本文的閱讀等級:中級
令 為一個無向圖 (undirected graph),其中 是頂點集合, 稱為圖 的階 (order), 是無向邊集合。若頂點 和 之間存在一邊,記為 ,我們稱 和 鄰接 (adjacent),並稱該邊與二頂點有關聯 (incident)。無向邊不具方向性, 是兩頂點組成的集合,即每一邊可視為一無序頂點對。以下考慮簡單無向圖,意思是不存在自迴路 (self-loop),即 ,且不存在重邊 (multiedge),即任二相異頂點至多僅存在一關聯邊。對應 階圖 ,鄰接矩陣 為一 階矩陣,定義如下: 若 ,否則 (見“線性代數在圖論的應用 (一):鄰接矩陣”)。顯然,, 是一對稱矩陣。表面上,鄰接矩陣是一圖的最自然的表示方式,但它的實用價值卻不大,原因在於鄰接矩陣的特徵值和特徵向量未能揭露圖結構的重要訊息,此外,鄰接矩陣的二次型亦缺乏明確的涵義。本文介紹一種適於建立矩陣譜 (相異特徵值集合,spectrum) 理論的無向圖表示矩陣,稱為拉普拉斯矩陣 (Laplacian)。對於頂點 ,分支度 (度數,degree) 是所有與 有關聯的邊數,即鄰接矩陣 的第 列 (或行) 和,。對應無向圖 ,拉普拉斯矩陣 (Laplacian) 定義為 ,其中 稱為分支度矩陣。因為 和 是對稱矩陣,拉普拉斯矩陣 也是對稱矩陣。為簡化符號,頂點 可用下標 表示。下圖為一例:,其中 ,。
對應此圖的鄰接矩陣 、分支度矩陣 和拉普拉斯矩陣 分別是
。
給定一 階簡單無向圖 ,,下面介紹三個重要的拉普拉斯矩陣性質。
性質一:對於任一 ,
。
使用定義,直接計算即可證明:
若 維向量 代表附著於頂點 的度量值,性質一說明二次型 代表所有鄰接頂點的度量值總變異量,也就是度量值的分配平滑性 (smoothness)。明顯地,若 的所有元皆相同,則 。
性質二:拉普拉斯矩陣 是一實對稱半正定矩陣。
對於任一 ,性質一給出 ,故 是半正定矩陣。
性質三:拉普拉斯矩陣 的最小特徵值是 ,對應的特徵向量為 。
因為 的每一列和皆為 ,立得 ,即知 有特徵值 ,對應特徵向量 。半正定矩陣的特徵值必定不為負 (見“半正定矩陣的判別方法”),故 是 的最小特徵值。
若一無向圖的任意兩頂點之間存在一序列的邊,則稱之為連通圖 (connective graph)。所謂連通元件是指圖 的頂點子集 及相關聯的邊子集 所構成連通圖,但任意 和 之間不存在連通路徑。拉普拉斯矩陣是實對稱矩陣,故可正交對角化 (見“實對稱矩陣可正交對角化的證明”),這意味 的每一特徵值 的代數重數等於幾何重數,即 的零空間維數 。以下代數重數和幾何重數簡稱為相重數。
定理一:對應無向圖 的拉普拉斯矩陣 的特徵值 的相重數等於 的連通元件數。
證明於下:假設圖 ,,包含 個連通元件 ,,彼此互不連通。令 維向量 的第 元為 若 ,否則設為 ,,。不難驗證 ,,且 形成一正交集 (orthogonal set)。考慮 ,則 ,由此推斷每一 滿足 。換句話說, 可表示為 的線性組合,故 ,證明 的特徵值 的相重數等於 的連通元件數。
舉一例說明,見下圖, 包含連通元件 和 ,其中 ,,,。
對應的拉普拉斯矩陣為
。
令 和 。明顯地,, 且 。為看清圖的連通結構,我們可將頂點排序 變更為 。具體的作法是執行下列排列相似變換 (見“矩陣視覺化”):
,
其中 是置換第 與 行 (或列) 的基本排列矩陣,即置換單位矩陣 第 與 行 (或列) 的結果。經過頂點排序後的拉普拉斯矩陣為分塊對角矩陣:
,
其中每一對角分塊即所對應連通元件的拉普拉斯矩陣,有一個相重數為 的零特徵值。
以下設拉普拉斯矩陣 的特徵值按遞增順序排列,。定理一的必然結果: 是一連通圖若且惟若 。在圖論中, 稱為 的代數連通度 (algebraic connectivity)。若一連通圖的 數值小,只要刪除少許邊即可將將圖切割為兩個連通元件;反之,若 的數值大,則必須刪除很多邊方能將圖切割為二。代數連通度 涉及較為複雜的分析,下面僅列舉一些基本圖的拉普拉斯矩陣並計算矩陣譜,由此讀者可以略窺代數連通度與圖結構的關係。
