更新日志
========

本文档记录 PyNetIM 项目的所有重要变更。

格式基于 `Keep a Changelog <https://keepachangelog.com/>`_。

[0.4.5] - 2026-04-04
------------------------

新增
~~~~

**SI 和 SIR 扩散模型 (C++ 后端)**:

* 新增 ``SusceptibleInfectedModel`` - SI 传播模型
* 新增 ``SusceptibleInfectedRecoveredModel`` - SIR 传播模型
* 支持参数设置：``beta``（感染概率）、``gamma``（恢复概率）、``max_steps``（最大步数）
* 支持单次模拟和 Monte Carlo 多轮模拟
* 支持多线程并行模拟
* 支持激活节点记录和激活频率记录

**Graph 构造函数支持统一权重**:

* ``IMGraphCpp(num_nodes, edges, weights=1.0)`` - 默认所有边权重为 1.0
* ``IMGraphCpp(num_nodes, edges, 0.3)`` - 所有边使用统一权重 0.3
* ``IMGraphCpp(num_nodes, edges, [0.1, 0.2, ...])`` - 每条边使用各自的权重

API 更新
~~~~~~~~

**SusceptibleInfectedModel**:

* 构造函数：``SusceptibleInfectedModel(graph, seeds, beta=0.1, max_steps=100, record_activated=False, record_activation_frequency=False)``
* ``set_beta(beta: float)`` - 设置感染概率
* ``set_max_steps(max_steps: int)`` - 设置最大传播步数
* ``run_single_simulation(seed=None) -> int`` - 单次模拟
* ``run_monte_carlo_diffusion(rounds, seed=None, use_multithread=False, num_threads=0) -> float`` - Monte Carlo 模拟
* ``get_activated_nodes() -> Set[int]`` - 获取激活节点集合
* ``get_activation_frequency() -> List[int]`` - 获取激活频率

**SusceptibleInfectedRecoveredModel**:

* 构造函数：``SusceptibleInfectedRecoveredModel(graph, seeds, beta=0.1, gamma=0.1, record_activated=False, record_activation_frequency=False)``
* ``set_beta(beta: float)`` - 设置感染概率
* ``set_gamma(gamma: float)`` - 设置恢复概率
* ``run_single_simulation(seed=None) -> int`` - 单次模拟
* ``run_monte_carlo_diffusion(rounds, seed=None, use_multithread=False, num_threads=0) -> float`` - Monte Carlo 模拟
* ``get_activated_nodes() -> Set[int]`` - 获取激活节点集合
* ``get_activation_frequency() -> List[int]`` - 获取激活频率

**IMGraphCpp**:

* ``weights`` 参数现在支持 ``float`` 类型，表示所有边使用统一权重

代码重构
~~~~~~~~

**扩散模型文件分离**:

* 将扩散模型从单一文件分离到独立文件
* ``independent_cascade.h`` - IC 模型
* ``linear_threshold.h`` - LT 模型
* ``susceptible_infected.h`` - SI 模型
* ``susceptible_infected_recovered.h`` - SIR 模型
* ``common.h`` - 共享代码（ObjectPool、RNG 工具函数）

测试
~~~~

**新增完整测试覆盖**:

* ``test_ic_model.py`` - IC 模型完整测试
* ``test_lt_model.py`` - LT 模型完整测试
* ``test_si_model.py`` - SI 模型完整测试
* ``test_sir_model.py`` - SIR 模型完整测试
* 单线程和多线程结果一致性验证通过
* 参数验证测试通过（beta、gamma 范围检查）

