代数连通度(algebraic connectivity)是拉普拉斯矩阵的第二小的特征值(重特征值要重复计算)。[1]这个特征值大于0当且仅当连通图。这是一个简单的推论,因为拉普拉斯矩阵的特征值0的重数就是图的连通分支的个数。这个值的大小反映了整个图的连通程度。它可以用于分析网络的稳定性与可同步性。

Thumb
一个例图,6顶点,直径3,连通度1,代数连通度0.722。

性质

的代数连通度大于0当且仅当是连通图。而且,图的代数连通度的值不大于(顶点)连通度。[2]设一个连通图有顶点且直径为,则代数连通度的一个下界是[3]而且根据Brendan McKay的一个结果这个下界可以改进为[4]对于上图中的例子,

不像传统的连通度,代数连通度除了与顶点的连接方式有关以外,还与顶点的个数有关。对随机图,代数连通度随顶点数增大而减小,随平均度的增大而增大。[5]

代数连通度的具体定义依赖于所使用的拉普拉斯矩阵的类型。金芳蓉使用一种重新标度的拉普拉斯矩阵,消除了对顶点数的依赖,所以上下界有所不同。[6]

拉普拉斯矩阵自然地出现在网络上的同步模型中,例如藏本模型,因而代数连通度标志了网络达到同步的容易程度。[7]也可以使用其他度量,例如平均距离(特征路径长度),[8]实际上代数连通度与平均距离(的倒数)密切相关。[4]

Fiedler向量

代数连通度的相关理论最早由Miroslav Fiedler提出。[9][10]为了纪念他,与代数连通度对应的特征向量命名为Fiedler向量。Fieldler向量可用于图的划分。

用Fiedler向量对图进行划分

以首段中的图为例,Fiedler向量为(0.415, 0.309, 0.069, -0.221, 0.221, -0.794)。负值对应连通程度很差的点6,及其相邻的节点4;而正值对应其他顶点。因此可以根据Fiedler向量中的符号把图分成两部分:{1, 2, 3, 5}与{4, 6}。另外,值0.069非常接近0,可以单独成为一类,这样就把图分成三部分:{1, 2, 5}, {3}, {4, 6}。

另见

参考资料

Wikiwand in your browser!

Seamless Wikipedia browsing. On steroids.

Every time you click a link to Wikipedia, Wiktionary or Wikiquote in your browser's search results, it will show the modern Wikiwand interface.

Wikiwand extension is a five stars, simple, with minimum permission required to keep your browsing private, safe and transparent.