    106       if (x != xt) throw new InvalidOperationException();
    107       int rows = x.GetLength(0);
    108       var cov = new double[rows];
    109       for (int i = 0; i < rows; i++) {
    110         double k = Math.Sqrt(Util.SqrDist(Util.GetRow(x, i), Util.GetRow(xt, i)));
    111         k = Math.PI * k / p;
    112         k = Math.Sin(k) / l;
    113         k = k * k;
    114         cov[i] = sf2 * Math.Exp(-2.0 * k);
    115       }
    116       return cov;
    117     }
    118 
    119104    public double GetGradient(int i, int j, int k) {
    120105      double v = Math.PI * sd[i, j] / p;

  • trunk/sources/HeuristicLab.Algorithms.DataAnalysis/3.4/GaussianProcess/CovarianceProd.cs

    r8455 r8463  
    2020#endregion
    2121
     22using System;
     23using System.Collections.Generic;
    2224using System.Linq;
    2325using HeuristicLab.Common;
    … …  
    4850      this.factors = cloner.Clone(original.factors);
    4951      this.numberOfVariables = original.numberOfVariables;
     52      AttachEventHandlers();
    5053    }
    5154
    … …  
    5356      : base() {
    5457      this.factors = new ItemList<ICovarianceFunction>();
     58      AttachEventHandlers();
     59    }
     60
     61    private void AttachEventHandlers() {
     62      this.factors.CollectionReset += (sender, args) => ClearCache();
     63      this.factors.ItemsAdded += (sender, args) => ClearCache();
     64      this.factors.ItemsRemoved += (sender, args) => ClearCache();
     65      this.factors.ItemsReplaced += (sender, args) => ClearCache();
     66      this.factors.ItemsMoved += (sender, args) => ClearCache();
    5567    }
    5668
    … …  
    8698    }
    8799
     100    private Dictionary<int, Tuple<int, int>> cachedParameterMap;
    88101    public double GetGradient(int i, int j, int k) {
    89       // map from parameter index to factor
    90       var vi = factors.Select((f, idx) => Enumerable.Repeat(idx, f.GetNumberOfParameters(numberOfVariables))).SelectMany(x => x).ToArray();
     102      if (cachedParameterMap == null) {
     103        CalculateParameterMap();
     104      }
     105      int ti = cachedParameterMap[k].Item1;
     106      k = cachedParameterMap[k].Item2;
    91107      double res = 1.0;
    92       int jj = Enumerable.Range(0, k).Count(e => vi[e] == vi[k]);
    93108      for (int ii = 0; ii < factors.Count; ii++) {
    94109        var f = factors[ii];
    95         if (ii == vi[k]) {
    96           res *= f.GetGradient(i, j, jj);
     110        if (ii == ti) {
     111          res *= f.GetGradient(i, j, k);
    97112        } else {
    98113          res *= f.GetCovariance(i, j);
    … …  
    101116      return res;
    102117    }
     118
     119    private void ClearCache() {
     120      cachedParameterMap = null;
     121    }
     122
     123    private void CalculateParameterMap() {
     124      cachedParameterMap = new Dictionary<int, Tuple<int, int>>();
     125      int k = 0;
     126      for (int ti = 0; ti < factors.Count; ti++) {
     127        for (int ti_k = 0; ti_k < factors[ti].GetNumberOfParameters(numberOfVariables); ti_k++) {
     128          cachedParameterMap[k++] = Tuple.Create(ti, ti_k);
     129        }
     130      }
     131    }
    103132  }
    104133}

