Kaavioiden spektriteoria
On matematiikka , spektrin teoriaa kaavioita on kiinnostunut väliset suhteet spektrien eri matriiseja , jotka voivat liittyä kaavio ja sen ominaisuuksia. Se on osa algebrallista graafiteoriaa . Olemme yleensä kiinnostuneita vierekkäisyysmatriisista ja normalisoidusta Laplacin-matriisista .
Kaaviota kuvaavat matriisit
Adjacency-matriisi
Antaa olla kaavio , jossa merkitsee joukko pisteitä ja joukko reunoja. Kuvaaja on kärkipisteet, huomattava ja reunat, huomattava . Kaavion vierekkäisyysmatriisin jokaisen elementin määrittelee:G=(V,E){\ displaystyle G = (V, E)}
V{\ displaystyle V}
E{\ displaystyle E}
|V|=ei{\ displaystyle | V | = n}
v1,⋯,vei∈V{\ displaystyle v_ {1}, \ cdots, v_ {n} \ in V}
|E|=m{\ displaystyle | E | = m}
eij,vi∈V,vj∈V{\ displaystyle e_ {ij}, v_ {i} \ V, v_ {j} \ V}
AT{\ displaystyle A}
G{\ displaystyle G}![G](https://wikimedia.org/api/rest_v1/media/math/render/svg/f5f3c8921a3b352de45446a6789b104458c9f90b)
kloij={1jos eij∈E0jos ei.{\ displaystyle a_ {ij} = \ vasen \ {{\ begin {array} {rl} 1 & {\ mbox {si}} e_ {ij} \ E \\ 0: ssa ja {\ mbox {muuten.}} \ lopeta {array}} \ right.}
Kaavio
|
Esitys vierekkäisyysmatriisin avulla
|
Esitys Laplacian-matriisilla (ei normalisoitu)
|
---|
|
(010010101010010100001011110100000100){\ displaystyle {\ begin {pmatrix} 0 & 1 & 0 & 0 & 1 & 0 \\ 1 & 0 & 1 & 0 & 1 & 0 \\ 0 & 1 & 0 & 1 & 0 & 0 \\ 0 & 0 & 1 & 0 & 1 & 1 \\ 1 & 1 & 0 & 1 & 0 & 0 \\ 0 & 0 & 0 & 1 & 0 & 0 \\\ end} {pmatrix}
|
(2-100-10-13-10-100-12-10000-13-1-1-1-10-130000-101){\ displaystyle {\ begin {pmatrix} 2 & -1 & 0 & 0 & -1 & 0 \\ - 1 & 3 & -1 & 0 & -1 & 0 \\ 0 & -1 & 2 & -1 & 0 & 0 \\ 0 & 0 & -1 & 3 & -1 & -1 \\ - 1 & -1 & 0 & -1 & 3 & 0 \\ 0 & 0 & 0 & - 1 & 0 & 1 \ \\ end {pmatrix}}}
|
Asteiden matriisi ja Laplacian
Matriisi astetta on diagonaalinen matriisi , jossa elementit vastaavat useita linkkejä päälaen , toisin sanoen sen asteen . Tämän ja edellisen matriisin avulla voimme määritellä myös normalisoimattoman Laplacian-matriisin .
