如何解决来自构造的概率分布的样本，而无需归一化
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？
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
