5,443
个编辑
更改
跳到导航
跳到搜索
第159行：
第159行： − 复杂网络重整化的另一方法[35,108]利用节点间拉普拉斯扩散概念[109,110]，通过实时检测多尺度结构实现顶点和边的粗粒化，最终重整化网络上的动力学模型。该框架可建立直观的实空间版本，类似于统计物理中的Migdal-Kadanoff重整化群方法[111,112]，同时遵循Wilson重整化群思想[113]建立严格的对偶空间或k空间表述，两种表述均通过迭代粗粒化网络，在大尺度范围内保持扩散动力学性质。+
→拉普拉斯网络重整化
== 拉普拉斯网络重整化 ==
== 拉普拉斯网络重整化 ==
几何重整化与几何分支生长模型的结合能够实现全尺度的网络自上而下的多尺度展开。其应用包括多尺度方法的设计，如提升单尺度方法性能的多尺度导航[68]。通过几何重整化方法可很方便地生成保持连接密度等统计特性的真实网络缩放副本[68,69]。这些副本能为研究真实网络中的尺寸依赖现象提供支持，在以下方面具有重要应用前景：探究尺寸诱导的随机共振效应、通过有限尺度标度技术分析临界行为[69](图1e)，以及对计算密集型过程进行高保真模拟的模型降阶。
=== 将拉普拉斯扩散视为近邻检测 ===
=== 将拉普拉斯扩散视为近邻检测 ===