You need to enable JavaScript to run this app. 如何使用Python修改给定图网络以实现固定目标平均度
优惠活动
大模型
产品
解决方案
定价
更多

如何使用Python修改给定图网络以实现固定目标平均度

图平均度调整实操方案

先把计算基准理清楚,避免操作完才发现边数算错做无用功:
无向图的平均度计算公式为 avg_k = 2 * E / N,其中E为图的总边数,N为节点总数;有向图的平均度计算公式为avg_k = E / N。基于你当前14.5的平均度,直接核算达到目标值12、16时对应的总边数差值,这是所有调整操作的前提:

  • 无向图场景下:要降到12,需要在当前边数基础上删除的边量为 ΔE_del = N * (14.5 - 12) / 2;要升到16,需要新增的边量为 ΔE_add = N * (16 - 14.5) / 2。

平均度下调至12的实现路径

  • 弱连接优先删边:如果图带有边权重属性,直接按权重从低到高排序,删除对应数量的低权重边。这个策略对原有核心架构的破坏最小,被删掉的都是原本连接强度最弱的边。
  • 高度节点定向削边:优先从度数最高的hub节点上逐次删除连接,直到总边数达到目标值。这种方法可以避免过度削减普通节点的连接导致大量孤立点,最大程度保留原网络的度分布形态和全局连通性。
  • 纯随机删边:不考虑边的任何属性,从现有边集合中随机抽取对应数量的边删除。实现成本最低,但对网络结构的随机性破坏最大,可能导致图被拆分为多个不连通子图,仅适合对结构保真度要求极低的测试场景。

平均度上调至16的实现路径

  • 匹配原连接偏好加边:优先为拥有共同邻居、同属一个社团、节点属性距离近的非连接节点对新增边。这个策略加出来的新边完全贴合原网络的连接逻辑,调整后网络的社团结构、小世界属性和原网络相似度最高。
  • 低度节点定向补边:优先为当前度数低于原平均度的节点新增连接,避免给已经是高连接的hub节点继续加边拉大局部度差,保证调整后的度分布形态和原网络尽量一致。
  • 纯随机加边:从所有不存在连接的节点对中,随机抽取对应数量的节点对新增边。实现简单,但会大幅弱化原网络的结构特征,适合对网络属性要求不高的通用测试场景。

调整过程的校验注意事项

  • 新增边时禁止添加自环、重复边,避免导致平均度计算出现系统性偏差
  • 全量调整完成后重新跑一次全图平均度统计,规避因有向/无向图属性混淆、边方向统计错误带来的数值偏差,通常将误差控制在0.1以内即可视为达到目标。

内容的提问来源于stack exchange,提问作者tuhin.ptt

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.09 04:36:00