来自构造的概率分布的样本，而无需归一化

问题描述

问题： 我对如何加速概率算法有些困惑。我正在尝试编写一种算法，该算法基于具有适应性的优先附件（即所谓的Bianconi-Barabási模型）来创建随机网络。

在每次迭代t中，需要根据概率分布（存储在顶点targets中的概率等于i的采样顶点-存储在列表k_i*d_(i,t-1)/sum_j(d_(j,t-1))中，在哪里

• k_i是对应于顶点i的预定义固定比例参数。
• d_(i,t-1)是时间i的顶点t-1的度。
• sum_j(d_(j,t-1))是时间t-1的总学位总数。

这些缩放的数量存储在列表sc_deg中。

在每次迭代中，我增加targets中顶点的度数。这也意味着我需要在每个sc_deg中对值进行重新缩放/归一化以确保其总和为1。这非常耗时，尤其是当我运行许多迭代并且网络变得非常大时。目前，我正在运行（每次迭代）

 sum_sc_deq = sum(sc_deg)
 sc_deg = [e / sum_sc_deq for e in sc_deg]

问题： 根据以上信息，是否有人有改善的想法，也许我不需要每次都重新缩放，因为有完全不同的方法吗？

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）