图论——随机图与随机点积图

一、随机图

在数学领域中，随机图random graph是指图上的概率分布的一般术语。随机图可以简单地用概率分布表示，也可以用生成它们的随机过程表示。从数学的角度来看，随即图可以用来回答有关典型图的性质的问题。在所有需要对图复杂网络进行建模的领域都能看到它的实际应用——由于它反映了在不同领域遇到的不同类型的复杂网络，许多随机图模型就此被人们所熟知。在数学上随机图既合乎完全指的是ER随机图模型（Erdős–Rényi model）。在其他情况下，任何图形模型都可以称为随机图。

二、什么是ER随机图模型？

ER随机图模型（Erdős–Rényi model）有两个。其名字源于最早提出上述模型之一的数学家保尔·厄多斯（Paul Erdős）和阿尔弗烈德·瑞利（Alfréd Rényi），他们在1959年首次提出了其中一个模型，几乎在同时期，埃德加·吉尔伯特（Edgar Gilbert）独立提出了另外一个模型。

在厄多斯和瑞利的模型中，给定节点和边数情况下产生出任意一种情况的概率是相同的；在吉尔伯特的模型中，每个连边存在与否有着固定的概率，与其他连边无关。在概率方法中，这两种模型可用来证明满足各种性质的图的存在，也可为几乎所有图的性质提供严格的定义。如果这里不太清楚，下面我们对这两种模型进行举例的对比。

三、模型

1.吉尔伯特模型
给定n个孤立的点，在它们之间随即添加连续的边，这样就得到一个随机图。这个领域研究的目的是确定在什么阶段图形的特殊性质可能会出现。不同的随机图模型产生不同的概率分布。最常见的研究是由埃德加·吉尔伯 为特提出的，表示G(n,M),其中每个可能的边独立出现的概率为0<p<1。获得任意一个m边随机图的概率是p^m(1-m)^(N-m)，N代表所有n可能组成的边数量，

p^m代表有m条边的概率，(1-m)^(N-m)代表剩下的(N-m)条边不出现的概率。
2.Erdős–Rényi model模型
一个相关性强的模型，Erdős–Rényi model模型表示G(n,M),给每一个正好有m条边的图赋予等概率。当 0≤M≤N 时，G(n,M)具有
                                                     
个元素，且每个元素都以概率
                                                 
出现。后一个模型可以看作是随机图过程$\overline{G}$ _n在某个特时间(M)的一个快照，这个时间(M)是从n个顶点开始没有边的一个随机过程，每个均匀地从缺失的边集中选择一个新的边。

如果我们从一个无限的顶点集合开始，然后让每个可能的边以概率 0<p<1 独立出现，那么我们得到一个对象G称为无限随机图Infinite Graph。除了在p=0或1的情况下，这样的G在大多数情况下肯定具有以下性质：

• 在v中，给定任何n+m个元素，a₁,…,a_n,b₁,…,b_m∈V中有一个顶点c，它与每个a₁到a_n相邻，并且不与任何b₁,…,b_m相邻。

结果表明如果顶点集是可数的，那么在同构Isomorphism意义下，只有一个图具有这个性质，即Rado图。因此，任何可数无限随机图几乎可以肯定是Rado图，由于这个原因，有时被称为随机图。然而，对于不可数图Uncountable Graph类似的结果是不正确的，不可数图中有许多不同构图Nonisomorphic Graph满足上述性值。

另一个模型，概括了吉尔伯特的随机图模型，是随机点积模型Random Dot-product Model。一个随机点积图Random Dot-product Model将每个顶点与一个实向量相关联。任意顶点u和v之间的边 uv 的概率是它们各自向量的点积 u·v的某个函数。

网络转移矩阵(Network Probability Matrix)通过边概率对随机图进行建模，这些边概率代表给定的边存在一个特定的时间段的概率。这个模型可以扩展到有向和无向，加权和无权，以及静态或者动态的图形结构。

对于M≃pN，其中N是可能的最大边数，两个最广泛使用的模型，G(n,M)和G(n,p)在大多数情况下是可互换的。

随即正则图(Random Regular Graph)是一种特殊情况，其性质可能与一般随机图不同。

四、两种ER随机图模型的简单比较

1.Erdős–Rényi model模型：给定节点数量和边数的ER随机图模型G(n,M)
例如，在G(3,2)模型中，三个顶点和两个边可以构成三个可能的图，每一个都以1/3的概率包含在内。

2.Erdős–Rényi model模型：具有固定节点和连边概率的的ER随机图模型G(n,p)
这种方法是通过随机选取连接节点的方式来产生图。每个边产生的可能都是一个不受其他边影响的概率，该模型中的参数p表示随机两点之间产生边的概率，p可以看作是一个加权函数。当p从0增加到1时，模型越来越多地包含具有更多边的图。拥有n个结点、M个连边的所有图被输出的概率都是相同的。