random walk on graphs

referes to "Random Walk on Graphs : a Survey"--basic notions and facts

random walk（随机游走）其实是一个time-reversible Markov chain(时间互换的有限马尔科夫链)。graph上的random walk与有限马尔科夫链的理论并无大差。每个马尔科夫链都可看作是有向图上的随机游走（假设边带权）。类似地，时间互换的马尔科夫链可看作是无向图上的随机游走，对称马尔科夫链可看作是在规律对称图上的随机游走。

随机游走经典理论是在简单但无穷的图上的操作，比如网格，研究它们性质上的行为，比如随机游走是否有可能回到它的初始点，会经常无限次返回吗？Polya（1921）证明了如果在d维网格上进行随机游走，如果d=2我们会经常无限次地返回到初始点，如果d>3，那么返回次数将会是个有限值。

是一个有n个节点，m条边的连通图，在图G上的随机游走：从v0节点开始，在第t步走到节点vt，以1/d(vt）的概率移动到它的邻居节点。显然，随机点序列（vt:t=0,1,...）是一个马尔科夫链。节点v0可能是固定的，也可能是由初始分布P0中得来。vt的分布表示为Pt:

马尔科夫链的转移概率矩阵表示为

AG是G的邻接矩阵，D表示对角矩阵，，游走的规则可以由下式表示

（第t个点的分布看作是一个中的向量），因此

概率（从i点出发，用t步到达j）由矩阵中ij-entry给出。

如果G是一个正则图，则马尔科夫链是对称的：假设我们在节点v，转移到u的概率与我们在点u转移到v的概率相同。对于非正则图，这个性质由时间互换性代替：一个随机游走后退回去仍是一个随机游走。也就是说，如果我们观察所有的随机游走（v0,...vt），其中v0来自初始分布P0，就能得到vt上的概率分布Pt。还能得到 一个在序列（v0,...vt）上的分布Q。如果我们逆转每个序列，在这个序列上又得到另一个分布Q'。所以，时间互换性意味着Q'和Q相等。

P0,P1,...通常是不同的。如果P1=P0，则称P0是静态分布。这种情况下，对所有t>=0,Pt=P0。这种游走称为静态游走。对每个图G，分布;

是静态的。特别地，如果图是正则的，那么V上的均匀分布是静态的。

静态分布最重要的特性是，如果G不是二部图，那么随着，vt的分布趋向于静态分布。对于二部图，如果n>1，Pt的分布则集中在one color class or the other（此处不太懂）

对于静态分布很容易形式化时间互换性的性质：对每一对i,j，由（1.1），对于有，所以我们是沿着每一条边，在每个给定的方向，相同的频率下移动。如果我们在某一条边上，randomwalk恰好经过它，那么在经过它之前同一方向上的预期步数还是2m。对于点有同样的现象：假设我们在某一个点上，随机游走恰好经过这个点，那么在它返回之前预期步数是。如果G是正则的，那么返回时间就是n,节点个数。