子图同构问题Ullmann 算法（二）

#目录索引

---

写在前面的话

以上的内容均出自这篇论文ullmann algorithm，所有的表述竟可能的和论文中的表述保持一致。 我要做的事情就是竟可能的讲的很清楚，尽可能的做到准确完备。

谨以此系列献给 my best love, grandpa~ 还有昆明宝石蓝的天空，2月的梨花，三月的樱花，10月的桂花，星光璀璨的星空陪我入梦乡，安静而又安抚人的环境，总是让我心很静，那些美好的事物总是想让我保持一颗干净温暖的内心。

要写点没有中国人写的，要搞点没有人做的事情才有意思，能做点推动中国计算机科学发展的事情，才有意义。老嚼别人吃过的东西，没有任何意义。不能推陈出新是件非常失败的事情。

这个世界是你们的，也是我的，终究还是我们的，这个世界不够完美不够好，一定是在等我们把它变美好！

还是那句话，focus on security! 认定好什么事情就要做到极致，做到很难被人超越。

---

---

#1.Ullmann算法的定义

1.1背景知识

对于图的同构问题，Ullmann 算法是一个简单的图同构算法，它采取的手段就是利用枚举找到子图同构。

这个算法的目的就是 对于一个给定的图Q，要找出在图G当中的和图Q同构的所有的子图。

用我们上一张的例子来说：

我们把左边的这个图叫做图A，右边的这个图叫做图B，那么我们要找出在图B中和图A同构的所有子图。

我们先找出几个看看。我们说过，子图同构就是根据点和边的关系，在另外一个图中找到对应的点，并且对应的点，边之间完全一样，就是存在相同的关联矩阵。

说明，我们考虑的还是不带标签的图，请忽略下面的A，B，C，D

当然我们举完全，你可以自己再看一下，但是绝对不像其他的博客当中说的只有两个，这是不对的。

Ullmann算法的基本思想我们在说一遍，就是要找到一个映射矩阵，然后找出这个映射矩阵对我们的图B做变换之后得到的矩阵中，只要图A的关联矩阵中数值为1的位置，对应的变换矩阵C也为1。

看不懂的看前一篇文章。

---

1.2 数学定义和描述

对于一个给定的图 $ G_{\alpha} = (V_{\alpha},E_{\alpha}) $ 和一个给定的图 $ G_{\beta}= (V_{\beta},E_{\beta}) $ ,我们的任务就是找出在$G_{\beta }$ 中和 $G_{\alpha }$ 同构的所有子图。 我们把在图
G α = ( V α , E α ) G_{\alpha} = (V_{\alpha},E_{\alpha}) Gα​=(Vα​,E