Cтраница 1
![]() |
Представление двумерного массива в виде древовидной структуры.| Древовидная структура Лисп-программы ( CONS ( CAR X ( CDRX.| Конечное бинарное дерево. [1] |
Графовая структура представляет собой структуру наиболее общего вида. Рассмотренные выше списочные и древовидные структуры можно рассматривать как частный случай графовой структуры. [2]
Нетрудно заметить графовую структуру и в генеалогических таблицах, и в программах, составленных для вычислительных машин. Тот, кто исполнен веры в теорию графов, увидит графы в математике повсюду, ибо большая часть математики может быть описана на языке бинарных отношений. [3]
![]() |
Графовая структура.| Структура представления узлов и дуг графа. [4] |
Существуют различные способы представления графовой структуры в памяти ЭВМ. Например, в узлах и дугах графа, показанного на рис. 1.18, указаны конкретные значения данных. [5]
Выполнение операции соединения на графовой структуре G осуществляется последовательной обработкой ребер. Под обработкой каждого ребра и инцидентных ему вершин в G будем понимать материализацию пары записей ( считывание их в ОЗУ), которым соответствуют эти вершины, и выполнение над ними собственно функции операции. [6]
Тепловая схема также моделируется некоторой графовой структурой. Узлы графа соответствуют элементам тепловой схемы, дуги отражают технологические связи между элементами. При задании информации для ЭЦВМ о структуре графа узлы нумеруются в последовательности, которая в дальнейшем предопределяет общее направление расчета схемы. Связи, представляемые дугами, могут быть по одному или нескольким параметрам, что отражается кодами, записываемыми вручную на конкретном машинном языке. Узлы графа кодируются ЭЦВМ в зависимости от кодов дуг, инцидентных узлам. Математическое описание узлов осуществляется при помощи пяти операторов, вводимых в виде отдельных программ в память машины. В процессе расчета на основании анализа кодов узлов и дуг производится обращение к необходимому оператору. Поскольку при этом, естественно, приходится широко использовать логические операции, авторы методики сочли необходимым применить и тщательно отработать для этого случая аппарат логическо-числовых функций. [7]
Задачи синтеза оптимальных сетей могут иметь иную графовую структуру. Рассмотрим, например, задачу оптимального проектирования незакольцованных внутрипромысловых сетей энергоснабжения. [8]
Следующий этап логической оптимизации заключается в интерпретации графовых структур G3 в терминах унарных и бинарных операций. Унарной называют операцию, выполняемую на одном файле системы GF, результатом которой является список указателей на выборки или само множество выборок этого файла, удовлетворяющих ограничениям, заданным в селектирующем выражении и селектирующей связи, относящихся к данному файлу. [9]
![]() |
Однозначное представление мографом кортежа с двукратным вхождением одного объекта. [10] |
Мографовая модель данных не является простым сопоставлением графовой структуры реляционной модели данных, а существенно отличается от нее по нескольким пунктам, особенно при манипулировании данными, хотя и имеет много общего, так как тоже ориентируется на связь с исчислением предикатов. Объект есть некоторая существующая сама по себе сущность, выделимая из среды и отличимая от других сущностей. [11]
Первое утверждение следует из идентичности условий обеих задач за исключением требований к графовой структуре сети, а второе из того, что радиальный граф - частный случай дерева. [12]
Обратим внимание, что задача С4 формулируется идентично задаче С7 с точностью до графовой структуры допустимых сетей. [13]
Графовые модели определяют вероятностные зависимости, которые лежат в основе конкретной модели, использующей графовую структуру. Принципы работы с такими моделями изложены в статье Перла за 1988 г. и в более поздней работе Уиттекера. В своей простейшей форме модель определяет напрямую, какие переменные непосредственно зависят от других. Естественно, эти модели применимы для переменных с дискретными и категориальными значениями, но возможно и расширение для вещественных значений переменных в некоторых частных случаях. В задачах искусственного интеллекта данные модели были первоначально внедрены в рамках вероятностных экспертных систем, где структура модели и параметры ( условные вероятности, связанные с дугами графа) задавались экспертами. Критерии оценки модели базируются на байесовой форме. Первичные знания, такие как, например, частичное упорядочение переменных, базирующееся на причинных отношениях, могут быть очень полезными в сокращении пространства поиска для строящейся модели. [14]
Такое представление, адекватное матрице [ 2q x 2р ], удобно дать в графовых структурах специального вида. Имеются в виду древесные графы смежности [10], построенные по определенному алгоритму. Именно древесное представление следует признать более содержательным, т.к. становится явной вся картина отношений координации, причем без потери объектной компоненты. [15]