我有两组坐标，pos1.txt和pos2.txt（附件）。点的ID对应于行号。我想找到一组索引应用于第一组，以尽可能接近第二组，同时保持第一个位置。scipy.optimize似乎在这方面做得很好，下面是我目前使用的代码。
然而，我想“放松”优化问题，因为它对我的目的来说太慢了（理想情况下，我会使用500，000个点），而且我真的不知道如何进行：
1.到目前为止，最重要的匹配部分是z和r。我并不真的关心[x, y]中的位置是否有很大的不同，只要径向距离和z相同。

1. z/zmax>90%的位置是完全可以互换的。如果这个区域中的一个点改变了它的径向位置很多或者它的z（同时保持在〉90%），这是可以的。
   我附上了ID和误差的当前图，我们可以看到，在整个几何结构中，径向/轴向距离的差异最多可达7%，这高于我的目标值，但速度相当慢。
   有没有人能告诉我该怎么做，以及如何减少时间？
   下面是代码：

import scipy.optimize
import numpy as np
import matplotlib.pyplot as plt

fig = plt.figure(figsize=(20,10))

# First set of points with random order

list1 = np.genfromtxt('pos1.txt', delimiter=',')
ax = fig.add_subplot(231, projection="3d")
s = ax.scatter3D(list1[:,0], list1[:,1], list1[:,2], c=np.arange(list1.shape[0]), cmap='jet', s=5)
plt.colorbar(s)
plt.title('ID1')

# Second set of points, sorted and different positions

list2 = np.genfromtxt('pos2.txt', delimiter=',')
ax = fig.add_subplot(232, projection="3d")
s = ax.scatter3D(list2[:,0], list2[:,1], list2[:,2], c=np.arange(list2.shape[0]), cmap='jet', s=5)
plt.colorbar(s)
plt.title('ID2')

# Calculate third set of points

# With scipy.optimize which indices to apply on first set to have lowest distance to second set

cost = np.linalg.norm(list2[:, np.newaxis, :] - list1, axis=2)
_, indices = scipy.optimize.linear_sum_assignment(cost)
list3 = list1[indices]
ax = fig.add_subplot(233, projection="3d")
list2 = np.genfromtxt('pos2.txt', delimiter=',')
s = ax.scatter3D(list3[:,0], list3[:,1], list3[:,2], c=np.arange(list3.shape[0]), cmap='jet', s=5)
plt.colorbar(s)
plt.title('ID3')

# Calculate error made on distance, radial distance, axial distance

error_dist = np.linalg.norm(list2-list3, axis=1)/np.max(cost)*100
ax = fig.add_subplot(234, projection="3d")
list2 = np.genfromtxt('pos2.txt', delimiter=',')
s = ax.scatter3D(list3[:,0], list3[:,1], list3[:,2], c=error_dist, cmap='jet', s=5)
plt.colorbar(s)
plt.title('Error on distance (%)')

r_dist2 = np.linalg.norm(list2[:, :2], axis=1)
r_dist3 = np.linalg.norm(list3[:, :2], axis=1)
error_r_dist = (r_dist3-r_dist2)/np.max(r_dist2)*100
ax = fig.add_subplot(235, projection="3d")
list2 = np.genfromtxt('pos2.txt', delimiter=',')
s = ax.scatter3D(list3[:,0], list3[:,1], list3[:,2], c=error_r_dist, cmap='jet', s=5)
plt.colorbar(s)
plt.title('Error on radial distance (%)')

error_z_dist = (list3[:,2]-list2[:,2])/(np.max(list3[:,2])-np.min(list3[:,2]))*100
ax = fig.add_subplot(236, projection="3d")
list2 = np.genfromtxt('pos2.txt', delimiter=',')
s = ax.scatter3D(list3[:,0], list3[:,1], list3[:,2], c=error_z_dist, cmap='jet', s=5)
plt.colorbar(s)
plt.title('Error on axial distance (%)')

plt.tight_layout()
plt.savefig('match_pos.png', dpi=600)
plt.show()

我在这个网站上上传了职位文件：

• 示例https://zerobin.net/?1be6d4810e148e20#qflDwnHeACHuWzZKrtFdTxukdsvNSrWK+2cJ9l3XWLQ=
• 示例https://zerobin.net/?ecc23876cd7190e7#9e2AKTWp/mSXjlqEZavwEeslQ5oipN5gM+v3Xp4U1ws=

谢谢你！