D.{\ displaystyle D}
D.ii{\ displaystyle D_ {ii}}
i{\ displaystyle i}
L=D.-AT{\ displaystyle L = DA}![L = DA](https://wikimedia.org/api/rest_v1/media/math/render/svg/043a9a4a219bbee58c30add2d40b74054a3f15f1)
Saamme sen normalisoitu muodon mukaan , missä on identiteetti matriisi . Saamme myös suoraan jokaisella sen elementillä:
L′{\ displaystyle L '}
L′=D.-1/2LD.-1/2=Minä-D.-1/2ATD.-1/2{\ displaystyle L '= D ^ {- 1/2} LD ^ {- 1/2} = ID ^ {- 1/2} AD ^ {- 1/2}}
Minä{\ displaystyle I}
L′{\ displaystyle L '}![L '](https://wikimedia.org/api/rest_v1/media/math/render/svg/7a5bf7164faabe6b737c3d5269366b5e17f2ac7c)
ℓi,j: ={1jos i=j ja deg(vi)≠0-1deg(vi)deg(vj)jos i≠j ja vi on vieressä vj0jos ei.{\ displaystyle \ ell _ {i, j}: = {\ aloita {tapaukset} 1 & {\ mbox {si}} \ i = j \ {\ mbox {ja}} \ \ deg (v_ {i}) \ neq 0 \\ - {\ frac {1} {\ sqrt {\ deg (v_ {i}) \ deg (v_ {j})}}}} ja {\ mbox {si}} \ i \ neq j \ {\ mbox {ja}} \ v_ {i} {\ text {on vieressä}} v_ {j} \\ 0 ja {\ text {muuten}}. \ end {cases}}}
Ilmaantuvuusmatriisi
Lopuksi kuvaajan esiintymämatriisi on ulottuvuuksien matriisi, jossa elementti on yhtä suuri kuin 1, jos piste on reunan pää , ja muutoin 0. Meillä on seuraavat joukko suhteita, joissa tarkoittaa identiteettimatriisiksi :
M{\ displaystyle M}
G=(V,E){\ displaystyle G = (V, E)}
|V|×|E|{\ displaystyle | V | \ kertaa | E |}
bij{\ displaystyle b_ {ij}}
vi{\ displaystyle v_ {i}}
xj{\ displaystyle x_ {j}}
Minä{\ displaystyle I}![Minä](https://wikimedia.org/api/rest_v1/media/math/render/svg/535ea7fc4134a31cbe2251d9d3511374bc41be9f)
- AT=MMT-D.{\ displaystyle A = MM ^ {T} -D}
![A = MM ^ {T} -D](https://wikimedia.org/api/rest_v1/media/math/render/svg/924ebfd4dc2399e4bd63545421b9da7ff8da0da1)
- Vierusmatriisin matriisin viivakuvaaja ,L(G){\ displaystyle L (G)}
AT=MTM-2Minä{\ displaystyle A = M ^ {T} M-2I}
- Vierusmatriisin matriisin osa-kaavio ,S(G){\ displaystyle S (G)}
AT=(0MTM0){\ displaystyle A = {\ begin {pmatrix} 0 & M ^ {T} \\ M & 0 \\\ end {pmatrix}}}
Spektrin käsite ja tyypillinen polynomi
Spektri matriisi on joukko sen ominaisarvot ; jos ne ovat todellisia, olemme sopineet listalla: . Laajennuksena puhumme kaavion spektristä . Muistutamme, että algebrallinen moninaisuus on ominaisarvo on voima monomi on tunnusomainen polynomi (eli moninaisuus juurta karakteristisen polynomin). On myös mahdollista muuttaa tunnusomainen polynomi ottamaan huomioon muita ominaisuuksia kuvaaja: oletuksena pidämme polynomi (kutsutaan karakteristisen polynomin kuvaajan ), mutta voimme myös olla kiinnostunut varianttien, kuten tai .
