文章目录

【数学】基本代数图论 Basic Algebraic Graph Theory
- 1. Notations
- 2. Basic Concepts
- - 2.1 Basic Representation of Graph
  - 2.2 Basic Relations of Graph
  - 2.3 Subgraph of Graph
  - 2.4 Adjacency Matrix
  - 2.5 Laplacian Matrix
- Reference

【数学】基本代数图论 Basic Algebraic Graph Theory

1. Notations

G\mathscr{G}G：图

V\mathscr{V}V：节点的集合

E\mathscr{E}E：边的集合

A\mathscr{A}A：邻接矩阵

L\mathscr{L}L：拉普拉斯矩阵

Ni\mathscr{N}_iNi：智能体iii的邻居节点集合

2. Basic Concepts

2.1 Basic Representation of Graph

有向图 dircted graph：G≜(V,E)\mathscr{G}\triangleq(\mathscr{V,E})G≜(V,E)，其中V≜{1,…,p}\mathscr{V}\triangleq{\{1,\dots,p\}}V≜{1,…,p}表示节点的集合，E⊆(V×V)\mathscr{E}\subseteq(\mathscr{V}\times{\mathscr{V}})E⊆(V×V)表示边的集合。

有向图的边 edge：(i,j)(i,j)(i,j)表示jjj可以从iii获取信息，但反过来则不行，且有(i,j)∈E(i,j)\in\mathscr{E}(i,j)∈E，其中iii是父节点jjj是子节点。

无向图的边 edge：(i,j)(i,j)(i,j)表示iii和jjj可以交换信息，无向图的边可以视作是一种特殊的有向图的边，比如无向图的边(i,j)(i,j)(i,j)可以视作有向图的边(i,j)(i,j)(i,j)和(j,i)(j,i)(j,i)的组合。

有权图 weighted graph：图中的每一条边都具有权重，如果没有特殊说明，基本所有的图都是有权图。

图集合的并 union of a collection of graphs：图集合的并是指，图的节点集合的并和图的边集合的并。

邻居节点集合Ni\mathscr{N}_iNi：代表了所有与智能体iii具有一条边相连的所有其他智能体构成的集合。

2.2 Basic Relations of Graph

有向通路 directed path：是针对有向图而言的，可以用一系列的边来表示(i1,i2),(i2,i3)(i_1,i_2),(i_2,i_3)(i1,i2),(i2,i3)

无向通路 undirected path：是针对无向图而言的，用类似于有向通路的方式来定义。

强连接 strongly connected：是针对有向图而言的，∀\forall∀节点间都∃\exists∃一条有向通路

连接 connected：是针对无向图而言的，∀\forall∀互异节点间都∃\exists∃一条无向通路

完全 complete：是针对有向图而言的，∀\forall∀节点间都∃\exists∃一条边

全连接 fully connected：是针对无向图而言的，∀\forall∀互异节点间都∃\exists∃一条边

有向树 directed tree：是针对于有向图而言的，除了根节点外每个节点都只有一个父节点，而根节点则没有父节点

树 tree：是针对于无向图而言的，每一对节点都只由一条无向通路连接。

2.3 Subgraph of Graph

子图 subgraph：(Vs,Es)(\mathscr{V}^s,\mathscr{E}^s)(Vs,Es)是(V,E)(\mathscr{V},\mathscr{E})(V,E)的子图，其中Vs⊆V,Es⊆E⋂(Vs,Vs)\mathscr{V}^s\subseteq\mathscr{V},\mathscr{E}^s\subseteq\mathscr{E}\bigcap(\mathscr{V}^s,\mathscr{V}^s)Vs⊆V,Es⊆E⋂(Vs,Vs)

有向生成树 directed spanning tree：(Vs,Es)(\mathscr{V}^s,\mathscr{E}^s)(Vs,Es)是(V,E)(\mathscr{V},\mathscr{E})(V,E)的子图，s.t.s.t.s.t.(Vs,Es)(\mathscr{V}^s,\mathscr{E}^s)(Vs,Es)是有向树，并且Vs=V\mathscr{V}^s=\mathscr{V}Vs=V，即子图包含原图的所有节点

无向生成树 undirected spanning tree：(Vs,Es)(\mathscr{V}^s,\mathscr{E}^s)(Vs,Es)是(V,E)(\mathscr{V},\mathscr{E})(V,E)的子图，s.t.s.t.s.t.(Vs,Es)(\mathscr{V}^s,\mathscr{E}^s)(Vs,Es)是树，并且Vs=V\mathscr{V}^s=\mathscr{V}Vs=V，即子图包含原图的所有节点

