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。