λ0≤λ1≤⋯≤λei-1{\ displaystyle \ lambda _ {0} \ leq \ lambda _ {1} \ leq \ cdots \ leq \ lambda _ {n-1}}
λ{\ displaystyle \ lambda}
(X-λ){\ displaystyle (X- \ lambda)}
PG(λ)=|λMinä-AT|{\ displaystyle P_ {G} (\ lambda) = | \ lambda IA |}
RG(λ)=|λMinä-D.-AT|{\ displaystyle R_ {G} (\ lambda) = | \ lambda IDA |}
QG(λ)=|D.|-1⋅|λD.-AT|{\ displaystyle Q_ {G} (\ lambda) = | D | ^ {- 1} \ cdot | \ lambda DA |}![Q_ {G} (\ lambda) = | D | ^ {{- 1}} \ cdot | \ lambda DA |](https://wikimedia.org/api/rest_v1/media/math/render/svg/a26b9e2fec14f7ce1098174654aa51bace4c63f9)
Adjacency-matriisispektri
Kuvaajan matriisi on positiivinen , eikä sitä voida pienentää, jos kaavio on kytketty. Tapauksessa suuntaamattoman graafin, matriisi on symmetrinen ja hermiittinen, että on, jossa on lisä matriisi on . Jälki matriisin on yhtä suuri määrä silmukoita: todellakin, elementti lävistäjä osoittaa, että läsnä on silmukan ja jälki on summa nämä elementit. Meillä on seuraavat ominaisuudet:
AT†=AT{\ displaystyle A ^ {\ tikari} = A}
AT†{\ displaystyle A ^ {\ tikari}}
AT{\ displaystyle A}![AT](https://wikimedia.org/api/rest_v1/media/math/render/svg/7daff47fa58cdfd29dc333def748ff5fa4c923e3)
- Matriisin spektrisäde , toisin sanoen sen suurin ominaisarvo, tyydyttää yhdistetyn kuvaajan. Alempi raja saavutetaan, jos kaavio on polku, ja ylempi saavutetaan koko kuvaajalle.ρ(AT){\ displaystyle \ rho (A)}
2⋅cos(πei+1)≤ρ(AT)≤ei-1{\ displaystyle 2 \ cdot \ cos \ vasen ({\ frac {\ pi} {n + 1}} \ oikea) \ leq \ rho (A) \ leq n-1}![{\ displaystyle 2 \ cdot \ cos \ vasen ({\ frac {\ pi} {n + 1}} \ oikea) \ leq \ rho (A) \ leq n-1}](https://wikimedia.org/api/rest_v1/media/math/render/svg/718ffc90eefe0f76090e1382a60df2d4bbf587ed)
- Jos kaavio on epäsäännöllinen ja moninkertaisuus antaa yhdistettyjen komponenttien määrän.k{\ displaystyle k}
ρ(AT)=k{\ displaystyle \ rho (A) = k}
ρ(AT){\ displaystyle \ rho (A)}![\ rho (A)](https://wikimedia.org/api/rest_v1/media/math/render/svg/a9d232ff707be40f0398c038ee817fc0742b9c8b)
- Kaavio sisältää parittoman jakson vain, jos se on myös ominaisarvo .-ρ(AT){\ displaystyle - \ rho (A)}
![- \ rho (A)](https://wikimedia.org/api/rest_v1/media/math/render/svg/c466e420289bb3478396ffeed22e5e940c0ff15b)
- Jos on olemassa erillisiä ominaisarvoja, halkaisija tyydyttää .m{\ displaystyle m}
D.{\ displaystyle D}
D.≤m-1{\ displaystyle D \ leq m-1}![D \ leq m-1](https://wikimedia.org/api/rest_v1/media/math/render/svg/a37d2acf207b3646ad85cb43165c488e000a645f)
- Koko on enintään vakaa täyttää jossa ovat vastaavasti määrä ominaisarvojen alentaa, yhtä suuri tai suurempi kuin 0.t{\ displaystyle t}
t≤s0+min(s-,s+){\ displaystyle t \ leq p_ {0} + \ min (p _ {-}, p _ {+})}
s-,s0,s+{\ displaystyle p _ {-}, p_ {0}, p _ {+}}![p _ {-}, p_ {0}, p _ {+}](https://wikimedia.org/api/rest_v1/media/math/render/svg/9de23db769d20b6664db1c51900a9274e8715ecd)
-
ρ(AT)-q+1≤χ(G)≤ρ(AT)+1{\ displaystyle {\ frac {\ rho (A)} {- q}} + 1 \ leq \ chi (G) \ leq \ rho (A) +1}
missä on kromaattinen numero ja pienin ominaisarvo.χ(G){\ displaystyle \ chi (G)}
q{\ displaystyle q}![q](https://wikimedia.org/api/rest_v1/media/math/render/svg/06809d64fa7c817ffc7e323f85997f783dbdf71d)
Normalisoitu Laplacian matriisispektri
Ominaisarvoa kutsutaan kaavion algebralliseksi liitettävyydeksi . Taajuuden olennaiset ominaisuudet on tiivistetty alla:
λ1{\ displaystyle \ lambda _ {1}}![\ lambda _ {1}](https://wikimedia.org/api/rest_v1/media/math/render/svg/571a423bece8f29bcd1b48572f18dd4f6213dce2)
-
λ0=0{\ displaystyle \ lambda _ {0} = 0}
.