  • trunk/sources/HeuristicLab.Algorithms.DataAnalysis/3.4/GaussianProcess/CovarianceSEiso.cs

    r8455 r8463  
    114114      int cols = xt.GetLength(0);
    115115      sd = new double[rows, cols];
     116      double lInv = 1.0 / l;
    116117      if (symmetric) {
    117118        for (int i = 0; i < rows; i++) {
    118119          for (int j = i; j < rows; j++) {
    119             sd[i, j] = Util.SqrDist(Util.GetRow(x, i).Select(e => e / l), Util.GetRow(xt, j).Select(e => e / l));
     120            sd[i, j] = Util.SqrDist(Util.GetRow(x, i).Select(e => e * lInv), Util.GetRow(xt, j).Select(e => e * lInv));
    120121            sd[j, i] = sd[i, j];
    121122          }
    … …  
    124125        for (int i = 0; i < rows; i++) {
    125126          for (int j = 0; j < cols; j++) {
    126             sd[i, j] = Util.SqrDist(Util.GetRow(x, i).Select(e => e / l), Util.GetRow(xt, j).Select(e => e / l));
     127            sd[i, j] = Util.SqrDist(Util.GetRow(x, i).Select(e => e * lInv), Util.GetRow(xt, j).Select(e => e * lInv));
    127128          }
    128129        }

  • trunk/sources/HeuristicLab.Algorithms.DataAnalysis/3.4/GaussianProcess/CovarianceSum.cs

    r8455 r8463  
    2020#endregion
    2121
     22using System;
     23using System.Collections.Generic;
    2224using System.Linq;
    2325using HeuristicLab.Common;
    … …  
    4850      this.terms = cloner.Clone(original.terms);
    4951      this.numberOfVariables = original.numberOfVariables;
     52      AttachEventHandlers();
    5053    }
    5154
    … …  
    5356      : base() {
    5457      this.terms = new ItemList<ICovarianceFunction>();
     58      AttachEventHandlers();
     59    }
     60
     61    private void AttachEventHandlers() {
     62      this.terms.CollectionReset += (sender, args) => ClearCache();
     63      this.terms.ItemsAdded += (sender, args) => ClearCache();
     64      this.terms.ItemsRemoved += (sender, args) => ClearCache();
     65      this.terms.ItemsReplaced += (sender, args) => ClearCache();
     66      this.terms.ItemsMoved += (sender, args) => ClearCache();
    5567    }
    5668
    … …  
    8698    }
    8799
     100    private Dictionary<int, Tuple<int, int>> cachedParameterMap;
    88101    public double GetGradient(int i, int j, int k) {
    89       int ii = 0;
    90       while (k > terms[ii].GetNumberOfParameters(numberOfVariables)) {
    91         k -= terms[ii].GetNumberOfParameters(numberOfVariables);
     102      if (cachedParameterMap == null) {
     103        CalculateParameterMap();
    92104      }
    93       return terms[ii].GetGradient(i, j, k);
     105      int ti = cachedParameterMap[k].Item1;
     106      k = cachedParameterMap[k].Item2;
     107      return terms[ti].GetGradient(i, j, k);
     108    }
     109    private void ClearCache() {
     110      cachedParameterMap = null;
     111    }
     112
     113    private void CalculateParameterMap() {
     114      cachedParameterMap = new Dictionary<int, Tuple<int, int>>();
     115      int k = 0;
     116      for (int ti = 0; ti < terms.Count; ti++) {
     117        for (int ti_k = 0; ti_k < terms[ti].GetNumberOfParameters(numberOfVariables); ti_k++) {
     118          cachedParameterMap[k++] = Tuple.Create(ti, ti_k);
     119        }
     120      }
    94121    }
    95122  }

  • trunk/sources/HeuristicLab.Algorithms.DataAnalysis/3.4/GaussianProcess/GaussianProcessHyperparameterInitializer.cs

    r8419 r8463  
    9191      var rand = RandomParameter.ActualValue;
    9292      for (int i = 0; i < r.Length; i++)
    93         r[i] = rand.NextDouble() * 4 - 2;
     93        r[i] = rand.NextDouble() * 2 - 1;
    9494
    9595      HyperparameterParameter.ActualValue = r;

