В теории графов, случайный геометрический граф (RGG ) является математически простейшей пространственной сетью, а именно неориентированным графом, построенным путем случайного размещения N узлов в некотором метрическом пространстве (согласно к заданному распределению вероятности) и соединяя два узла с помощью ссылки тогда и только тогда, когда их расстояние находится в заданном диапазоне, например меньше определенного радиуса окрестности r.
Случайные геометрические графы во многих отношениях напоминают реальные человеческие социальные сети. Например, они спонтанно демонстрируют структуру сообщества - кластеры узлов с высокой модульностью. Другие алгоритмы генерации случайных графов, например, сгенерированные с использованием модели Эрдеша – Реньи или модели Барабаши – Альберта (BA), не создают этот тип структуры. Кроме того, случайные геометрические графы отображают степень ассортативности в соответствии с их пространственным измерением: «популярные» узлы (те, у которых много ссылок), особенно вероятно, будут связаны с другими популярными узлами.
Реальным применением RGG является моделирование специальных сетей. Кроме того, они используются для выполнения тестов для (внешних) графовых алгоритмов..
Далее пусть G = (V, E) обозначает неориентированный График с набором вершин V и множества ребер E ⊆ V × V. Размеры множества обозначаются | V | = n и | E | = м. Кроме того, если не указано иное, учитывается метрическое пространство [0,1) с евклидовым расстоянием, т.е. для любых точек евклидово расстояние x и y определяется как
A случайный геометрический граф (RGG) - это неориентированный геометрический граф, узлы которого выбираются случайным образом из униформы распределение нижележащего пространства [0,1). Две вершины p, q ∈ V связаны тогда и только тогда, когда их расстояние меньше заданного ранее параметра r ∈ (0,1), за исключением любых петель. Таким образом, параметры r и n полностью характеризуют RGG..
Наивный подход заключается в вычислении расстояния от каждой вершины до каждой другой вершины. Поскольку существует возможных соединений, которые проверяются, временная сложность наивного алгоритм: . Выборки генерируются с помощью генератора случайных чисел (RNG) на . На практике это можно реализовать с помощью d генераторов случайных чисел на , по одному ГСЧ для каждого измерения.
V: = generateSamples (n) // Генерирует n выборок в единичном кубе. для каждого p ∈ V doдля каждого q ∈ V \ {p} doifdistance (p, q) ≤ r, затем addConnection (p, q) // Добавьте край (p, q) в структуру данных края. конец, если конец для конец для
Поскольку этот алгоритм не масштабируемый (каждая вершина нуждается в информации о каждой другой вершине), Holtgrewe et al.. и Funke et al. представили новые алгоритмы решения этой проблемы.
Этот алгоритм, который был предложен Холтгреу и др., Был первым алгоритмом распределенного генератора RGG для измерения 2. Он разбивает единичный квадрат на ячейки равного размера с длиной стороны не менее . Для заданного числа процессоров каждому процессору назначается ячеек, где Для простоты считается квадратом число, но его можно обобщить на любое количество процессоров. Затем каждый процессор генерирует вершины , которые затем распределяются между их владельцами. Затем вершины сортируются по номеру ячейки, в которую они попадают, например, с помощью Quicksort. Затем каждый процессор отправляет своим соседним процессорам информацию о вершинах в граничных ячейках, так что каждый процессор может вычислять края в своем разделе независимо от других модулей. Ожидаемое время работы составляет . Верхняя граница затрат на обмен данными для этого алгоритма задается как , где обозначает время для полной связи с сообщениями длиной lбит для cпартнеров по связи. - время, необходимое для двухточечной связи для сообщения большой длины. lбит.
Поскольку этот алгоритм не свободен от коммуникации, Funke et al. предложил масштабируемый распределенный генератор RGG для более высоких измерений, который работает без какой-либо связи между процессорами.