技术细节
~~~~~~~~

**修改文件**:

* ``src/pynetim/cpp/include/common.h`` - 共享工具代码
* ``src/pynetim/cpp/include/independent_cascade.h`` - IC 模型
* ``src/pynetim/cpp/include/linear_threshold.h`` - LT 模型
* ``src/pynetim/cpp/include/susceptible_infected.h`` - SI 模型
* ``src/pynetim/cpp/include/susceptible_infected_recovered.h`` - SIR 模型
* ``src/pynetim/cpp/include/diffusion_model.h`` - 主头文件
* ``src/pynetim/cpp/bindings/si_bind.cpp`` - SI 模型绑定
* ``src/pynetim/cpp/bindings/sir_bind.cpp`` - SIR 模型绑定
* ``src/pynetim/cpp/include/Graph.h`` - Graph 类统一权重支持
* ``src/pynetim/cpp/bindings/graph_bind.cpp`` - Graph 绑定更新

**实现细节**:

* SI 模型：每个时间步，感染节点以概率 beta 尝试感染邻居
* SIR 模型：在 SI 基础上，感染节点每步以概率 gamma 恢复
* 参数验证：beta、gamma ∈ (0, 1]，max_steps > 0
* 多线程种子预生成策略确保单线程和多线程结果完全一致

使用示例
~~~~~~~~

.. code-block:: python

    import pynetim.cpp.graph as im_graph
    import pynetim.cpp.diffusion_model as diffusion_model

    # 创建图（统一权重）
    graph = im_graph.IMGraphCpp(100, [(i, i+1) for i in range(99)], 0.3)
    seeds = {0}

    # SI 模型
    si = diffusion_model.SusceptibleInfectedModel(graph, seeds, beta=0.3)
    avg = si.run_monte_carlo_diffusion(1000, seed=42)
    print(f"SI 平均感染节点数: {avg:.2f}")

    # SIR 模型
    sir = diffusion_model.SusceptibleInfectedRecoveredModel(graph, seeds, beta=0.3, gamma=0.1)
    avg = sir.run_monte_carlo_diffusion(1000, seed=42)
    print(f"SIR 平均感染节点数: {avg:.2f}")

    # 多线程模拟
    avg = sir.run_monte_carlo_diffusion(10000, seed=42, use_multithread=True)
    print(f"多线程 SIR 平均感染节点数: {avg:.2f}")

    # 记录激活节点
    sir = diffusion_model.SusceptibleInfectedRecoveredModel(
        graph, seeds, beta=0.3, gamma=0.1, record_activated=True
    )
    count = sir.run_single_simulation(seed=42)
    activated = sir.get_activated_nodes()
    print(f"激活节点: {activated}")

[0.4.4] - 2026-03-30
------------------------

新增
~~~~

**分离模拟执行和结果获取**:

* ``run_single_simulation()`` 现在只返回激活节点数量（``int``），不再返回节点集合
* 新增 ``get_activated_nodes()`` 方法，专门用于获取记录的激活节点集合
* 只有在 ``record_activated=True`` 时，``get_activated_nodes()`` 才返回有效数据
* 当 ``record_activated=False`` 时，``get_activated_nodes()`` 返回空集合

**多轮模拟记录激活节点并集**:

* ``run_monte_carlo_diffusion()`` 现在支持记录所有试验的激活节点并集
* 当 ``record_activated=True`` 时，``get_activated_nodes()`` 返回所有试验中被激活过的节点（并集）
* 对于单次模拟：返回该次模拟的激活节点集合
* 对于 Monte Carlo 模拟：返回所有试验的激活节点并集

**激活频率记录功能**:

* 新增 ``record_activation_frequency`` 参数（默认为 ``false``），用于控制是否记录每个节点的激活频率
* 新增 ``set_record_activation_frequency(record)`` 方法，可在运行时动态开启/关闭记录功能
* 新增 ``get_activation_frequency()`` 方法，返回每个节点被激活的次数
* 只有在 ``record_activation_frequency=True`` 时，``get_activation_frequency()`` 才返回有效数据
* 当 ``record_activation_frequency=False`` 时，``get_activation_frequency()`` 返回全 0 的列表
* 可以同时开启 ``record_activated`` 和 ``record_activation_frequency``，记录两种数据

API 更新
~~~~~~~~