  • trunk/sources/HeuristicLab.Algorithms.DataAnalysis/3.4/GaussianProcess/GaussianProcessModel.cs

    r8455 r8463  
    7373    private double[,] x;
    7474    [Storable]
    75     private Scaling scaling;
     75    private Scaling inputScaling;
     76    [Storable]
     77    private Scaling targetScaling;
    7678
    7779
    … …  
    8284      this.meanFunction = cloner.Clone(original.meanFunction);
    8385      this.covarianceFunction = cloner.Clone(original.covarianceFunction);
    84       this.scaling = cloner.Clone(original.scaling);
     86      this.inputScaling = cloner.Clone(original.inputScaling);
     87      this.targetScaling = cloner.Clone(original.targetScaling);
    8588      this.negativeLogLikelihood = original.negativeLogLikelihood;
    8689      this.targetVariable = original.targetVariable;
    … …  
    118121
    119122    private void CalculateModel(Dataset ds, IEnumerable<int> rows) {
    120       scaling = new Scaling(ds, allowedInputVariables, rows);
    121       x = AlglibUtil.PrepareAndScaleInputMatrix(ds, allowedInputVariables, rows, scaling);
    122 
    123       var y = ds.GetDoubleValues(targetVariable, rows).ToArray();
     123      inputScaling = new Scaling(ds, allowedInputVariables, rows);
     124      x = AlglibUtil.PrepareAndScaleInputMatrix(ds, allowedInputVariables, rows, inputScaling);
     125
     126
     127      targetScaling = new Scaling(ds, new string[] { targetVariable }, rows);
     128      var y = targetScaling.GetScaledValues(ds, targetVariable, rows);
    124129
    125130      int n = x.GetLength(0);
    … …  
    162167      int n = x.GetLength(0);
    163168      int nAllowedVariables = x.GetLength(1);
    164       double[,] q = new double[n, n];
    165       double[,] eye = new double[n, n];
    166       for (int i = 0; i < n; i++) eye[i, i] = 1.0;
    167169
    168170      int info;
    169       alglib.densesolverreport denseSolveRep;
    170 
    171       alglib.spdmatrixcholeskysolvem(l, n, false, eye, n, out info, out denseSolveRep, out q);
    172       // double[,] a2 = outerProd(alpha, alpha);
     171      alglib.matinvreport matInvRep;
     172
     173      alglib.spdmatrixcholeskyinverse(ref l, n, false, out info, out matInvRep);
     174      if (info != 1) throw new ArgumentException("Can't invert matrix to calculate gradients.");
    173175      for (int i = 0; i < n; i++) {
    174         for (int j = 0; j < n; j++)
    175           q[i, j] = q[i, j] / sqrSigmaNoise - alpha[i] * alpha[j]; // a2[i, j];
    176       }
    177 
    178       double noiseGradient = sqrSigmaNoise * Enumerable.Range(0, n).Select(i => q[i, i]).Sum();
     176        for (int j = 0; j <= i; j++)
     177          l[i, j] = l[i, j] / sqrSigmaNoise - alpha[i] * alpha[j];
     178      }
     179
     180      double noiseGradient = sqrSigmaNoise * Enumerable.Range(0, n).Select(i => l[i, i]).Sum();
    179181
    180182      double[] meanGradients = new double[meanFunction.GetNumberOfParameters(nAllowedVariables)];
    … …  
    187189      if (covGradients.Length > 0) {
    188190        for (int i = 0; i < n; i++) {
    189           for (int j = 0; j < n; j++) {
    190             for (int k = 0; k < covGradients.Length; k++) {
    191               covGradients[k] += q[i, j] * covarianceFunction.GetGradient(i, j, k);
     191          for (int k = 0; k < covGradients.Length; k++) {
     192            for (int j = 0; j < i; j++) {
     193              covGradients[k] += l[i, j] * covarianceFunction.GetGradient(i, j, k);
    192194            }
     195            covGradients[k] += 0.5 * l[i, i] * covarianceFunction.GetGradient(i, i, k);
    193196          }
    194197        }
    195         covGradients = covGradients.Select(g => g / 2.0).ToArray();
    196198      }
    197199
    … …  
    219221
    220222    private IEnumerable<double> GetEstimatedValuesHelper(Dataset dataset, IEnumerable<int> rows) {
    221       var newX = AlglibUtil.PrepareAndScaleInputMatrix(dataset, allowedInputVariables, rows, scaling);
     223      var newX = AlglibUtil.PrepareAndScaleInputMatrix(dataset, allowedInputVariables, rows, inputScaling);
    222224      int newN = newX.GetLength(0);
    223225      int n = x.GetLength(0);
    … …  
    251253      // alglib.rmatrixsolvem(l, n, sWKs, newN, true, out info, out denseSolveRep, out v);
    252254
    253 
    254       for (int i = 0; i < newN; i++) {
    255         // predMean[i] = ms[i] + prod(GetRow(Ks, i), alpha);
    256         yield return ms[i] + Util.ScalarProd(Util.GetRow(Ks, i), alpha);
    257         // var sumV2 = prod(GetCol(v, i), GetCol(v, i));
    258         // predVar[i] = kss[i] - sumV2;
    259       }
     255      double targetScaleMin, targetScaleMax;
     256      targetScaling.GetScalingParameters(targetVariable, out targetScaleMin, out targetScaleMax);
     257      return Enumerable.Range(0, newN)
     258        .Select(i => ms[i] + Util.ScalarProd(Util.GetRow(Ks, i), alpha))
     259        .Select(m => m * (targetScaleMax - targetScaleMin) + targetScaleMin);
     260      //for (int i = 0; i < newN; i++) {
     261      //  // predMean[i] = ms[i] + prod(GetRow(Ks, i), alpha);
     262      //  // var sumV2 = prod(GetCol(v, i), GetCol(v, i));
     263      //  // predVar[i] = kss[i] - sumV2;
     264      //}
    260265
    261266    }