-
∑iλi≤ei{\ displaystyle \ summa _ {i} \ lambda _ {i} \ leq n}
jos kaavio on kytketty .
- Jos ja G on täydellinen kaavio sitten , muuten .ei≥2{\ displaystyle n \ geq 2}
λ1=eiei-1{\ displaystyle \ lambda _ {1} = {\ frac {n} {n-1}}}
λ1≤eiei-1{\ displaystyle \ lambda _ {1} \ leq {\ frac {n} {n-1}}}![\ lambda _ {1} \ leq {\ frac {n} {n-1}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/6c33449e3d8914fe15acb0508de4c9fbfadfe2fb)
- Jos kaavio on kytketty, niin . Jos ja sitten on tarkalleen komponentteja ( ts. Yhdistettyjä kuvaajia).λ1>0{\ displaystyle \ lambda _ {1}> 0}
λi=0{\ displaystyle \ lambda _ {i} = 0}
λi+1≠0{\ displaystyle \ lambda _ {i + 1} \ neq 0}
G{\ displaystyle G}
i+1{\ displaystyle i + 1}![i + 1](https://wikimedia.org/api/rest_v1/media/math/render/svg/2fe1bfc8314922e4c3fdb4e8eceb20a00b4f011d)
-
λi≤2{\ displaystyle \ lambda _ {i} \ leq 2}
∀i≤ei-1{\ displaystyle \ kaikki i \ leq n-1}
.
Lause Kirchhoffin (kutsutaan myös matriisi-puu teoreema ) antaa suhde määrä ulottuu puiden ja Laplacen matriisi.
Sovellukset
Verkkoanalyysi
Suurin osa verkoissa suoritetuista mittauksista koskee klusteroitumiskerrointa , keskimääräistä etäisyyttä tai asteiden jakaumaa: spektritekniikoiden käyttö on vähäistä, mutta "käytännön kokeiden perusteella spektrianalyysi voidaan mukauttaa hyvin tietoihin epäsäännöllinen [...], kun taas ryhmittymiskerroin soveltuu hyvin säännöllisempiin tietoihin (ja siksi fyysikot ovat käyttäneet sitä laajasti ruudukkojen, kiteiden jne. tutkimiseen) ". Erityisesti mitattiin Internetin eri näytteiden spektrit reitittimen tasolla: tutkimuksen tekijät havaitsivat eroja maantieteellisellä tasolla, mikä viittaa selityksenä siitä, että verkko Pohjois-Amerikassa on edistyneempi. Aasia ja Eurooppa; näitä mittauksia verrattiin myös malleihin, jotka otettiin edustamaan Internetissä löydettyjä ominaisuuksia, eikä olennaisesti yksikään malleista vastannut Internetiä spektritasolla.
Kaavioiden osiointi
Kuvaajan Laplacian-matriisin ominaisvektorien analysointi spektrimenetelmänä mahdollistaa graafin osion löytämisen . Puhumme spektrin osioinnista . Tällä menetelmällä on sovelluksia niin monipuolisilla aloilla kuin tehtävien jakaminen rinnakkaislaskennassa, kuvan segmentointi, lineaaristen järjestelmien resoluutio jne.
Huomautuksia ja viitteitä
-
(en) Dragos M. Cvetkovic, Michael Doob ja Horst Sachs - Spectra of Graphs, Heidelberg , Leipzig, 1994, ( ISBN 3335004078 ) .
-
(in) Fan Chung - Spectral Graph Theory, Matematiikan alueellinen konferenssisarja , nro 92, julkaissut American Mathematical Society 1997
-
(en) Christos Gkantsidis, Milena Mihail ja Ellen Zegura - Internet-topologioiden spektrianalyysi, IEEE Infocom , 2003.
-
(FR) Charles-Edmond Bichot - monitasoista menetelmä, luvussa kirjan Partitionnement de graphe koordinoi Charles-Edmond Bichot ja Patrick Siarry, Hermes-Lavoisier, p51-87, 2010. ( ISBN 9782746230057 )
Ulkoiset linkit
<img src="https://fr.wikipedia.org/wiki/Special:CentralAutoLogin/start?type=1x1" alt="" title="" width="1" height="1" style="border: none; position: absolute;">