有向生成树的存在性 existence of directed spanning tree：当有向生成树是图(V,E)(\mathscr{V},\mathscr{E})(V,E)的子图的时候，我们称图(V,E)(\mathscr{V},\mathscr{E})(V,E)具有生成树。判据：图(V,E)(\mathscr{V},\mathscr{E})(V,E)具有生成树iffiffiff图(V,E)(\mathscr{V},\mathscr{E})(V,E)至少具有一个节点对其他所有的节点具有有向通路。

无向图生成树的存在性 existence of undirected spanning tree：无向图生成树的存在性等同于连接性。

2.4 Adjacency Matrix

有向图的邻接矩阵 adjacency matrix of direceted graph：不允许有自边self-edge的图(V,E)(\mathscr{V},\mathscr{E})(V,E)的邻接矩阵可以表示为A≜[aij]∈Rp×p\mathscr{A}\triangleq[a_{ij}]\in\mathbb{R}^{p\times{p}}A≜[aij]∈Rp×p，

aij={positive weightif(j,i)∈E0if(j,i)∉E0ifi=ja_{ij}= \left\{\begin{array}{ll} \begin{aligned} & \textrm{positive weight} & \textrm{if$(j,i)\in\mathscr{E}$} \\ & 0 & \textrm{if$(j,i)\notin\mathscr{E}$} \\ & 0 & \textrm{if$i=j$} \end{aligned} \end{array}\right. aij=⎩⎨⎧positive weight00if(j,i)∈Eif(j,i)∈/Eifi=j

无向图的邻接矩阵 adjacency matrix of undirected graph：无向图的邻接矩阵定义类似，只不过多了一条性质是aij=aji,i≠ja_{ij}=a_{ji},i\neq{j}aij=aji,i=j，保证了无向图的邻接矩阵是对称的。

节点的入度 in-degree：对节点iii来说，其入度是∑j=1paij\sum_{j=1}^{p}a_{ij}∑j=1paij

节点的出度out-degree：对节点iii来说，其出度是∑j=1paji\sum_{j=1}^{p}a_{ji}∑j=1paji

平衡点 balanced node：对于节点iii来说，如果它的入度等于出度，那么它是平衡点。

平衡图 balanced graph：对于图来说，如果它的所有结点都是平衡点那么该图则是平衡图。

2.5 Laplacian Matrix

拉普拉斯矩阵 Laplacian Matrix的定义是L≜[ℓij]∈Rp×p\mathscr{L}\triangleq[\ell_{ij}]\in\mathbb{R}^{p\times{p}}L≜[ℓij]∈Rp×p
ℓii=∑j=1,i≠jpaij,ℓij=−aij,i≠j\ell_{ii}=\sum_{j=1,i\ne{j}}^{p}a_{ij}, \quad \ell_{ij}=-a_{ij},i\ne{j} ℓii=j=1,i=j∑paij,ℓij=−aij,i=j
并且注意到(j,i)∉E(j,i)\notin\mathscr{E}(j,i)∈/E则有ℓij=−aij=0\ell_{ij}=-a_{ij}=0ℓij=−aij=0，那么拉普拉斯矩阵满足：
ℓij≤0,i≠j,∑j=1pℓij=0,i=1,…,p\ell_{ij}\le0,i\ne{j}, \quad \sum_{j=1}^p\ell_{ij}=0,i=1,\dots,p ℓij≤0,i=j,j=1∑pℓij=0,i=1,…,p

无向图的拉普拉斯矩阵是对称阵，直接称为Laplacian matrix

有向图的拉普拉斯矩阵是非对称阵，称为nonsymetric Laplacian matrix或者directed Laplacian matrix

入度矩阵in-degree matrix D≜[dij]∈Rp×pD\triangleq[d_{ij}]\in\mathbb{R}^{p\times{p}}D≜[dij]∈Rp×p的定义是：
dij={0if i≠j∑j=1paiji=1,…,pd_{ij}= \left\{\begin{array}{ll} \begin{aligned} & 0 & \textrm{if $i\ne{j}$} \\ & \sum_{j=1}^pa_{ij} & i=1,\dots,p \end{aligned} \end{array}\right. dij=⎩⎨⎧0j=1∑paijif i=ji=1,…,p
那么拉普拉斯矩阵L\mathscr{L}L就可以通过入度矩阵DDD和邻接矩阵A\mathscr{A}A来进行表示
L=D−A\mathscr{L}=D-\mathscr{A} L=D−A

三者基本的关系可以由上图表示。

Reference

Distributed Coordination of Multi-agent Networks Emergent Problems, Models, and Issues