  • trunk/sources/HeuristicLab.Algorithms.DataAnalysis/3.4/GaussianProcess/GaussianProcessRegressionSolutionCreator.cs

    r8416 r8463  
    7575
    7676    public override IOperation Apply() {
    77       var m = ModelParameter.ActualValue;
    78       var data = ProblemDataParameter.ActualValue;
     77      var m = (IGaussianProcessModel)ModelParameter.ActualValue.Clone();
     78      var data = (IRegressionProblemData)ProblemDataParameter.ActualValue.Clone();
    7979      var s = new GaussianProcessRegressionSolution(m, data);
    8080

  • trunk/sources/HeuristicLab.Algorithms.DataAnalysis/3.4/GaussianProcess/MeanProd.cs

    r8439 r8463  
    8282    public double[] GetGradients(int k, double[,] x) {
    8383      double[] res = Enumerable.Repeat(1.0, x.GetLength(0)).ToArray();
    84       foreach (var f in factors) {
    85         var numParam = f.GetNumberOfParameters(numberOfVariables);
    86         if (k >= 0 && k < numParam) {
     84      // find index of factor for the given k
     85      int j = 0;
     86      while (k >= factors[j].GetNumberOfParameters(numberOfVariables)) {
     87        k -= factors[j].GetNumberOfParameters(numberOfVariables);
     88        j++;
     89      }
     90      for (int i = 0; i < factors.Count; i++) {
     91        var f = factors[i];
     92        if (i == j) {
    8793          // multiply gradient
    8894          var g = f.GetGradients(k, x);
    89           for (int i = 0; i < res.Length; i++) res[i] *= g[i];
    90           k -= numParam;
     95          for (int ii = 0; ii < res.Length; ii++) res[ii] *= g[ii];
    9196        } else {
    9297          // multiply mean
    9398          var m = f.GetMean(x);
    94           for (int i = 0; i < res.Length; i++) res[i] *= m[i];
    95           k -= numParam;
     99          for (int ii = 0; ii < res.Length; ii++) res[ii] *= m[ii];
    96100        }
    97101      }

