معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

High conductance rooted trees in relation graphs.

ویژگی	مقدار
سیستم عامل	-
نام فایل	depytrace-0.0.2
نام	depytrace
نسخه کتابخانه	0.0.2
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Emmanouil (Manios) Krasanakis
ایمیل نویسنده	maniospas@hotmail.com
آدرس صفحه اصلی	https://github.com/maniospas/depytrace
آدرس اینترنتی	https://pypi.org/project/depytrace/
مجوز	-

# depytrace This project provides an algorithm for fast extraction of high-conductance trees (called *core traces*) rooted on designated graph nodes. **License:** Apache Software License **Author:** Emmanouil (Manios) Krasanakis **Dependencies:** `networkx` (required) `pcst_fast` (optional) # Roadmap :x: Method ensemble. :x: Application for github project understanding. # Quickstart Install the library in your environment, for example per `pip install depytrace`. Then, create a `networkx` graph, select a root node and run the snippet: ```python import depytrace as dp graph, root = ... trace = dp.Core()(graph, root) print(dp.conductance(graph, trace)) ``` # Features * Near-linear running time with respect to the number of edges (doubling the edges, approximately doubles running time). * Provable *1+A* factor approximations of maximum conductance, where *A* tend to be small. * Extensibility to future breakthroughs on Steiner problems. # Customization Core trace extraction is actually an NP-complete problem. For this reason, solutions provided by this library are approximate and trade-off tightness for speed. In particular, solutions are found with an algorithm called *trace contraction*, which internally relies on iteratively solving an NP-complete problems called *ELOD maximization*. In turn, the latter can be translated to rooted Steiner tree problems. To accommodate future theoretical breakthroughs, the library allows setting up custom ELOD solvers, where tighter solvers translate to tighter theoretical bounds of the trace contraction algorithm. The dafault ELOD maximizer is a heuristic written in native Python and is chosen thanks to its cross-platform support. For systems that integrate the *gcc* compiler (e.g. Linux, Windows with mingw installed) you can also use a maximizer provided by the library that adjusts and depends on the [pcst_fast](https://github.com/fraenkel-lab/pcst_fast) Steiner tree solver. To use the related maximizer, just install the *pcst_fast* library (if *gcc* is properly set up, this should be as simple as `pip install pcst_fast`) and run the snipper: ```python import depytrace as dp graph, root = ... trace = dp.Core(dp.cleverRPCST)(graph, root) print(dp.conductance(graph, trace)) ```

نیازمندی

مقدار	نام
-	networkx

نحوه نصب

نصب پکیج whl depytrace-0.0.2:

pip install depytrace-0.0.2.whl

نصب پکیج tar.gz depytrace-0.0.2:

pip install depytrace-0.0.2.tar.gz