我想实现以下模型:
取 2*n 个节点。前 n 个节点代表 A 型个体,其余节点代表 B 型个体。
以概率 p,来自 A 的个体和来自 B 的另一个个体之间存在边缘。
我就是这样做的,但我希望它更快:
def modified_Erdos_Renyi(n,p):
G = nx.empty_graph(2*n)
for i in range (n):
for j in range(n,2*n):
r = rd.random()
if r<=p:
G.add_edge(i,j)
return G
我在networkx源码中看到有一个针对传统G_np的快速算法:
def fast_gnp_random_graph(n, p):
G = empty_graph(n)
G.name="fast_gnp_random_graph(%s,%s)"%(n,p)
w = -1
lp = math.log(1.0 - p)
v = 1
while v < n:
lr = math.log(1.0 - random.random())
w = w + 1 + int(lr/lp)
while w >= v and v < n:
w = w - v
v = v + 1
if v < n:
G.add_edge(v, w)
return G
如何使用修改后的模型实现该算法?
最佳答案
您尝试创建的算法是 already implemented in networkx如nx.bipartite.random_graph(m,n,p)
。 m
是组 A
中的数字,n
是组 B
中的数字,p
是边缘概率。
顺便说一句 - 如果您想了解为什么 fast_gnp_random_graph
有效,我推荐 this paper I cowrote with one of the original developers of networkx 的第 2 部分.
关于python - 使用networkx在python中修改具有两个不同群体的Erdos-Renyi随机图,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/50655053/