Подход, использованный в этом алгоритме, аналогичен подходу в Holtgrewe: разделите единичный куб на блоки равного размера с длиной стороны не менее r. Итак, в d= 2 это будут квадраты, в d= 3 это будут кубы. Поскольку может поместиться не более фрагментов на измерение, количество фрагментов ограничено at . Как и раньше, каждому процессору назначается блоков, для которого генерирует вершины. Чтобы добиться процесса без связи, каждый процессор затем генерирует одинаковые вершины в соседних блоках, используя псевдослучайную обработку seeded хэш-функций. Таким образом, каждый процессор вычисляет одни и те же вершины, и нет необходимости в обмене информацией о вершинах.
Для измерения 3 Funke et al. показал, что ожидаемое время работы составляет , без каких-либо затрат на связь между процессорами.
Вероятность того, что одна вершина изолирована в RGG, равна . Пусть будет случайной величиной, подсчитывающей количество изолированных вершин. Тогда ожидаемое значение равно . Термин предоставляет информацию о возможности подключения RGG. Для RGG асимптотически почти наверняка соединен. Для RGG асимптотически почти наверняка отключен. А для RGG имеет гигантский компонент, охватывающий более вершин и - распределение Пуассона с параметром . Отсюда следует, что если , вероятность того, что RGG подключен, равна и вероятность того, что RGG не подключен, равна .
Для любого -Norm () и для любого количества измерений , RGG обладает резким порогом подключения в с минусами tant . В частном случае двумерного пространства и евклидовой нормы (и ) это дает .
Было показано, что в двумерном случае порог также предоставляет информацию о существовании гамильтонова цикла (Hamiltonian Path ). Для любого , если , то RGG асимптотически почти наверняка не имеет гамильтонова цикла, и если для любого , тогда RGtoG имеет asy почти наверняка гамильтонов цикл.
Коэффициент кластеризации групп RGG зависит только от измерения dнижележащего пространства [0,1). Коэффициент кластеризации равен
для четного и для нечетного где
Для больших , это упрощается до .В 1988 году Ваксман обобщил стандартную RGG, введя функцию вероятностной связи вместо детерминированный, предложенный Гилбертом. Пример, представленный Ваксманом, представлял собой растянутую экспоненту, где два узла и соединяются с вероятностью где - евклидово разделение, а , - параметры, определяемые система. Этот тип RGG с функцией вероятностной связи часто называют мягким случайным геометрическим графом, который теперь имеет два источника случайности; расположение узлов (вершин) и образование связей (ребер). Эта функция связи получила дальнейшее обобщение в литературе , который часто используется для исследования беспроводных сетей без помех. Параметр показывает, как сигнал затухает с расстоянием, когда - свободное пространство., моделирует более загроможденную среду, например город (= 6 моделей городов, таких как Нью-Йорк), в то время как моделирует среду с высокой отражающей способностью. Мы замечаем, что для - это модель Ваксмана, тогда как и у нас есть стандартный RGG. Интуитивно этот тип функций соединения моделирует, как вероятность установления связи уменьшается с расстоянием.
В пределе высокой плотности для сети с экспоненциальной функцией соединения количество изолированных узлов равно Пуассону. распределенная, и результирующая сеть содержит только уникальный гигантский компонент и изолированные узлы. Следовательно, гарантируя отсутствие изолированных узлов, в плотном режиме сеть является а.о. полностью связной; аналогично результатам, показанным для модели диска. Часто свойства этих сетей, такие как центральность промежуточности и связность, изучаются в пределах плотности , что часто означает, что пограничные эффекты становятся незначительными. Однако в реальной жизни, где сети конечны, хотя все еще могут быть чрезвычайно плотными, пограничные эффекты будут влиять на полную связность; на самом деле показал, что для полной связи с экспоненциальной функцией соединения сильно влияют граничные эффекты, поскольку узлы около угла / грани домена с меньшей вероятностью соединятся по сравнению с узлами в основной части. В результате полная связность может быть выражена как сумма вкладов от объема и границ геометрии. Более общий анализ функций соединения в беспроводных сетях показал, что вероятность полного соединения может быть хорошо аппроксимирована несколькими моментами функции соединения и геометрией регионов.
| journal =
()| journal =
()| journal =
()| journal =
().