谱图理论（Spectral and Algebraic Graph Theory）| Chapter3: The Laplacian and Graph Drawing

上期介绍了矩阵的瑞丽熵的定义，以及瑞丽熵的极值与矩阵特征向量/特征值的关系。接下来，我们介绍一下拉普拉斯矩阵L的物理意义，以及如何用拉普拉斯矩阵的特征值进行绘图。

一、拉普拉斯矩阵

1.1拉普拉斯矩阵计算

带权图G的拉普拉斯矩阵二次型为：

.

接下来，我们使用这个二次型来推导矩阵结构。假设图表示有两个顶点和一条边的图，我们有:

.

假设表示在坐标a处为1的基本单位向量，则：

.

所以：

.

因此，

.

对所有边求和：

1.2 连通性

引理1 设G=(V，E)是一个图，设0=λ1≤λ2≤··≤λn为拉普拉斯矩阵L的特征值，那么，λ2>0当且仅当G是连通的。

证明：我们首先证明如果G是不连通的，λ2=0。如果G是不连通的，那么它可以被描述为两个图G1和G2的并集。在适当地重新排序顶点之后，我们可以写为：

因此，L具有至少两个特征值为零的正交特征向量：和。

另一方面，假设G是连通的，并且ψ是特征值0的L的特征向量，即.

所以：

.

因此，对于由边连接的每对顶点（a，b），我们有。由于每对顶点a和b都由一条路径连接，我们可以使用归纳方法来证明所有顶点a和b的。因此，ψ必须是一个常数向量。

二、利用拉普拉斯特征值绘图

我们首先考虑在直线上绘制图形的问题。也就是说，将每个顶点映射到一个实数。设x是描述给每个顶点映射到实数的向量。我们希望相邻的顶点彼此靠近。

除非我们对x设置限制，否则解将退化。例如，所有顶点都可以映射到0。为了避免这种情况，我们有

即使有这种限制，另一个退化的也是可能的：可能每个顶点都映射到。为了防止这种情况发生，我们施加了额外的限制:

如果我们想画一个二维图，需要给出每个顶点指定两个坐标，即x和y。我们将最小化embedding中边缘长度的平方和：

上式等于：

接下来，我们为x、y进添加约束条件，

然而，这仍然可能出现退化解。为了确保两个坐标不同，引入了x与y正交的限制。为了在k维中嵌入图，我们找到k个正交向量正交于1并最小化。我们自然而然得想到了，这种选择可以实现目标函数值。

接下来的定理说明了这种选择可以实现最优解。

定理2 设L是拉普拉斯矩阵，是所有正交于1的正交向量，然后

只有当所有j的，时成立。

证明：为了不失一般性，设ψ1为常数向量。设是正交基。对于所有1≤i≤n，

因为，所以

当j＞k+1时，。只有当，时，这个不等式才是紧的。

对每个i求和，得到

其中不等式满足和。