ER随机图模型

在图论的数学理论部分中，ER随机图模型（Erdős–Rényi model）可指代两个密切相关的随机图生成模型中的任意一个。ER随机图模型的名字源于最早提出上述模型之一的数学家Paul Erdős（保尔•厄多斯）和Alfréd Rényi（阿尔弗烈德•瑞利），他们在1959年首次提出了其中一个模型，而几乎在同时期，Edgar Gilbert（埃德加•吉尔伯特）独立提出了另外一个模型。在Erdős和Rényi的模型中，节点集一定、连边数也一定的所有图是等概率的；在Gilbert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。

定义

ER随机图模型有两个密切相关的版本。

• 在模型[math]\displaystyle{ G(n,M) }[/math]中，从[math]\displaystyle{ n }[/math]个节点、[math]\displaystyle{ M }[/math]个连边构成的所有图的集合里随机选择一个图。例如，在[math]\displaystyle{ G(3, 2) }[/math]模型中，3个节点和2个连边能构成三种可能的图，每种图的概率为1/3。
• 在模型[math]\displaystyle{ G(n,p) }[/math]中，随机连接节点构成一个图。图中每个连边彼此独立，连接的概率为[math]\displaystyle{ p }[/math]。等价地，拥有[math]\displaystyle{ n }[/math]个节点、[math]\displaystyle{ M }[/math]个连边的所有图具有相同的概率：

[math]\displaystyle{ p^M (1-p)^{{n \choose 2}-M} }[/math]

此模型中的参数[math]\displaystyle{ p }[/math]可以看成是加权函数；随着[math]\displaystyle{ p }[/math]从0增加到1，模型更倾向于包含拥有更多连边的图，而包含拥有较少连边的图的概率则降低。特别地，与[math]\displaystyle{ p=0.5 }[/math]相对应的情况是，在拥有[math]\displaystyle{ n }[/math]个节点的[math]\displaystyle{ 2^\binom{n}{2} }[/math]个图中，每个图被选择的概率相等。

我们通常研究节点数[math]\displaystyle{ n }[/math]趋于无穷时随机图的表现。尽管在这种情况下，[math]\displaystyle{ p }[/math]和[math]\displaystyle{ M }[/math]可以固定，但是，它们也可以是关于[math]\displaystyle{ n }[/math]的函数。例如，命题“[math]\displaystyle{ G(n, 2ln(n)/n) }[/math]中几乎每个图都是连通的”的意思是，当[math]\displaystyle{ n }[/math]趋于无穷时，拥有[math]\displaystyle{ n }[/math]个节点、连边概率为[math]\displaystyle{ 2ln'n)/n }[/math]的图连通的概率趋于1。

两种模型的比较

[math]\displaystyle{ G(n,p) }[/math]中可能的连边数为[math]\displaystyle{ \binom{n}{2}p }[/math]，由大数定律，[math]\displaystyle{ G(n,p) }[/math]中的每个图几乎必有大概这么多连边（假设可能的连边数趋于无穷）。因此，粗略的结果是如果[math]\displaystyle{ pn^2 →∞ }[/math]，那么当[math]\displaystyle{ M=\tbinom{n}{2} p }[/math]随着[math]\displaystyle{ n }[/math]的增加而增加时，[math]\displaystyle{ G(n,p) }[/math]将与[math]\displaystyle{ G(n,M) }[/math]有相似的表现。许多图的性质都是这样。如果P是满足对子图序单调的任意一种图的性质（即若[math]\displaystyle{ A }[/math]是[math]\displaystyle{ B }[/math]的子图且[math]\displaystyle{ A }[/math]满足[math]\displaystyle{ P }[/math]，则[math]\displaystyle{ B }[/math]也满足[math]\displaystyle{ P }[/math]），那么命题“[math]\displaystyle{ G(n,p) }[/math]中几乎所有图满足[math]\displaystyle{ P }[/math]”等价于“[math]\displaystyle{ G(n, \tbinom{n}{2} p) }[/math]中几乎所有图满足[math]\displaystyle{ P }[/math]”（其中[math]\displaystyle{ pn^2 →∞ }[/math]）。

例如，当[math]\displaystyle{ P }[/math]是连通性时，或[math]\displaystyle{ P }[/math]是包含哈密顿圈的性质时，上述关系就成立。然而，它对非单调性质（如具有偶数连边的性质）未必成立。

如今在实际应用中，[math]\displaystyle{ G(n,p) }[/math]模型更加常用，部分原因是通过连边的独立性进行分析较为容易。

文件:1280px-Erdos generated network-p0.01.jpg

二项分布ER模型生成的一个图[math]\displaystyle{ （p=0.01） }[/math]

[math]\displaystyle{ G(n,p) }[/math]的性质

沿用上述符号，[math]\displaystyle{ G(n,p) }[/math]中的一个图平均有[math]\displaystyle{ \binom{n}{2}p }[/math]条连边。任意特定节点的度服从二项分布：

[math]\displaystyle{ P(\deg(v) = k) = {n-1\choose k}p^k(1-p)^{n-1-k}, }[/math]

其中n为图中节点的总数。由于

[math]\displaystyle{ P(\deg(v) = k) \to \frac{(np)^k \mathrm{e}^{-np}}{k!} \quad \text{ as } n \to \infty \text{ and } np = \text{ constant }, }[/math]

故当n很大且np=常数时，服从泊松分布。

在1960年的一篇论文中，Erdős和Rényi非常精确地描述了p在不同取值下[math]\displaystyle{ G(n, p) }[/math]的表现。其结论有：

