【机器学习｜数学基础】Mathematics for Machine Learning系列之图论（2）：图的矩阵表示

前言

Hello！小伙伴！
非常感谢您阅读海轰的文章，倘若文中有错误的地方，欢迎您指出～
 
自我介绍 ଘ(੭ˊᵕˋ)੭
昵称：海轰
标签：程序猿｜C++选手｜学生
简介：因C语言结识编程，随后转入计算机专业，有幸拿过一些国奖、省奖…已保研。目前正在学习C++/Linux/Python
学习经验：扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语！
 
机器学习小白阶段
文章仅作为自己的学习笔记 用于知识体系建立以及复习
知其然 知其所以然！

系列文章

【机器学习｜数学基础】Mathematics for Machine Learning系列之图论（1）：图的基本概念

1.3 图的矩阵表示

1.3.1 邻接矩阵

无向图的邻接矩阵

设$G=(V,E)$是一个无向图， V = { ν 1 , ν 2 , . . . , ν n } V=\{\nu_1,\nu_2,...,\nu_n\} V={ν1​,ν2​,...,νn​}，则$G$的邻接矩阵$A=(a_{ij}{)}_{n\times n}$，其中

$$a_{ij}=\{\begin{array}{l}m，若{\nu }_i与{\nu }_j有m条边连接\\ 0，{\nu }_i与{\nu }_j不相邻\end{array}$$

注：环算两次

---

举例

当图是简单图时（无环无重边）

当图含有环时

小结

• 无向图的邻接矩阵是一个对称方阵
• 无向图的邻接矩阵中每一行或每一列元素之和是对应顶点的次数
• 如果该无向图是简单图，那么其邻接矩阵是一个对称(0,1)矩阵，且对角线元素全为0

有向图的邻接矩阵

设$D=(V,E)$是一个有向图， V = { ν 1 , ν 2 , . . . , ν n } V=\{\nu_1,\nu_2,...,\nu_n \} V={ν1​,ν2​,...,νn​}，则$D$的邻接矩阵$A=(a_{ij}{)}_{n\times n}$，其中$a_{ij}=m$，意思是${\nu }_i$指向$v_j$的弧有$m$条，$m$可以为0

有向图的邻接矩阵不一定对称，第$i$行的元素之和为${\nu }_i$的出次，第$j$列的元素之和为${\nu }_j$的入次

---

举例

小结

图与邻接矩阵一一对应

• 有图即可画出其邻接矩阵
• 有邻居矩阵即可画出相应的图

加权有向图的带权邻接矩阵

若为有向图$D=(V,E)$的每条边赋予一个数，则称$D$为加权有向图

设$D=(V,E)$是一个简单加权有向图， V = { ν 1 , ν 2 , . . . , ν n } V=\{\nu_1,\nu_2,...,\nu_n\} V={ν1​,ν2​,...,νn​}，则$D$的邻接矩阵$A=(a_{ij}{)}_{n\times n}$，其中

$$a_{ij}=\{\begin{array}{l}{w}_{ij}，若({\nu }_i,{\nu }_j)\in E且w_{ij}是它的权\\ 0，若i==j\\ \infty ，若({\nu }_i,{\nu }_j)\notin E\end{array}$$

---

举例

加权无向图的带权邻接矩阵类似，但为对称阵

1.3.2 关联矩阵

无向图的关联矩阵

设$G=(V,E)$是一个无向图， V = { ν 1 , ν 2 , . . . . , ν n } V=\{\nu_1,\nu_2,....,\nu_n\} V={ν1​,ν2​,....,νn​}， E = { e 1 , e 2 , . . . , e m } E=\{e_1,e_2,...,e_m\} E={e1​,e2​,...,em​}，则$G$的关联矩阵$M=(m_{ij}{)}_{n\times m}$，其中

$$m_{ij}=\{\begin{array}{l}2，若e_j是{\nu }_i上的环\\ 1，若{\nu }_i与e_j相关联\\ 0，若{\nu }_i与e_j不相关联\end{array}$$

无向图的关联矩阵每一列的元素之和为2，且第$i$行的元素之和是${\nu }_i$的次数

简单图的关联矩阵是(0,1)矩阵

---

举例

有向图的关联矩阵

设$G=(V,E)$是一个有向无环向图， V = { ν 1 , ν 2 , . . . . , ν n } V=\{\nu_1,\nu_2,....,\nu_n\} V={ν1​,ν2​,....,νn​}， E = { e 1 , e 2 , . . . , e m } E=\{e_1,e_2,...,e_m\} E={e1​,e2​,...,em​}，则$G$的关联矩阵$M=(m_{ij}{)}_{n\times m}$，其中

$$m_{ij}=\{\begin{array}{l}1，若{\nu }_i是e_j的起点\\ -1，若{\nu }_i是e_j的终点\\ 0，其他\end{array}$$

有向图的关联矩阵每一列之和为零；每一行“1”的数目是对应顶点的出次，“-1”的数目是对应顶点的入次；完全为“0”的行对应的顶点是孤立点

---

1.3.3 边矩阵

结语

说明：

• 参考于 课本《图论》
• 配合书中概念讲解 结合了自己的一些理解及思考

文章仅作为学习笔记，记录从0到1的一个过程

希望对您有一点点帮助，如有错误欢迎小伙伴指正