例一:完全圖 (complete graph)
完全圖 是指任兩個相異頂點皆有一連接邊,即 。完全圖的拉普拉斯矩陣為
。
完全圖是一個連通圖,定理一表明 的特徵值 的相重數為 ,特徵空間為 ,即知 有 個非零特徵值,特徵空間為 的正交補餘 (因為 可正交對角化)。若 ,則 。使用此性質,可得
所以, 有特徵值 ,相重數是 ,以及特徵值 ,相重數是 。我們將 的矩陣譜記為 ,上標括弧內的數字表示相重數 (當相重數不等於 時),並知 。
例二:星狀圖 (star graph)
因為頂點標號可以隨意置換,設星狀圖 的中心點為 ,外圍點為 ,則 。星狀圖的拉普拉斯矩陣是
。
定理一表明 的特徵值 的相重數為 。令 維向量 的第 元為 ,第 元為 ,其餘元為 ,其中 。很容易驗證 ,,且 構成一線性獨立集,故 有特徵值 ,相重數至少為 。然而, 的特徵值和等於 ,因此斷定 尚有一特徵值 ,相重數是 。所以, 的矩陣譜為 ,得知 。
例三:環狀圖 (ring graph)
在不失一般性的前提下,設環狀圖 的邊集合為 ,則拉普拉斯矩陣為
。
觀察發現 為一循環矩陣,具有下列形式:
。
比較可得 ,,且 ,。令 的特徵值為 ,。套用循環矩陣的特徵值公式 (見“特殊矩陣 (7):循環矩陣”),
其中 。因為 ,若 是奇數, 矩陣譜為 ,若 是偶數,矩陣譜為 。所以,。對應特徵值 ,,循環矩陣的特徵向量公式給出
其中 ,。實矩陣 的特徵值 為實數,將上式代入 ,可得 和 。我們只要考慮線性獨立的 和 作為特徵向量:若 是奇數,對應特徵值 ,,的兩個特徵向量為 和 ;若 是偶數,對應特徵值 的特徵向量為 (),對應特徵值 ,,的兩個特徵向量為 和 。
例四:道路圖 (path graph)
道路圖 是指 個頂點排成一列,每一頂點和相近頂點鄰接,也就是說 。道路圖的拉普拉斯矩陣具有三對角形式:
。
給定 ,將 視為一線性變換,則
的第 元 形如計算一維 Laplace 算子所採用的中央差分近似 (除了正負號相反,見“線性代數在數值分析的應用 (二):Dirichlet 問題”),此即拉普拉斯矩陣的命名由來。
利用環狀圖的結果可以導出 的特徵值。為方便說明,考慮 的情況,設包含 個頂點的環狀圖 的邊集合為 。寫出 階 矩陣的特徵多項式
。
使用分塊矩陣的行列式公式 (見“分塊矩陣的行列式”)
,
其中 和 是同階方陣,可得
,
表明 整除 。換句話說, 的特徵值即為下面二矩陣的特徵值的聯集:
。
計算可得 的特徵值是 , 的特徵值是 。推廣至一般情況,道路圖 的矩陣譜即是 ,故 。對應特徵值 ,,請讀者自行驗證 的特徵向量為
。
拉普拉斯矩陣存在多種變化,譬如,我們可以考慮加權圖,其中每一邊附著一非負權重代表二鄰接頂點的相似性。拉普拉斯矩陣的特徵值和特徵向量理論統稱為圖譜分析,其中最具代表性的一項技術是目前廣泛應用於網絡分割 (分群) 的譜聚類分析 (spectral clustering),日後我們將探討這個主題。
我觉得定理一还可以再加一些解释(或者说是另一种相对麻烦的证明),这样会比较直观地揭示出本质。
首先,对于连通图而言Laplace矩阵只有一个零特征值(最快捷的证明或许是利用Cauchy交错定理)。然后对于一般的图,将顶点重新编号(或者对Laplace矩阵进行行列重排)可以得到分块对角阵,每个连通分支对应于一个零特征值重数为一的对角块。
然后对例一之前的小例子的2,3两行两列交换可以看清上述分块对角结构。
謝謝,眼前我先將上面的例子重排頂點以顯示分塊對角型態。
想請問一下,如何將實數矩陣轉為圖論的鄰接矩陣或Affinity matrix?
想知道这些知识的参考书籍是哪些?