第3行: |
第3行: |
| |description=最短路径,图度量,中心顶点,边缘顶点。 | | |description=最短路径,图度量,中心顶点,边缘顶点。 |
| }} | | }} |
− | 在'''[[图论 Graph Theory]]'''的数学领域定义中,图中两个顶点之间的距离是'''最短路径 Shortest Path'''(也称为'''<font color="#ff8000">图测地线 Graph Geodesic</font>''')中连接它们的边的数目。这也被称为'''<font color="#ff8000">测地距离 Geodesic Distance</font>'''。<ref>{{cite journal |last=Bouttier |first=Jérémie |author2=Di Francesco,P. |author3=Guitter, E. |date=July 2003|title=Geodesic distance in planar graphs |journal= Nuclear Physics B|volume=663 |issue=3 |pages=535–567 |quote=By distance we mean here geodesic distance along the graph, namely the length of any shortest path between say two given faces|doi=10.1016/S0550-3213(03)00355-9|arxiv=cond-mat/0303272 }}</ref>但,两个顶点之间可能有不止一条最短路径。<ref>{{cite web |url=http://mathworld.wolfram.com/GraphGeodesic.html |title=Graph Geodesic |accessdate= 2008-04-23|last=Weisstein |first=Eric W. |work=MathWorld--A Wolfram Web Resource |publisher= Wolfram Research|quote=The length of the graph geodesic between these points d(u,v) is called the graph distance between u and v }}</ref>一般地,如果两个顶点间没有路径连接,也就是说,如果它们属于不同的'''<font color="#ff8000">连通分支 Connected Components</font>''',那么这两点间的距离就被定义为无穷大。 | + | 在'''[[图论 graph theory]]'''的数学领域定义中,图中两个顶点之间的距离是'''最短路径 shortest path'''(也称为'''<font color="#ff8000">图测地线 graph geodesic</font>''')中连接它们的边的数目。这也被称为'''<font color="#ff8000">测地距离 Geodesic Distance</font>'''。<ref>{{cite journal |last=Bouttier |first=Jérémie |author2=Di Francesco,P. |author3=Guitter, E. |date=July 2003|title=Geodesic distance in planar graphs |journal= Nuclear Physics B|volume=663 |issue=3 |pages=535–567 |quote=By distance we mean here geodesic distance along the graph, namely the length of any shortest path between say two given faces|doi=10.1016/S0550-3213(03)00355-9|arxiv=cond-mat/0303272 }}</ref>但,两个顶点之间可能有不止一条最短路径。<ref>{{cite web |url=http://mathworld.wolfram.com/GraphGeodesic.html |title=Graph Geodesic |accessdate= 2008-04-23|last=Weisstein |first=Eric W. |work=MathWorld--A Wolfram Web Resource |publisher= Wolfram Research|quote=The length of the graph geodesic between these points d(u,v) is called the graph distance between u and v }}</ref>一般地,如果两个顶点间没有路径连接,也就是说,如果它们属于不同的'''<font color="#ff8000">连通分支 connected components</font>''',那么这两点间的距离就被定义为无穷大。 |
| | | |
| | | |
第12行: |
第12行: |
| ==相关概念== | | ==相关概念== |
| | | |
− | 一个由点集根据图中点集的距离定义的度'''<font color="#ff8000">[[度量空间 metric space]]</font>'''被称为'''<font color="#ff8000">图度量 Graph Metric</font>'''。
| + | 一个由点集根据图中点集的距离定义的'''<font color="#ff8000">[[度量空间 metric space]]</font>'''被称为'''<font color="#ff8000">图度量 Graph Metric</font>'''。 |
| | | |
| | | |
第18行: |
第18行: |
| | | |
| | | |
− | [[顶点]]<math>v</math>的'''<font color="#ff8000">离心率 Eccentricity</font>''' <math>\epsilon(v)</math>是它与其他顶点之间最大的距离,用<math>\epsilon(v) = \max_{u \in V}d(v,u)</math>表示。 | + | [[顶点]]<math>v</math>的'''<font color="#ff8000">离心率 eccentricity</font>''' <math>\epsilon(v)</math>是它与其他顶点之间最大的距离,用<math>\epsilon(v) = \max_{u \in V}d(v,u)</math>表示。 |
| 这可以用来判断一个节点距离图中最远节点的距离。 | | 这可以用来判断一个节点距离图中最远节点的距离。 |
| | | |
第68行: |
第68行: |
| | | |
| ==编者推荐== | | ==编者推荐== |
− | ===相关文章=== | + | ===集智相关文章=== |
− | ====[https://swarma.org/?p=3128 自指机器的奥秘]==== | + | ====[https://swarma.org/?p=20654 搭建图与网络之间的桥梁:网络科学的下一个突破在哪里?]==== |
− | 该文是冯·诺依曼自动机器理论”系列文章的第六篇(下半部分),由集智俱乐部资深粉丝“东方和尚”将全书第一部分翻译成中文,张江做了详细点评。
| + | 网络是认识世界的强力手段,图论则是网络科学的数学基础,但两个领域近年来的结合并不密切。来自中欧大学的网络科学研究者,在Nature子刊Communications Physics上发表文章 Bridging the gap between graphs and networks,讨论如何将网络科学解决现实问题的经验引入图论运营,同时将图论中的前沿数学成果带入网络科学。在数据驱动下,架起图与网络之间的桥梁,网络科学将有机会迎来更大的突破。 |
| | | |
− | ====[https://swarma.org/?p=3034 自指——连接图形与衬底的金带]====
| |
− | 该文是为“自指机器奥秘”的补充材料,详细地介绍了从语言到计算机程序再到数理逻辑等领域中各种形式的自指现象。除此之外,该文也详细指出了对角线删除法则与自指等概念之间的联系。
| |
| | | |
− | ===集智相关课程=== | + | |
| + | ===集智课程=== |
| ====[https://campus.swarma.org/course/1169 图网络解决优化问题——图网络读书会]==== | | ====[https://campus.swarma.org/course/1169 图网络解决优化问题——图网络读书会]==== |
| 图神经网络是深度学习领域的前沿热点议题,尤其是图网络(GraphNetworks)提出以来,深度学习有了实现因果推理的潜力。为了持续追踪相关领域的前沿进展,集智俱乐部联合北师大系统科学学院张江课题组,组织了以图网络为主题的线上读书会,研讨最新论文,孕育研究思路。本系列课程为图网络论文解读活动“图网络解决优化问题”篇。 | | 图神经网络是深度学习领域的前沿热点议题,尤其是图网络(GraphNetworks)提出以来,深度学习有了实现因果推理的潜力。为了持续追踪相关领域的前沿进展,集智俱乐部联合北师大系统科学学院张江课题组,组织了以图网络为主题的线上读书会,研讨最新论文,孕育研究思路。本系列课程为图网络论文解读活动“图网络解决优化问题”篇。 |