• 若np<1，则[math]\displaystyle{ G(n,p) }[/math]中的一个图几乎一定没有连通分量的大小大于[math]\displaystyle{ O(log(n)) }[/math]。
• 若np=1，则[math]\displaystyle{ G(n,p) }[/math]中的一个图几乎必有最大的连通分量，其阶为n ^2/3。
• 若np→c>1，其中c为常数，则[math]\displaystyle{ G(n,p) }[/math]中的一个图几乎必有唯一的包含节点有限部分的巨连通集团。没有连通分量会有超过[math]\displaystyle{ O(log(n)) }[/math]个节点。
• 若[math]\displaystyle{ p\lt \tfrac{(1-\varepsilon)\ln n} n }[/math]，则[math]\displaystyle{ G(n,p) }[/math]中的一个图几乎必有孤立节点，因而它是不连通的。
• 若 [math]\displaystyle{ p{\gt }\tfrac{(1+\varepsilon)\ln n} n }[/math]，则[math]\displaystyle{ G(n,p) }[/math]中的一个图几乎一定是连通的。

因此[math]\displaystyle{ \tfrac{\ln n} n }[/math]是[math]\displaystyle{ G(n,p) }[/math]连通性的重要临界值。

当[math]\displaystyle{ n }[/math]趋于无穷大时，还有许多图的性质几乎处处成立。例如，存在[math]\displaystyle{ k(n) }[/math]（近似等于[math]\displaystyle{ 2log^2(n) }[/math]）使得[math]\displaystyle{ G(n,0.5) }[/math]中最大团的大小几乎必为[math]\displaystyle{ k(n) }[/math]或[math]\displaystyle{ k(n)+1 }[/math]。

因此，尽管确定图中最大团的大小是NP完全的，但“典型”图中最大团的大小（根据此模型）是非常好理解的。 ER图的连边对偶图是几乎有着相同度分布的图，但具有度相关性，且集聚系数更高。

与渗流的关系

在渗流理论中，人们研究有限或无限的图，并随机删除连边（或连接）。因此，ER模型的过程实际就是完全图上未加权连接的渗流。（所谓渗流，就是在加权的情况下以不同的权重移除节点和（或）连边）。渗流理论有很深的物理学根源，大部分研究都是在欧几里得空间中的格子上进行的。np=1时，由巨连通分量向小连通分量的转变与这些图类似，但对格子来说，确定临界点很难。物理学家通常将对完全图的研究称为平均场理论，因此ER模型的过程就是渗流的平均场情况。 人们在随机图的渗流上也做了许多重要研究。从物理学家的角度看，这仍是一个平均场模型，所以它常被看成一个通信网络，研究结果常用图的鲁棒性来表示。设一个随机图有n>>1个节点，平均度为<k>。从网络中随机删除1-p’个节点，仅保留一部分p’。存在渗流临界值[math]\displaystyle{ p'_c=\tfrac{1}{\langle k\rangle} }[/math]，使得低于该值时，网络变得支离破碎，而高于[math]\displaystyle{ p'_c }[/math]时，会有n阶巨连通分量存在。巨连通分量的相对大小P_∞由下式给出

[math]\displaystyle{  P_\infty= p'[1-\exp(-\langle k \rangle P_\infty)]. \,  }[/math]

说明

G(n, p)模型的两个主要假设（连边独立，每条连边可能性相同）可能不适合为某些现实生活中的现象建模。尤其是ER图的度分布没有厚尾，而许多实际网络的分布是厚尾的。此外，与许多社交网络不同，ER图集聚系数较低。其他较好的替代模型可见BA网络模型（Barabási–Albert model）和WS小世界网络模型（Watts and Strogatz model）。这两个替代模型不是渗流过程，它们分别是生长模型和断边重连模型。Buldyrev（布尔德列夫）等人最近又设计了一种用于交互的ER随机图模型。

历史

1959年，Edgar Gilbert在研究之前提到的连通性临界值的论文中，首次引入了G(n, p)模型。G(n, M)模型则是Erdős和Rényi在他们1959年的论文中提出来的。与Gilbert一样，他们首先研究的是G(n, M)的连通性，1960年，他们做了更详细的分析。

另请参阅

• 拉多图（Rado graph），将G(n, p)模型扩展到可数无穷个顶点的图。与有限的情况不同，这种趋于无穷过程的结果（概率为1）是相同的图，直到同构。
• 双相演化（Dual-phase evolution）描述了与ER模型相关的性质推动系统中秩序出现的方式。
• 指数随机图（Exponential random graph models）描述的是给定网络统计数据和各种相关参数的“n”节点图的一般概率分布。
• 随机分块模型（Stochastic block model），是ER模型的推广，是具有潜在社团结构的图。
• WS小世界模型
• BA网络模型

进一步阅读

• West, Douglas B. (2001). Introduction to Graph Theory (2nd ed.). Prentice Hall. ISBN 0-13-014400-2 
• Newman, M. E. J. (2010). Networks: An Introduction. Oxford. 
• Reuven Cohen and Shlomo Havlin (2010). Complex Networks: Structure, Robustness and Function. Cambridge University Press. http://havlin.biu.ac.il/Shlomo%20Havlin%20books_com_net.php. 

---

本中文词条由【普天星相】用户参与编译，【Flynn】审校，【张江】总审校，乐多多编辑，欢迎在讨论页面留言。

本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。