搜索资源列表
small-world-networks
- 1998年, Watts和Strogatz 提出了小世界网络这一概念,并建立了WS模型。 实证结果表明,大多数的真实网络都具有小世界特性(较小的最短路径) 和聚类特性(较大的聚类系数) 。 WS小世界模型构造算法 1、从规则图开始：考虑一个含有N个点的最近邻耦合网络，它们围成一个环，其中每个节点都与它左右相邻的各K/2节点相连，K是偶数。 2、随机化重连：以概率p随机地从新连接网络中的每个边，即将边的一个端点保持不变，而另一个端点取为网络中随机选择的一个节点。其中规定，任意两个不同的
dijkstra
- 如果存在一条从i到j的最短路径(Vi.....Vk,Vj)，Vk是Vj前面的一顶点。那么(Vi...Vk)也必定是从i到k的最短路径。为了求出最短路径，Dijkstra就提出了以最短路径长度递增，逐次生成最短路径的算法-Dijkstra algorithm is a typical shortest path algorithm, used to calculate a node to all other nodes of the shortest path. The main characte
hdu5102
- hdu5102的ac源码。算法：队列、数据结构、图论、模拟。题意：输入一棵树，输出前k小的点对最短距离dis（i，j）的和。-AC source of hdu 5102. Algorithm: queues, data structures, graph theory, simulation. Meaning of the title: Enter a tree, output the sum of the first k smallest shortest distance of dis (i
YenKSP-master
- yen算法,偏离算法的实现，求有向非负权值图的前k个最短路径的Python实现-yen algorithm deviation algorithm, find the shortest path to a former k non-negative weights to figure Python implementation
Floyd-CSharp
- 弗洛伊德(Floyd)算法 主要是用于计算图中所有顶点对之间的最短距离长度的算法，如果是要求某一个特定点到图中所有顶点之间的最短距离可以用Dijkstra(迪杰斯特拉)算法来求。 弗洛伊德(Floyd)算法的算法过程是： 1、从任意一条单边路径开始。所有两点之间的距离是边的权，如果两点之间没有边相连，则权为无穷大。 2、对于每一对顶点 u 和 v，看看是否存在一个顶点 w 使得从 u 到 w 再到 v 比已知的路径更短。如果是更新它。 把图用邻接矩阵G表示出来
MinKDigits
- 用最短的时间寻找最小的K个数，带有详细的解题说明-Use the shortest time to find a minimum number of K
PMPproblem
- 求解PMP问题，在N个节点中找到k个节点，使得其余N-k个节点到这k个节点的距离最短。k为自定义值。输入文件为xlsx格式，N*N的距离矩阵。(To solve the PMP problem, the K node is found in the N node, making the rest of the rest of the N-k nodes to be the shortest distance to the K node. K is a custom value. The inpu
ksp20090913
- 本程序用来给定源目的节点求前k条最短路径，用matlab 编写，可结合实际场景进行改写，方便 快速(This program is used to give the shortest path of the pre K bar of the source destination node. It is written in MATLAB. It can be rewritten in combination with the actual scene, so it is convenient a
matlab_bgl-4.0.1
- 统计复杂网络度分布介数异质性平均聚类系数和平均距离等指标(Structural properties of the different real networks. Structural properties include net- work size (N), link number (E), degree heterogeneity (H =< k2 > = < k >2), degree assortativity(r), average clustering