编辑“︁并行图算法”︁（章节）

== 核心算法示例 ==  

=== 并行广度优先搜索 (BFS) ===  
BFS的并行化通过同时处理当前层的所有节点实现：  

<mermaid>  
graph TD  
    A((A)) --> B((B))  
    A --> C((C))  
    B --> D((D))  
    C --> D  
    D --> E((E))  
    style A fill:#f9f  
    style B fill:#9f9  
    style C fill:#9f9  
    style D fill:#99f  
</mermaid>  

* 第1步：并行处理A的邻居B、C  
* 第2步：并行处理B、C的邻居D  

<syntaxhighlight lang="python">  
# Python伪代码（基于multiprocessing）  
from multiprocessing import Pool  

def process_node(node):  
    return [neighbor for neighbor in node.neighbors]  

def parallel_bfs(start):  
    visited = set([start])  
    current_level = [start]  
    with Pool() as p:  
        while current_level:  
            next_level = p.map(process_node, current_level)  
            current_level = list(set(sum(next_level, [])) - visited)  
            visited.update(current_level)  
</syntaxhighlight>  

=== 并行PageRank ===  
PageRank的并行实现通过分块矩阵乘法：  

<math>  
PR(u) = \frac{1-d}{N} + d \sum_{v \in B_u} \frac{PR(v)}{L(v)}  
</math>  

其中：  
* <math>d</math>为阻尼系数  
* <math>L(v)</math>是节点v的出度  

<syntaxhighlight lang="java">  
// Java伪代码（基于Spark GraphX）  
Graph<VD, ED> graph = ... // 输入图  
VertexRDD<Double> ranks = graph.staticPageRank(10, 0.15)  
ranks.foreach(vertex -> {  
    System.out.println(vertex.id() + ": " + vertex.value());  
});  
</syntaxhighlight>