**IndependentCascadeModel**:

* ``run_single_simulation()`` 的返回值从 ``Set[int]`` 改为 ``int``（激活节点数量）
* 新增 ``get_activated_nodes() -> Set[int]`` 方法，用于获取记录的激活节点集合
* 新增 ``get_activation_frequency() -> List[int]`` 方法，用于获取每个节点的激活频率
* 新增 ``set_record_activation_frequency(record: bool)`` 方法，用于动态开启/关闭激活频率记录
* ``run_single_simulation()`` 的 ``seed`` 参数类型从 ``int`` 改为 ``int | None``，默认值从 ``0`` 改为 ``None``
* ``run_monte_carlo_diffusion()`` 的 ``seed`` 参数类型从 ``int`` 改为 ``int | None``，默认值从 ``0`` 改为 ``None``
* 构造函数新增 ``record_activation_frequency`` 参数（默认为 ``false``）

**LinearThresholdModel**:

* ``run_single_simulation()`` 的返回值从 ``Set[int]`` 改为 ``int``（激活节点数量）
* 新增 ``get_activated_nodes() -> Set[int]`` 方法，用于获取记录的激活节点集合
* 新增 ``get_activation_frequency() -> List[int]`` 方法，用于获取每个节点的激活频率
* 新增 ``set_record_activation_frequency(record: bool)`` 方法，用于动态开启/关闭激活频率记录
* ``run_single_simulation()`` 的 ``seed`` 参数类型从 ``int`` 改为 ``int | None``，默认值从 ``0`` 改为 ``None``
* ``run_monte_carlo_diffusion()`` 的 ``seed`` 参数类型从 ``int`` 改为 ``int | None``，默认值从 ``0`` 改为 ``None``
* 构造函数新增 ``record_activation_frequency`` 参数（默认为 ``false``）

优化
~~~~

**改进随机种子生成机制**:

* ``run_single_simulation()`` 和 ``run_monte_carlo_diffusion()`` 方法现在都支持 ``seed=None`` 参数
* 当 ``seed=None`` 时，使用多个 ``std::random_device`` 值的组合来增强随机性
* 当 ``seed=固定值`` 时，使用固定种子，确保模拟结果可重现
* 改进后的随机种子生成方式解决了在某些平台（虚拟环境、容器）上 ``std::random_device`` 返回相同值的问题
* 使用 ``std::seed_seq`` 和多个随机值组合，确保每次调用都能得到不同的结果

**多线程随机种子一致性**:

* ``run_monte_carlo_diffusion()`` 采用种子预生成策略
* 在开始任何模拟之前，使用主随机数生成器预生成所有试验的种子
* 每个试验使用独立的种子，确保单线程和多线程结果完全一致
* 多线程只是改变了试验的执行顺序和并行度，但没有改变每个试验使用的随机数序列

修复
~~~~

**修复 ``set_record_activated()`` 的清空逻辑**:

* 当 ``set_record_activated(False)`` 被调用时，现在会清空 ``last_activated_nodes``
* 避免了返回过期的激活节点数据
* 确保当 ``record_activated=False`` 时，``get_activated_nodes()`` 总是返回空集合

**修复 ``set_record_activation_frequency()`` 的清空逻辑**:

* 当 ``set_record_activation_frequency(False)`` 被调用时，现在会清空 ``activation_frequency``
* 避免了返回过期的激活频率数据
* 确保当 ``record_activation_frequency=False`` 时，``get_activation_frequency()`` 总是返回全 0 的列表

