Laplacian Matrix

在数学的图论中，Laplacian Matrix 是用矩阵表示一个图。例如，它可以用来计算一个给定图的生成树（spanning trees）的数量

定义

给定一个简单的图 $G$ 含有 $n$ 个节点，它的 Laplacian Matrix
记为 $L_{n \times n}$ 满足

$$L=D-A$$
其中 $D$ 是度数矩阵 degree matrix， $A$ 是邻接矩阵 adjacency matrix。
对有向图来说，入度或者出度都可以，看具体应用场景。

$L$ 中的元素按如下给定：

$$\begin{eqnarray} L_{i,j} := \begin{cases} \mathrm{deg(v_i)} & \mathrm{if\ } i=j \\ -1 & \mathrm{if\ } i\neq j \mathrm{\ and\ } v_i \mathrm{\ is\ adjacent\ to\ }v_j\\ 0 & \mathrm{otherwise} \end{cases} \end{eqnarray}$$
其中$\mathrm{deg}(v_i)$是节点的度数

Symmetric normalized Laplacian matrix 定义如下

$$L^{\mathrm{sym}} := D^{-1/2}LD^{-1/2}=I-D^{-1/2}AD^{-1/2}$$

$L^{\mathrm{sym}}$ 中的元素按如下给定：

$$\begin{eqnarray} L_{i,j}^{\mathrm{sym}} := \begin{cases} 1 & \mathrm{if\ } i=j \mathrm{\ and\ deg}(v_i)\neq0 \\ -\frac{1}{\sqrt{\mathrm{deg}(v_i)\mathrm{deg}(v_j)}} & \mathrm{if\ } i\neq j \mathrm{\ and\ } v_i \mathrm{\ is\ adjacent\ to\ }v_j\\ 0 & \mathrm{otherwise} \end{cases} \end{eqnarray}$$

Random-walk normalized Laplacian matrix 定义如下

$$L^{\mathrm{rw}} := D^{-1}L=I-D^{-1}A$$

$L^{\mathrm{rw}}$ 中的元素按如下给定：

$$\begin{eqnarray} L_{i,j}^{\mathrm{rw}} := \begin{cases} 1 & \mathrm{if\ } i=j \mathrm{\ and\ deg}(v_i)\neq0 \\ -\frac{1}{\mathrm{deg}(v_i)} & \mathrm{if\ } i\neq j \mathrm{\ and\ } v_i \mathrm{\ is\ adjacent\ to\ }v_j\\ 0 & \mathrm{otherwise} \end{cases} \end{eqnarray}$$

对无向图$G$ 来说，它的 Laplacian 矩阵 $L$有特征值 $\lambda _0 \leq \lambda _1 \leq \lambda _2...\leq \lambda _{n-1}$
矩阵是对称的…

维基百科