我是一个有用的助手,可以翻译文本。
我有一个松散连接的图。对于该图中的每个边,我知道节点 v 和 w 在位置 p(v) 和 p(w) 处的近似距离为向量 d(v,w) 在 R3 中,而不仅仅是欧几里德距离。误差应该很小(比如说<3%),第一个节点位于<0,0,0>。
如果没有任何错误,我可以按以下方式计算节点位置:
距离误差不相等。但为了简单起见,假设相对误差 (d(v,w)-d'(v,w))/E(v,w) 符合 N(0,1) 正态分布。我想最小化平方误差的总和。
这张图可能有适量的节点( > 100 ),但节点之间只有一些连接,并已经进行了“预过滤”(如果这些子图之间只有一个连接,则将其拆分为子图)。
我尝试了一个简单的“物理模型”,使用 hooks low,但速度慢且不稳定。是否有更好的算法或启发式方法来解决这种问题?
我有一个松散连接的图。对于该图中的每个边,我知道节点 v 和 w 在位置 p(v) 和 p(w) 处的近似距离为向量 d(v,w) 在 R3 中,而不仅仅是欧几里德距离。误差应该很小(比如说<3%),第一个节点位于<0,0,0>。
如果没有任何错误,我可以按以下方式计算节点位置:
set p(first_node) = <0,0,0>
calculate_position(first_node)
calculate_position(v):
for (v,w) in Edges:
if p(w) is not set:
set p(w) = p(v) + d(v,w)
calculate_position(w)
for (u,v) in Edges:
if p(u) is not set:
set p(u) = p(v) - d(u,v)
calculate_position(u)
距离误差不相等。但为了简单起见,假设相对误差 (d(v,w)-d'(v,w))/E(v,w) 符合 N(0,1) 正态分布。我想最小化平方误差的总和。
sum( ((p(v)-p(w)) - d(v,w) )^2/E(v,w)^2 ) for all edges
这张图可能有适量的节点( > 100 ),但节点之间只有一些连接,并已经进行了“预过滤”(如果这些子图之间只有一个连接,则将其拆分为子图)。
我尝试了一个简单的“物理模型”,使用 hooks low,但速度慢且不稳定。是否有更好的算法或启发式方法来解决这种问题?