测试
~~~~

**新增功能验证测试**:

* IC 模型单次模拟测试（简单链式图、星形图、低权重图）
* LT 模型单次模拟测试
* 多个种子节点测试
* ``record_activated=False`` 测试
* ``set_record_activated()`` 动态切换测试
* 多次调用 ``get_activated_nodes()`` 测试
* 无向图测试
* 随机种子功能测试
* 多轮模拟测试（单线程和多线程）
* 大规模模拟测试（10000 轮）
* ``record_activated`` 对多轮模拟性能影响测试
* 多轮模拟 vs 单次模拟对比测试
* 编译和运行测试全部通过

**测试结果**:

* 简单链式图 (权重=1.0): 激活节点数量=5, 激活节点集合={0, 1, 2, 3, 4} ✅
* 星形图 (权重=1.0): 激活节点数量=5, 激活节点集合={0, 1, 2, 3, 4} ✅
* 低权重图 (权重=0.01): 激活节点数量=1, 激活节点集合={0} ✅
* 多个种子节点: 激活节点数量=6, 激活节点集合={0, 1, 2, 3, 4, 5} ✅
* record_activated=False: 返回激活节点数量，不记录节点集合 ✅
* record_activated=True: 返回激活节点数量，记录节点集合 ✅
* 动态切换 record_activated: 正确清空和记录节点集合 ✅
* 多次调用 get_activated_nodes(): 返回相同的集合 ✅
* 无向图: 正确处理无向图的传播 ✅
* 随机种子 (seed=None): 每次模拟结果可能不同 ✅
* 固定种子 (seed=42): 多次模拟结果完全相同 ✅
* 单线程和多线程: 多轮模拟结果完全一致（差异 < 1e-10）✅
* 固定种子可重现性: 3次运行结果完全相同 ✅
* record_activated 影响: 不影响多轮模拟结果（差异 = 0.0000）✅
* 大规模模拟: 10000 轮模拟稳定运行 ✅

技术细节
~~~~~~~~

**修改文件**:

* ``src/pynetim/cpp/include/diffusion_model.h`` - 添加核心功能实现、改进随机种子生成、修复清空逻辑
* ``src/pynetim/cpp/bindings/ic_bind.cpp`` - IC 模型 Python 绑定，更新 API 文档
* ``src/pynetim/cpp/bindings/lt_bind.cpp`` - LT 模型 Python 绑定，更新 API 文档
* ``src/pynetim/cpp/diffusion_model/independent_cascade_model.pyi`` - 类型提示
* ``src/pynetim/cpp/diffusion_model/linear_threshold_model.pyi`` - 类型提示

**实现细节**:

* ``run_single_trial`` 方法新增 ``activated_nodes`` 参数，用于记录激活节点
* 添加 ``last_activated_nodes`` 成员变量（``mutable std::set<int>``），存储最后一次模拟的激活节点
* 当 ``record_activated`` 为 ``true`` 时，遍历所有节点收集激活的节点到 ``last_activated_nodes``
* 当 ``record_activated`` 为 ``false`` 时，不收集激活节点，``last_activated_nodes`` 保持为空
* ``run_single_simulation()`` 返回激活节点数量（``int``），不再返回节点集合
* 新增 ``get_activated_nodes()`` 方法，返回 ``last_activated_nodes`` 的副本
* ``set_record_activated()`` 方法在设置为 ``false`` 时清空 ``last_activated_nodes``
* 使用独立的随机数生成器确保每次模拟的独立性
* 保持向后兼容性，``record_activated`` 默认为 ``false``
* 随机种子生成改进：
  使用多个 ``std::random_device`` 值和 ``std::seed_seq`` 组合
* 多线程种子预生成策略：
  在开始任何模拟之前，使用主随机数生成器预生成所有试验的种子
* Python 绑定层检测 ``seed`` 参数是否为 ``None``，自动转换为 ``use_random_seed`` 标志
* ``record_activated`` 参数不影响 ``run_monte_carlo_diffusion()`` 的性能和结果
* 多线程模式下，每个线程使用独立的随机数生成器，确保线程安全和结果一致性

