其实，平时写算法对应的数据结构。这块是最郁闷的。还是那句，经常 G=G1+G2，G2=G-G1的问题，额外附加代码。这也是，我思考图究竟是什么，是在研究一堆顶点，还是在研究一堆关系的理论的出发点。
这里谈两个概念。一个是集合的子集。一个是图的分割。
由于传统图论，基准定义，认为先有顶点，后有边，边是基于顶点而生。而我认为，图论确实在操作一堆顶点，但是研究的对象是顶点之间的关联。因此，图论的操作对象应该是边。边基本不可分割的信息元素。而孤立点，就是一个只有自己指向自己的边。 我们为什么会叫一个顶点是孤立或不连通？难道是这个顶点长的好看不好看，或者画在图上的位置吗？显然不是。而是根据这个顶点是否有边存在来判定。
那么基于集合子集，对于G(E,P(E))就变的简单了，只要针对E这个集合做处理，就可以很好的对应图的子图的概念。
那么对应标准图论的以下名词我分别给出基于G(E,P(E))的符号化定义。
子图（我省事，就不摘抄标准图论的内容）subgraph
真子图 proper subgraph
或
生成子图 spanning subgraph
说明一下，生成子图是图的一个子图。且任意在原图和不在生成子图中元素，全是真是边。即不是顶点。
至于诱导图，边诱导，点诱导，我就不想符号化了。挺无聊的。上面已经很无聊了。
主要关注下生成子图和我先面的一个连通子图 的定义，这个可能标准图论中没有。如下
文字说明，对于图G，（这里写处G(E,P(E))是强调后面E的指定。）存在一个集合A，和边元素e属于G’，对于任意和G'中元素（A集合内的除外）相邻的边也在G‘中。
也就是说，虽然是个从e的连通。但是在A集合的边，只可能被连入G’，而不会作为G‘的出发点，寻找新的边。由此，如果存在一个e1，其和e的任意path，和A的交集都不为空时，e1不可能在G’内。证明略。方法就是反证。如果在G‘里，必然还有个path和A没关系，由此矛盾。
连通子图，实际上是针对一个图的已知边集合，对图进行切割。当然这些边也存在于子图中。如果你想顶点化切割，则可以令A中的边都是 null(e)不为空的。
当然可能存在G’等于G。如果你的A并没有将e彻底和其他某些顶点割列开来。
其实，这里虽然定义的是连通子图 CSUB(G)，但对于大型系统而言，更有价值的是A。特别是
也即，这个A中，顶点的数目。对于大型图的操作，采用分布式，多进程的处理，力求每个独立计算单元的相关性尽可能的少。因此，用最小的顶点去包含更多的G的内容，经常是需要的。这里我直接从边的角度，定义个概念，界(boundary)
可能标准图论中，确实存在对应的定义，但是我就不绕弯子了。直接从这，自说自话的做此定义。
文字描述是， 对于e1,e2而言，任何一条path ，都和B交不为空。但这样并没有太多意义。因为可能B和G的差异，就只有e1,e2。
意思是说，任何可能的boundary 中最小的情况。这里同样只是抽象的min操作。由此我们对这类问题的求解可以从上面的描述得到如下结论
1、从整个连通图开始，从e1,e2开始。
2、去除那些边，使得余下的也可以保证符合boundary约束。
根据不同的min的操作，会直接导致bound的含义不同。此处不深究。后面会给出特定min下的快速操作算法的分析举例。
此处给出另一个定义密度， density。
密度是和bound不可分的。密度表示了一个区域的边集合的数量。由于bound并不代表类似平面图的一个圈，bound本身可能就有厚度。所以密度，独立的存在是没有意义的。一定是个比较关系。谁和谁比，哈，看bound怎么来的。由此定义
注意这里(e1,e2)不是个边。而是两个边的二元配对。当然等同的还有dens(G,e2(e1,e2))
可能有经验的朋友就已经注意到了。这里完全可以通过对空间维度的定义，来增加孤立点的边，是的我们可以对空间中离散的点，进行聚类。 由于存在空间测量方法。因此可以通过添加边的方式，来保证每个顶点相互连通。而聚类效果好不好，就看你如果增加额外的边的判断条件，使得dens能够尽可能的相同。
而额外增加的边的条件是什么？哈，数据挖掘的个性化目标啊。。。
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