  • trunk/sources/HeuristicLab.Algorithms.DataAnalysis/3.4/GaussianProcess/Util.cs

    r8401 r8463  
    2020#endregion
    2121
    22 using System;
    2322using System.Collections.Generic;
    2423using System.Linq;
    … …  
    3231    public static double SqrDist(double x, double y) {
    3332      double d = x - y;
    34       return Math.Max(d * d, 0.0);
     33      return d * d;
    3534    }
    3635
    3736    public static double SqrDist(IEnumerable<double> x, IEnumerable<double> y) {
    38       return x.Zip(y, SqrDist).Sum();
     37      return x.Zip(y, (a, b) => (a - b) * (a - b)).Sum();
    3938    }
    4039

  • trunk/sources/HeuristicLab.Algorithms.DataAnalysis/3.4/Linear/Scaling.cs

    r8416 r8463  
    5959      return ds.GetDoubleValues(variable, rows).Select(x => (x - min) / (max - min));
    6060    }
     61
     62    public void GetScalingParameters(string variable, out double min, out double max) {
     63      min = scalingParameters[variable].Item1;
     64      max = scalingParameters[variable].Item2;
     65    }
    6166  }
    6267}

  • trunk/sources/HeuristicLab.ExtLibs/HeuristicLab.ALGLIB/3.6.0/ALGLIB-3.6.0

    • Property svn:ignore

      •  

        old new  
        11obj
         2*.user

  • trunk/sources/HeuristicLab.ExtLibs/HeuristicLab.ALGLIB/3.6.0/HeuristicLab.ALGLIB-3.6.0

    • Property svn:ignore

      •  

        old new  
        11obj
        22Plugin.cs
         3*.user

  • trunk/sources/HeuristicLab.Tests/HeuristicLab.Algorithms.DataAnalysis-3.4/GaussianProcessFunctionsTest.cs

    r8455 r8463  
    123123      );
    124124
    125       //      prod.Factors.Clear();
    126       //      prod.Factors.Add(new MeanConst());
    127       //      prod.Factors.Add(new MeanLinear());
    128       //      TestMeanFunction(prod, 1,
    129       //  new double[] { 2.9087, 1.8646, 3.1971, 1.9889, 1.7639, 1.2801, 2.8059, 3.7243, 3.1901, 1.4979 },
    130       //  new double[][]
    131       //          {
    132       //            new double[] { 1.8436,    2.1279,    3.1166,    1.6886,    3.2505,    2.9613,    2.3260,    1.7293,   1.7697,    2.3982 },
    133       //            new double[] { 0.6443,    0.3786,    0.8116,    0.5328,    0.3507,    0.9390,    0.8759,    0.5502,   0.6225,    0.5870 },
    134       //            new double[] { 0.2077,    0.3012,    0.4709,    0.2305,    0.8443,    0.1948,    0.2259,    0.1707,   0.2277,    0.4357 },
    135       //            new double[] { 0.3111,    0.9234,    0.4302,    0.1848,    0.9049,    0.9797,    0.4389,    0.1111,   0.2581,    0.4087 },
    136       //            new double[] { 0.5949,    0.2622,    0.6028,    0.7112,    0.2217,    0.1174,    0.2967,    0.3188,   0.4242,    0.5079 },
    137       //            new double[] { 0.0855,    0.2625,    0.8010,    0.0292,    0.9289,    0.7303,    0.4886,    0.5785,   0.2373,    0.4588 }
    138       //          }
    139       //);
     125      prod.Factors.Clear();
     126      prod.Factors.Add(new MeanConst());
     127      prod.Factors.Add(new MeanLinear());
     128      TestMeanFunction(prod, 1,
     129  new double[] { 1.843574580675791, 2.127929337522181, 3.116568910281474, 1.688566127130978, 3.250517738447450, 2.961262743634280, 2.326019412613392, 1.729286976436201, 1.769654419215176, 2.398170347588917 },
     130  new double[][]
     131                {
     132                  new double[] { 2.9088,    1.8646,    3.1971,    1.9890,    1.7640,    1.2801,    2.8059,    3.7243,    3.1899    ,1.4978 },
     133                  new double[] { 0.4173,    0.0497,    0.9027,    0.9448,    0.4909,    0.4893,    0.3377,    0.9001,    0.3692    ,0.1112 },
     134                  new double[] { 0.7803,    0.3897,    0.2417,    0.4039,    0.0965,    0.1320,    0.9421,    0.9561,    0.5752    ,0.0598 },
     135                  new double[] { 0.2348,    0.3532,    0.8212,    0.0154,    0.0430,    0.1690,    0.6491,    0.7317,    0.6477    ,0.4509 },
     136                  new double[] { 0.5470,    0.2963,    0.7447,    0.1890,    0.6868,    0.1835,    0.3685,    0.6256,    0.7802    ,0.0811 },
     137                  new double[] { 0.9294,    0.7757,    0.4868,    0.4359,    0.4468,    0.3063,    0.5085,    0.5108,    0.8176    ,0.7948 }
     138                }
     139);
    140140    }
    141141