使用示例
~~~~~~~~

.. code-block:: python

    # IC 模型
    from pynetim.cpp.diffusion_model import IndependentCascadeModel

    # 不记录激活节点（默认）
    ic_model = IndependentCascadeModel(graph, seeds)
    count = ic_model.run_single_simulation()  # 随机种子
    print(f"激活节点数量: {count}")

    # 记录激活节点
    ic_model = IndependentCascadeModel(graph, seeds, record_activated=True)
    count = ic_model.run_single_simulation(seed=42)  # 固定种子
    activated_nodes = ic_model.get_activated_nodes()
    print(f"激活节点数量: {count}")
    print(f"激活的节点: {activated_nodes}")

    # 动态切换记录
    ic_model.set_record_activated(True)
    count = ic_model.run_single_simulation()
    activated_nodes = ic_model.get_activated_nodes()

    ic_model.set_record_activated(False)
    count = ic_model.run_single_simulation()
    activated_nodes = ic_model.get_activated_nodes()  # 空集合

    # LT 模型
    from pynetim.cpp.diffusion_model import LinearThresholdModel

    lt_model = LinearThresholdModel(graph, seeds, theta_l=0.0, theta_h=1.0, record_activated=True)
    count = lt_model.run_single_simulation()  # 随机种子
    activated_nodes = lt_model.get_activated_nodes()
    print(f"激活节点数量: {count}")
    print(f"激活的节点: {activated_nodes}")

    # 多轮模拟
    avg_count = ic_model.run_monte_carlo_diffusion(1000)  # 随机种子
    print(f"平均激活节点数: {avg_count:.2f}")

    avg_count = ic_model.run_monte_carlo_diffusion(1000, seed=42)  # 固定种子
    print(f"平均激活节点数: {avg_count:.2f}")

    # 多线程多轮模拟
    avg_count = ic_model.run_monte_carlo_diffusion(1000, seed=42, use_multithread=True, num_threads=4)
    print(f"平均激活节点数: {avg_count:.2f}")

    # 激活频率记录
    ic_model = IndependentCascadeModel(graph, seeds, record_activation_frequency=True)
    avg_count = ic_model.run_monte_carlo_diffusion(1000, seed=42)
    freq = ic_model.get_activation_frequency()
    print(f"节点激活频率: {freq}")

    # 同时记录激活节点和频率
    ic_model = IndependentCascadeModel(graph, seeds, record_activated=True, record_activation_frequency=True)
    avg_count = ic_model.run_monte_carlo_diffusion(1000, seed=42)
    activated_nodes = ic_model.get_activated_nodes()  # 所有试验的激活节点并集
    freq = ic_model.get_activation_frequency()  # 每个节点的激活次数
    print(f"所有试验中被激活过的节点: {activated_nodes}")
    print(f"节点激活频率: {freq}")

[0.4.3] - 2026-03-30
------------------------

新增
~~~~

**IC 和 LT 模型新增激活节点记录功能**:

* 添加 ``record_activated`` 参数（默认为 ``false``），用于控制是否记录种子集激活的节点
* 添加 ``set_record_activated(record)`` 方法，可在运行时动态开启/关闭记录功能
* 添加 ``run_single_simulation(seed=0)`` 方法，用于单次独立传播模拟
* 每次调用 ``run_single_simulation`` 都会进行一次独立的传播模拟，从种子集出发，返回该次模拟中被激活的所有节点
* 支持通过不同的 ``seed`` 参数进行多次独立的模拟实验

API 更新
~~~~~~~~

**IndependentCascadeModel**:

* 构造函数新增 ``record_activated`` 参数
* 新增 ``set_record_activated(record: bool)`` 方法
* 新增 ``run_single_simulation(seed: int = 0) -> Set[int]`` 方法

**LinearThresholdModel**:

* 构造函数新增 ``record_activated`` 参数
* 新增 ``set_record_activated(record: bool)`` 方法
* 新增 ``run_single_simulation(seed: int = 0) -> Set[int]`` 方法

测试
~~~~

**新增功能验证测试**:

* IC 模型单次模拟测试
* LT 模型单次模拟测试
* 多次独立模拟测试（使用不同 seed）
* ``set_record_activated`` 动态切换测试
* 编译和运行测试全部通过

