के बजाय घटना मैट्रिक्स अधिक विस्तृत आसन्नता मैट्रिस के बजाय घटना मैट्रिक्स डेटा संरचनाओं का उपयोग करके हल करने के लिए ग्राफ पर किस तरह की समस्याएं तेज होती हैं (बड़ी-ओ के संदर्भ में)?आसन्नता मैट्रिक्स
उत्तर
संरचनाओं के अंतरिक्ष जटिलताओं हैं:
संलग्नता: हे (वी^2) घटना: हे (VE)
परिणाम यह है कि एक घटना संरचना स्थान की बचत होती है, तो वहाँ कई और अधिक कोने हैंकिनारों की तुलना में।
आप कुछ विशिष्ट ग्राफ आपरेशन के समय जटिलता देख सकते हैं: समायो: अगर दो ओ (VE)
चेक: हे (वी) इंक
सभी कोने एक शीर्ष के निकट का पता लगाएं कोने आसन्न हैं: समायो: हे (1) इंक: हे (ई)
गणना एक शीर्ष के संयोजक: समायो: हे (वी) इंक: हे (ई)
और इसी तरह। किसी दिए गए एल्गोरिदम के लिए, आप ऊपर की तरह बिल्डिंग ब्लॉक का उपयोग करके गणना कर सकते हैं कि कौन सा प्रतिनिधित्व आपको बेहतर समग्र जटिलता देता है।
अंतिम नोट के रूप में, किसी भी प्रकार के मैट्रिक्स का उपयोग करके सभी के लिए बेहद अंतरिक्ष-अक्षम है, लेकिन ग्राफ का सबसे घना है, और मैं तब तक उपयोग करने की सलाह देता हूं जब तक कि आपने जानबूझकर सूचियों जैसे विकल्पों को खारिज कर दिया हो।
मेरे पास लगभग हर-से-प्रत्येक कनेक्शन के साथ बहुत घने ग्राफ हैं। – psihodelia
स्पार्स मैट्रिक्स को कुशलतापूर्वक स्टोर करने के तरीके नहीं हैं? – CMCDragonkai
मुझे व्यक्तिगत रूप से किसी प्रोग्रामिंग प्रतियोगिता या शोध समस्या में घटना मैट्रिक्स प्रतिनिधित्व का असली एप्लिकेशन नहीं मिला है। मुझे लगता है कि कुछ प्रमेय साबित करने या कुछ विशेष समस्याओं के लिए उपयोगी हो सकता है। एक पुस्तक "स्पैनिंग पेड़ की संख्या को गिनने" का एक उदाहरण देती है जिसमें एक समस्या है जिसमें यह प्रतिनिधित्व उपयोगी है।
इस प्रतिनिधित्व के साथ एक और मुद्दा यह है कि इसे स्टोर करने का कोई मतलब नहीं है, क्योंकि किनारों की सूची से गतिशील रूप से गणना करने के लिए यह वास्तव में आसान है (दिए गए सेल का जवाब देने के लिए)।
हालांकि हाइपर-ग्राफ में यह अधिक उपयोगी प्रतीत हो सकता है, लेकिन केवल तभी घना है।
तो मेरी राय है - यह केवल सैद्धांतिक कार्यों के लिए उपयोगी है।
- 1. आसन्नता सूची
- 2. एक बड़े स्पैस मैट्रिक्स
- 3. मैट्रिक्स
- 4. मैट्रिक्स
- 5. मैट्रिक्स
- 6. मैट्रिक्स
- 7. मैट्रिक्स
- 8. मैट्रिक्स
- 9. मैट्रिक्स
- 10. मैट्रिक्स
- 11. मैट्रिक्स
- 12. मैट्रिक्स
- 13. मैट्रिक्स
- 14. मैट्रिक्स
- 15. मैट्रिक्स
- 16. मैट्रिक्स
- 17. मैट्रिक्स
- 18. मैट्रिक्स
- 19. मैट्रिक्स
- 20. ओपनसीवी मैट्रिक्स और इंट मैट्रिक्स
- 21. आसन्नता सूची से पेड़ बनाने का सबसे प्रभावी तरीका
- 22. एक एसक्यूएलकेमी आसन्नता सूची रिश्ते से पूरे पेड़ का निर्माण
- 23. विभिन्न मौलिक मैट्रिक्स एक ही प्रक्षेपण मैट्रिक्स
- 24. मैट्रिक्स ओपनसीवी
- 25. एक मैट्रिक्स
- 26. बड़े मैट्रिक्स
- 27. नई मैट्रिक्स
- 28. समानता मैट्रिक्स
- 29. मैट्रिक्स-द्वितीय
- 30. मैट्रिक्स कॉलम
मुझे विश्वास नहीं है कि अंतर्निहित प्रतिनिधित्व के आधार पर कम्प्यूटेशनल ऊपरी-बाउंड ढूंढना आसान है। अधिकांश एल्गोरिदमिक जटिलता किनारों या शिखरों के _number_ के संदर्भ में होगी, अंतर्निहित प्रतिनिधित्व नहीं। जटिलता पर कोई भी निचला बाध्य आवेदन करने जा रहा है चाहे वह पेंसिल और कागज या कंप्यूटर पर लागू हो। क्या आपको लगता है कि आपके मन में समस्याओं के विशिष्ट वर्ग हैं, तो शायद उनको जिक्र करें और हम इसे समझने की कोशिश कर सकते हैं? – Gian
घटना मैट्रिक्स एमएक्सएन है और आसन्नता मैट्रिक्स एनएक्सएन है यदि एन बहुत बड़ा है और आपका ग्राफ बहुत दुर्लभ है तो आपके पास एमएक्सएन <एनएक्सएन होगा। –