97
个编辑
更改
跳到导航
跳到搜索
第319行：
第319行： − − [[文件:网络节点边权合并示意图.png|缩略图|图3：HON计算规则]] 第334行：
第332行： + + 第354行：
第354行： +
→Lumpable Partition粗粒化的一致性Consistency
\end{aligned}
\end{aligned}
</math>
</math>
然后，我们来简单介绍一下的构建宏观HON转移概率矩阵的计算方法。
然后，我们来简单介绍一下的构建宏观HON转移概率矩阵的计算方法。
待合并节点<math>S</math>的出流的计算方式都不一样，如图3所示。
待合并节点<math>S</math>的出流的计算方式都不一样，如图3所示。
[[文件:网络节点边权合并示意图.png|替代=|411x411像素]]
'''但是'''，我们可以注意到，这三种计算方式都是待合并节点<math>S</math>中的各节点的出流的<math>W_i^{out}</math>加权，而我们知道，lumpability的特性决定了，群组里的各节点到其他群组的出流<math>W_i^{out}</math>都是一样的，对相同的<math>W_i^{out}</math>做任意加权平均的结果都等于<math>W_i^{out}</math>。也就是说，任意的加权方法对于lumpable partition来说都能得出相同的结果。
'''但是'''，我们可以注意到，这三种计算方式都是待合并节点<math>S</math>中的各节点的出流的<math>W_i^{out}</math>加权，而我们知道，lumpability的特性决定了，群组里的各节点到其他群组的出流<math>W_i^{out}</math>都是一样的，对相同的<math>W_i^{out}</math>做任意加权平均的结果都等于<math>W_i^{out}</math>。也就是说，任意的加权方法对于lumpable partition来说都能得出相同的结果。
实验发现，对不同节点规模以及参数下的微观网络，使用HON粗粒化后的宏观网络的不一致性随着迭代步数的增加都会收敛到0。这说明，HON构建的宏观网络和微观网络是保持一致的。回到上面的推断，我们就能得出，根据lumpable partition而做的粗粒化，构建的和宏观网络和微观网络也是保持一致的。
实验发现，对不同节点规模以及参数下的微观网络，使用HON粗粒化后的宏观网络的不一致性随着迭代步数的增加都会收敛到0。这说明，HON构建的宏观网络和微观网络是保持一致的。回到上面的推断，我们就能得出，根据lumpable partition而做的粗粒化，构建的和宏观网络和微观网络也是保持一致的。
==基于Lumpability的粗粒化方法（未给定lumpable partition的情况）==
==基于Lumpability的粗粒化方法（未给定lumpable partition的情况）==