  • trunk/sources/HeuristicLab.Tests/HeuristicLab.Algorithms.DataAnalysis-3.4/GaussianProcessRegressionTest.cs

    r8455 r8463  
    2121
    2222using System;
    23 using System.Collections.Generic;
    2423using System.Linq;
    2524using System.Threading;
    2625using HeuristicLab.Algorithms.DataAnalysis;
    2726using HeuristicLab.Common;
    28 using HeuristicLab.Core;
    2927using HeuristicLab.Problems.DataAnalysis;
    30 using HeuristicLab.SequentialEngine;
     28using HeuristicLab.Problems.Instances.DataAnalysis;
    3129using Microsoft.VisualStudio.TestTools.UnitTesting;
    3230
    33 namespace HeuristicLab_33.Tests {
     31namespace HeuristicLab.Algorithms.DataAnalysis_34.Tests {
    3432  [TestClass]
     33  [DeploymentItem(@"HeuristicLab.Algorithms.DataAnalysis-3.4/co2.txt")]
    3534  public class GaussianProcessRegressionTest {
    3635    public GaussianProcessRegressionTest() { }
    … …  
    5857      ex = null;
    5958
    60       var cv = new CrossValidation();
    6159      var alg = new GaussianProcessRegression();
    62       alg.Engine = new SequentialEngine();
    63       cv.Algorithm = alg;
     60      alg.Engine = new HeuristicLab.SequentialEngine.SequentialEngine();
    6461
    65       cv.Problem = new RegressionProblem();
    66       var rand = new HeuristicLab.Random.MersenneTwister();
    67       double[,] data = GenerateData(100, rand);
    68       List<string> variables = new List<string>() { "x1", "x2", "x3", "x4", "x5", "x6", "x7", "x8", "x9", "x10", "y" };
    69       Dataset ds = new Dataset(variables, data);
    70       cv.Problem.ProblemDataParameter.ActualValue = new RegressionProblemData(ds, variables.Take(10), variables.Last());
    71       cv.Algorithm.Prepare();
    72       cv.Folds.Value = 5;
    73       cv.SamplesStart.Value = 0;
    74       cv.SamplesEnd.Value = 99;
     62      alg.Problem = new RegressionProblem();
     63      var provider = new RegressionCSVInstanceProvider();
     64      var problemData = (RegressionProblemData)provider.ImportData("co2.txt");
     65      problemData.TargetVariableParameter.ActualValue = problemData.TargetVariableParameter.ValidValues.First(x => x.Value == "interpolated");
     66      problemData.InputVariables.SetItemCheckedState(problemData.InputVariables.First(x => x.Value == "year"), false);
     67      problemData.InputVariables.SetItemCheckedState(problemData.InputVariables.First(x => x.Value == "month"), false);
     68      problemData.InputVariables.SetItemCheckedState(problemData.InputVariables.First(x => x.Value == "average"), false);
     69      problemData.InputVariables.SetItemCheckedState(problemData.InputVariables.First(x => x.Value == "interpolated"), false);
     70      problemData.InputVariables.SetItemCheckedState(problemData.InputVariables.First(x => x.Value == "trend"), false);
     71      problemData.InputVariables.SetItemCheckedState(problemData.InputVariables.First(x => x.Value == "#days"), false);
    7572
    76       cv.ExceptionOccurred += new EventHandler<EventArgs<Exception>>(cv_ExceptionOccurred);
    77       cv.Stopped += new EventHandler(cv_Stopped);
     73      alg.Problem.ProblemDataParameter.Value = problemData;
    7874
    79       cv.Prepare();
    80       cv.Start();
     75      alg.ExceptionOccurred += new EventHandler<EventArgs<Exception>>(cv_ExceptionOccurred);
     76      alg.Stopped += new EventHandler(cv_Stopped);
     77
     78      alg.Prepare();
     79      alg.Start();
    8180      trigger.WaitOne();
    8281      if (ex != null) throw ex;
    8382
    84       TestContext.WriteLine("Runtime: {0}", cv.ExecutionTime.ToString());
    85 
    86     }
    87 
    88     // poly-10: y = x1 x2 + x3 x4 + x5 x6 + x1 x7 x9 + x3 x6 x10
    89     private double[,] GenerateData(int n, IRandom random) {
    90       double[,] data = new double[n, 11];
    91       for (int i = 0; i < n; i++) {
    92         for (int c = 0; c < 10; c++) {
    93           data[i, c] = random.NextDouble() * 2.0 - 1.0;
    94         }
    95         data[i, 10] =
    96           data[i, 0] * data[i, 1] +
    97           data[i, 2] * data[i, 3] +
    98           data[i, 4] * data[i, 5] +
    99           data[i, 0] * data[i, 6] * data[i, 8] +
    100           data[i, 2] * data[i, 5] * data[i, 9];
    101       }
    102       return data;
     83      TestContext.WriteLine("Runtime: {0}", alg.ExecutionTime.ToString());
    10384    }
    10485