技术细节
~~~~~~~~

**修改文件**:

* ``src/pynetim/cpp/include/diffusion_model.h`` - 添加核心功能实现
* ``src/pynetim/cpp/bindings/ic_bind.cpp`` - IC 模型 Python 绑定
* ``src/pynetim/cpp/bindings/lt_bind.cpp`` - LT 模型 Python 绑定
* ``src/pynetim/cpp/diffusion_model/independent_cascade_model.pyi`` - 类型提示
* ``src/pynetim/cpp/diffusion_model/linear_threshold_model.pyi`` - 类型提示

**实现细节**:

* ``run_single_trial`` 方法新增 ``activated_nodes`` 参数，用于记录激活节点
* 当 ``record_activated`` 为 ``true`` 时，遍历所有节点收集激活的节点
* 使用独立的随机数生成器确保每次模拟的独立性
* 保持向后兼容性，``record_activated`` 默认为 ``false``

使用示例
~~~~~~~~

.. code-block:: python

    # IC 模型
    from pynetim.cpp.diffusion_model import IndependentCascadeModel

    ic_model = IndependentCascadeModel(graph, seeds, record_activated=True)
    activated_nodes = ic_model.run_single_simulation(seed=42)
    print(f"激活的节点: {activated_nodes}")

    # LT 模型
    from pynetim.cpp.diffusion_model import LinearThresholdModel

    lt_model = LinearThresholdModel(graph, seeds, theta_l=0.0, theta_h=1.0, record_activated=True)
    activated_nodes = lt_model.run_single_simulation(seed=42)
    print(f"激活的节点: {activated_nodes}")

    # 动态开启/关闭记录
    ic_model.set_record_activated(True)

[0.4.2] - 2026-03-24
------------------------

修复
~~~~

**C++ 扩展线程安全修复**:

* 修复 ``IndependentCascadeModel`` 和 ``LinearThresholdModel`` 在多线程模式下的线程安全问题
* 通过参数传递替代直接访问成员变量 ``seeds``，消除跨线程共享 ``std::set`` 的状态
* 解决了与 PyTorch 等多线程库结合使用时的 segmentation fault 问题
* 经过严格测试：5000 次迭代、8 线程并发、10 图并发均稳定运行
* 单线程和多线程结果完全一致，确保正确性

测试
~~~~

**新增严格验证测试**:

* 单线程/多线程一致性测试
* 长时间多线程压力测试 (2000 次迭代)
* 多线程并发访问测试 (8 线程)
* 多图并发处理测试 (10 个图)
* 极限压力测试 (5000 次迭代)

[0.4.0] - 2026-03-23
------------------------

新增
~~~~

* **C++ 图支持**: 为所有工具函数添加了对 ``IMGraphCpp``（C++ 图）的完整支持

  - ``set_edge_weight()`` - 支持 C++ 图的边权重设置
  - ``infection_threshold()`` - 支持 C++ 图的感染阈值计算
  - ``graph_statistics()`` - 支持 C++ 图的统计信息计算
  - ``graph_density()`` - 支持 C++ 图的密度计算
  - ``connectivity_analysis()`` - 支持 C++ 图的连通性分析

优化
~~~~

**性能优化**:

* ``infection_threshold()`` - 避免重复计算度字典
* ``graph_statistics()`` - 使用 ``Counter`` 替代手动循环统计度分布
* ``connectivity_analysis()`` - 合并有向图和无向图的分支逻辑，消除重复代码
* ``graph_density()`` - 修复整数除法问题，确保返回浮点数

**代码质量**:

* 删除无用的 ``TYPE_CHECKING`` 代码块
* 统一函数签名，支持多种图类型
* 优化导入语句，添加缺失的 ``networkx`` 模块

修复
~~~~

**Bug 修复**:

* 修复 ``utils.py`` 中缺失的 ``import networkx as nx`` 导入
* 修复 ``graph_density()`` 函数中的整数除法 ``// 2`` 导致的精度丢失
* 修复 ``infection_threshold()`` 函数中重复调用 ``dict(graph.degree())`` 的性能问题

文档
~~~~

