Graph 有向无环图中从源到目标的所有路径*长度*
我有一个带有邻接矩阵形状的图（Graph 有向无环图中从源到目标的所有路径*长度*,graph,networkx,igraph,depth-first-search,breadth-first-search,Graph,Networkx,Igraph,Depth First Search,Breadth First Search,我有一个带有邻接矩阵形状的图（adj_mat.shape=（40004000））。我当前的问题是找到从源（row=0）到目标（col=trans_mat.shape[0]-1）的路径长度列表（节点的顺序并不重要） 我对寻找路径序列不感兴趣；我只对传播路径长度感兴趣。因此，这与查找所有简单路径不同，后者速度太慢（即查找从源到目标的所有路径；然后对每条路径打分）。有没有一种有效的方法可以快速做到这一点 建议使用DFS。我当前的实施（如下）根本不是最优的： #创建图形 G=nx.from_numpy
adj_mat.shape=（40004000）row=0col=trans_mat.shape[0]-1建议使用DFS。我当前的实施（如下）根本不是最优的：
#创建图形
G=nx.from_numpy_矩阵（adj_mat，使用=nx.DiGraph（）创建_）
#初始化节点
对于G.nodes中的节点：
G.nodes[node]['cprob']=[]
#设置起始节点值
G.nodes[0]['cprob']=[0]
def prob（G，节点）：
#查找节点的传入边
前置程序=列表（G.前置程序（节点））
curr_node_arr=[]
对于前置程序中的上一个节点：
#获取传入的边权重
边缘权重=G.获取边缘数据（上一个节点，节点）['weight']
#获取前置节点值
如果len（G.nodes[prev_node]['cprob']）==0：
G.nodes[prev_node]['cprob']=传播_prob（G，prev_node）
prev_node_arr=G.nodes[prev_node]['cprob']
#将传入边权重添加到上一个节点arr
curr\u node\u arr=np.连接（[curr\u node\u arr，np.数组（边权重）+np.数组（上一个节点\u arr）]）
#更新当前节点阵列
G.nodes[node]['cprob']=curr\u node\u arr
返回G.nodes[node]['cprob']
#计算从源到接收器的所有路径长度
part_func=prob（G，4000）
igraphigraph导入igraph
#从邻接矩阵创建图形
G=igraph.Graph.adjacence（（trans\u mat\u pad>0.tolist（））
#添加边权重
G.es['weight']=trans_mat_pad[trans_mat_pad.nonzero（）]
#初始化节点
对于范围内的节点（横截面形状[0]）：
G.vs[node]['cprob']=[]
#设置起始节点值
G.vs[0]['cprob']=[0]
def传播探头（G、节点、传输垫）：
#查找节点的传入边
前置项=trans_mat_pad[：，node].nonzero（）[0]\G.get_adjlist（mode='IN'）[node]
curr_node_arr=[]
对于前置程序中的上一个节点：
#获取传入的边权重
边缘重量=传输材料垫[prev_node，node]#G.es[prev_node]['weight']
#获取前置节点值
如果len（G.vs[prev_node]['cprob']）==0：
curr\u node\u arr=np.连接（[curr\u node\u arr，np.数组（边权重）+传播\u prob（G，上一个节点，trans\u mat\u pad）]）
其他：
curr_node_arr=np.连接（[curr_node_arr，np.数组（边权重）+np.数组（G.vs[prev_node]['cprob']））
##注意：如果内存受限，请取消下面的注释
#设置最大大小
#如果长度（当前节点长度）>100：
#curr_node_arr=np.sort（curr_node_arr）[:100]
#更新当前节点阵列
G.vs[node]['cprob']=curr\u node\u arr
返回G.vs[node]['cprob']
#计算路径长度
路径长度=传播概率（G，横向材料垫。形状[0]-1，横向材料垫）
import networkx as nx
g = nx.DiGraph()
nx.add_path(g, range(7))
g.add_edge(0, 3)
g.add_edge(0, 5)
g.add_edge(1, 4)
g.add_edge(3, 6)
# first step retrieve topological sorting
sorted_nodes = nx.algorithms.topological_sort(g)
start = 0
target = 6
path_lengths = {start: [0]}
for node in sorted_nodes:
if node == target:
print(path_lengths[node])
break
if node not in path_lengths or g.out_degree(node) == 0:
continue
new_path_length = path_lengths[node]
new_path_length = [i + 1 for i in new_path_length]
for successor in g.successors(node):
if successor in path_lengths:
path_lengths[successor].extend(new_path_length)
else:
path_lengths[successor] = new_path_length.copy()
if node != target:
del path_lengths[node]
{2:2，4:3，6:1}我正在做的一些解释（我希望对更大的例子也有用）。第一步是检索拓扑排序。为什么？然后我知道边的流向，我可以简单地按顺序处理节点，而不会像递归变量那样“丢失任何边”或“回溯”。然后，我用一个包含当前路径长度的列表初始化开始节点（
[0]path\u length目标