  • trunk/sources/HeuristicLab.Tests/HeuristicLab.Tests.csproj

    r8439 r8463  
    279279    <Compile Include="HeuristicLab-3.3\ContentViewTests.cs" />
    280280    <Compile Include="HeuristicLab-3.3\ParameterVisibilityTest.cs" />
    281     <Compile Include="HeuristicLab-3.3\GaussianProcessRegressionTest.cs" />
    282281    <Compile Include="HeuristicLab-3.3\DeepCloneableCloningTest.cs" />
    283282    <Compile Include="HeuristicLab-3.3\GeneticAlgorithmTest.cs" />
    … …  
    290289    <Compile Include="HeuristicLab-3.3\ThreadSafeLogTest.cs" />
    291290    <Compile Include="HeuristicLab-3.3\ToStringTest.cs" />
     291    <Compile Include="HeuristicLab.Algorithms.DataAnalysis-3.4\GaussianProcessModelTest.cs" />
    292292    <Compile Include="HeuristicLab.Algorithms.DataAnalysis-3.4\GaussianProcessFunctionsTest.cs" />
     293    <Compile Include="HeuristicLab.Algorithms.DataAnalysis-3.4\GaussianProcessRegressionTest.cs" />
    293294    <Compile Include="HeuristicLab.Analysis-3.3\MultidimensionalScalingTest.cs" />
    294295    <Compile Include="HeuristicLab.Encodings.BinaryVectorEncoding-3.3\Auxiliary.cs" />
    … …  
    388389  </ItemGroup>
    389390  <ItemGroup>
     391    <Content Include="HeuristicLab.Algorithms.DataAnalysis-3.4\co2.txt">
     392      <CopyToOutputDirectory>Always</CopyToOutputDirectory>
     393    </Content>
    390394    <None Include="app.config" />
    391395    <None Include="Builder.testsettings">
Note: See TracChangeset for help on using the changeset viewer.