**学术参考文献**: 为所有主要模型和算法添加了学术参考文献

**传播模型**:

* Linear Threshold Model - Granovetter (1978)
* Independent Cascade Model - Kempe et al. (2003)
* SIR Model - Kermack & McKendrick (1927)
* SI Model - Kermack & McKendrick (1927)

**影响力最大化算法**:

* Degree Discount Algorithm - Chen et al. (2009)
* Reverse Influence Sampling (RIS) - Borgs et al. (2014)
* IMM Algorithm - Tang et al. (2015)

**工具函数**:

* ``infection_threshold()`` - Pastor-Satorras & Vespignani (2001, 2015)

**新增文档**:

* ``UTILS_OPTIMIZATION_SUMMARY.md`` - utils.py 优化总结
* ``OPTIMIZATION_SUMMARY.md`` - C++ 模块优化总结
* ``REFERENCES_DOCUMENTATION.md`` - 参考文献添加文档
* ``CHANGELOG.md`` - 本更新日志

兼容性
~~~~~~

**向后兼容**: 所有修改都保持了向后兼容性

* NetworkX 图的使用方式完全不变
* 新增的 C++ 图支持是可选的
* 函数签名使用 ``Union`` 类型，支持两种图类型

技术细节
~~~~~~~~

* **图类型检测**: 使用 ``hasattr(graph, 'num_nodes') and hasattr(graph, 'directed')`` 检测 C++ 图
* **类型注解**: 使用 ``TYPE_CHECKING`` 避免循环导入 ``IMGraphCpp``
* **统一接口**: NetworkX 图和 C++ 图使用相同的函数接口

[0.3.0] - 2025-XX-XX
------------------------

新增
~~~~

* 初始版本发布
* 实现了多种影响力最大化算法
* 实现了多种传播模型
* 提供了 Python 和 C++ 双实现

版本说明
========

PyNetIM 遵循 `语义化版本控制 <https://semver.org/>`_ (Semantic Versioning)：

* **主版本号 (MAJOR)**: 不兼容的 API 修改
* **次版本号 (MINOR)**: 向下兼容的功能性新增
* **修订号 (PATCH)**: 向下兼容的问题修正

版本类型
--------

* **主版本更新**: 重大架构变更、API 不兼容
* **次版本更新**: 新增功能、性能优化
* **修订版本更新**: Bug 修复、文档更新

更新分类
--------

功能新增
~~~~~~~~

* 新的算法实现
* 新的传播模型
* 新的图操作功能

性能优化
~~~~~~~~

* 算法效率提升
* 内存使用优化
* 计算速度提升

Bug 修复
~~~~~~~~

* 代码错误修复
* 边界情况处理
* 兼容性问题修复

文档改进
~~~~~~~~

* API 文档更新
* 示例代码更新
* 学术参考文献添加

内部改进
~~~~~~~~

* 代码重构
* 测试覆盖提升
* 构建流程优化

贡献指南
========

如果您想为 PyNetIM 做出贡献，请：

1. Fork 本仓库
2. 创建特性分支 (``git checkout -b feature/AmazingFeature``)
3. 提交更改 (``git commit -m 'Add some AmazingFeature'``)
4. 推送到分支 (``git push origin feature/AmazingFeature``)
5. 开启 Pull Request

许可证
=======

本项目采用 MIT 许可证 - 详见 `LICENSE <../LICENSE>`_ 文件。

联系方式
========

* **作者**: Zhang Kaijing
* **项目主页**: https://zzzkhj.github.io/PyNetIM/
* **问题反馈**: `GitHub Issues <https://github.com/zzzkhj/PyNetIM/issues>`_

**最后更新**: 2026-04-04