又要恶补图论知识了orz
图论和网络分析
- 如果一个图的所有节点都有 n-1 个相邻节点,则该图是完备的(complete)。也就是说所有节点都具备所有可能的连接方式。
- 从 i 到 j 的路径(path)是指从 i 到达 j 的边的序列。该路径的长度(length)等于所经过的边的数量。
- 图的直径(diameter)是指连接任意两个节点的所有最短路径中最长路径的长度。
- 测地路径(geodesic path)是指两个节点之间的最短路径。
- 如果所有节点都可通过某个路径连接到彼此,则它们构成一个连通分支(connected component)。如果一个图仅有一个连通分支,则该图是连通的(connected)。
- 如果一个图的边数量相比于节点数量较小,则该图是稀疏的(sparse)。相对地,如果节点之间的边非常多,则该图是密集的(dense)。
图可用于:复杂网络的管理和监控
社交网络分析?图分析?
随机图
在数学中,随机图是指由随机过程产生的图。
定义与模型
随机图的“随机”二字体现在边的分布上。一个随机图实际上是将给定的顶点之间随机地连上边。假设将一些纽扣散落在地上,并且不断随机地将两个纽扣之间系上一条线,这样就得到一个随机图的例子。边的产生可以依赖于不同的随机方式,这样就产生了不同的随机图模型。
一个典型的模型是埃尔德什和雷尼共同研究的ER模型。ER模型是指在给定n个顶点后,规定每两个顶点之间都有p的概率连起来(0⩽p⩽1),而且这些判定之间两两无关。这样得到的随机图一般记作Gnp或ERn§。
另一种随机图模型叫做内积模型。内积模型的机制是对每一个顶点指定一个实系数的向量,而两个顶点之间是否连接的概率则是它们的向量的内积的函数。
一般来说,可以定义任意两个顶点之间相连的概率,这个概率也被称为边概率。定义更广泛的随机图模型的方法是定义所谓的网络概率矩阵。这个矩阵的系数就是边概率,因此详细刻画了随机图的模型。
性质
随着边概率的不同,随机图可能会呈现不同的属性。
ER模型:埃尔德什与雷尼研究了当顶点数目 n 趋向于正无穷大时,ER随机图的性质与概率p 之间的关系。当 p 的值越过某些门槛时,ER随机图的性质会发生突然的改变。ER随机图的许多性质都是突然涌现的,比如说,当 p 的值小于某个特殊值之前,随机图具有某个性质的可能性等于0,但当 p 的值大于这个特殊值以后,随机图具有这个性质的可能性会突然变成1。
这就是所谓的sharp threshold。
举例来说,当概率 p 大于某个临界值 pc(n) 后,生成的随机图几乎必然是连通的(概率等于1)。也就是说,对于散落在地上的 n 个纽扣,如果你以这样的概率 p 将两个纽扣之间系上线,那么你拿起一颗纽扣时就几乎能带起所有的纽扣了。
ER随机图的度分布(转)
图着色问题 NP问题
给定无向连通图和m种不同的颜色。用这些颜色为图G的各顶点着色,每个顶点着一种颜色。
-
图的m可着色判定问题:是否有一种着色法使G中每条边的两个顶点有不同的颜色。
-
图的m可着色优化问题:若一个图最少需要m种颜色才能使图中每条边相连接的两个顶点着不同颜色,称这个数m为这个图的色数。求一个图的色数m。朴素的想法是用二分法求出所需要的最小颜色数,范围1~N,但是存在大量重复计算,复杂度过高。改进方法是在之前的DFS上加一维颜色数,一遍增加顶点数,一边增加颜色数,留下能够使得1 ~ N 定点都满足的最少的颜色数。
以分考场为例,如果每个房间都不行,新开房间给一个学生,否则就把这个学生放入每个可以放的房间,继续迭代,一旦当前方案需要的房间数大于目前最小的,就停止,否则一直执行知道找到一种放置方法。 -
图的m可着色扩展:给定一个图以及m种颜色,请计算出涂色方案数。回溯法:方法就是每个点先填个色,然后看是否和已上色的邻接点冲突,如果不冲突就继续给下一个点上色,否则回退。
k核心子图
定义
The k-core is the maximum subgraph in which the degree of every node is equal or larger than k.
G
=
(
V
,
L
)
G=(V, L)
G=(V,L)
H
k
=
(
W
,
L
∣
W
)
H_{k}=(W, L | W)
Hk=(W,L∣W) 子图
H
k
H_{k}
Hk是由集合W导出的k核子图,或者称为a core of order k,当且仅当
∀
v
∈
W
:
deg
H
(
v
)
≥
k
\forall v \in W: \operatorname{deg}_{H}(v) \geq k
∀v∈W:degH(v)≥k,且
H
k
H_{k}
Hk是具有该属性的最大子图。有最大order的核也被称作主核。节点v的核数是包含该节点的所有核中最大的order。
我算是明白为什么感觉很多教材讲概念讲不清楚了,从英文切到中文,如果要讲清楚,平白朴素的话就要多一点,这样就没有了定义的严肃性?所以教材都直译?
deg(V)可以是入度、出度、入度+出度
cores有以下特性:
- The cores are nested: i < j ⟹ H j ⊆ H i i<j \Longrightarrow H_{j} \subseteq H_{i} i<j⟹Hj⊆Hi
- Cores are not necessarily connected subgraphs.
算法
乏了orz,下次下次
参考
图论与图学习
图着色问题
An O(m) Algorithm for Cores Decomposition of Networks