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@)