正则q-树根图的可靠性研究

2015-03-23 03:53唐晓清
关键词:期望值树根正则

刘 莹,唐晓清

(1.邵阳学院理学与信息科学系,湖南邵阳422000;2.上海立信会计学院数学与信息学院,上海201620)

正则q-树根图的可靠性研究

刘 莹1,唐晓清2

(1.邵阳学院理学与信息科学系,湖南邵阳422000;2.上海立信会计学院数学与信息学院,上海201620)

对根图的顶点的幸存概率进行了期望值研究,得出一个重要的定理,即减-缩边公式.由此,得到一些特殊根图的期望值计算公式及正则q-树根图和正则q-树整子根图的期望值计算公式.讨论了根图的均值和方差的后验计算公式,以及整体优化的思路.

根图;期望值;正则q-树根图;正则q-树整子根图;均值-方差优化

生活中,很多网络可以看做一个根图.比如,供电网络、供水网络、计算机网络、有线电视网络,等等.它们都有一个共同的特点,那就是终端用户可以看做是图的顶点,而连接它们的管道或线路,可以看做是图的线,像电厂、发射台等功能中心,就是这个图的根.并且,一旦某顶点和根不连通,此顶点就失效了.根图的可靠性,或者说恢复力,是一个很重要的研究目标.人们首先假设有关终端用户设备是以一定的概率在灾难后幸存,这些设备在灾难后幸存的期望值,就是根图可靠性的一个重要指标.因此该研究的重要性不言而喻.目前对于根图的边的幸存概率p,M.Aivaliotis和A.Bailey进行了期望值研究,得到一些成果.[1-2]但对根图的顶点幸存概率期望值的研究还未见报道.本文对根图的顶点幸存概率期望值进行了研究,得出一些结论.

1 定义及减-缩边公式

1.1定义及定理

设图G是一个连通根图,根顶点表示为*,并且,集合E是边集,集合V是顶点集,子集A⊆V,r(A)表示包含根的子图A中和根连通的边的数目.设图的每一个顶点(根顶点除外)在灾难事件发生后的幸存概率是p,并且任何两个顶点是否幸存是独立的.在这里,设边总是不失效的.但是,在一个连接根的通路中,如果前面的顶点失效,则后面的边不再考虑计数,即认为失效.总之,本文是在概率环境中,研究和根连通的边的期望值.

定义1 设G是一个简单连通根图(即此根图没有环和重边),那么,它的边数期望值

这里|A|表示集合A的阶.

由此定义,不难算出任何根图的边的期望值.比如,三角形根图(如图1所示)的期望值是Eve(G;p)=2p+p2,当p=1时,Eve(G;1)=3,完全符合所有顶点幸存时根图的边的数目.

定理1(减-缩边公式) 设G是一个简单连通根图,边e连接根*,它的另一端顶点是v.那么

简单根图在缩边后,可能出现环,或者重边.所以本文把没有环、不与任何边相连的根,表示为φ*;仅有一个环的根,表示为I*.并且,令Eve(I*;p)=1,Eve(φ*;p)=0.

证明本文利用条件概率(参见文献[3])的方法给出证明.

设XG表示包含根的部分所连通根的边数,这是一个随机变量,则E(XG)=p·E(XG|v没失效)+(1-p)·E(XG|v失效).当顶点v没失效时,XG=XG/e+1;当顶点v失效时,XG=XG-{v}.

由以上分析可知,(2)式成立.

推论1 有n个顶点(不包括根顶点)的路根图(表示为Pn)的期望值是

推论2 有n个顶点(不包括根顶点)的圈根图(表示为Cn)的期望值

推论3(直和,即无交点的并) Eve(G1⊕G2;p)=Eve(G1;p)+Eve(G2;p).

众所周知,在图的色多项式研究中[4-9],减-缩边公式在简化计算方面,是非常重要的.定理1中的减-缩边公式,同样是非常有用而方便的,见例1.

例1 以三角形根图(图1所示)为例,反复利用公式(2).

定理2 设T是一个树根图,则

这里d(*,v)表示从根*到顶点v的距离.

证明对任何一个非根顶点不失效的话,必须是它到根的路上前面所有顶点全部不失效,而每个顶点不失效的概率都是p,且彼此是独立的,距离是d(*,v).所以,这个顶点不失效概率是pd(*,v),即这个顶点前这个边的不失效概率是这样的.并且,这是非不失效即失效的二点分布,故它的期望即是概率.再把每条边的期望加起来,就是整个根图的期望值.

推论4 设T是有n个顶点(不含根顶点)的根树,那么:

(1)Eve(T;p)的p的次数不超过n;

(2)Eve(T;0)=0,Eve(T;1)=n.

定理3 设G是有n条边的根图,那么,期望值多项式的系数之和是n.即

证明令p=1,则Eve(G;p)=Eve(G;1;而p=1,意味着所有顶点全部不失效,期望值就是根图的边数.

1.2减-缩边公式的应用

1.2.1 路根图的期望值

设Pn是有n个顶点(不含根顶点)的路根图,那么由前面的推论1知道

1.2.2 圈根图的期望值

设Cn是有n个顶点(不含根顶点)的圈根图,那么由前面的推论2可知

1.2.3 扇根图的期望值

设Fn,n≥2是有n个顶点(不含根顶点)的扇根图(即根顶点与路图的每个顶点都连接起来,如图2(a)所示),那么

证明选取连接根*和顶点vn的边e,应用公式(2),有

又Eve(F2;p)=2p+p2.所以(7)式成立.

1.2.4 轮根图的期望值

设Wn,n≥3是有n个顶点(不含根顶点)的轮根图(即根顶点与圈图的每个顶点都连接起来,如图2(b)所示),那么

证明选取连接根*和顶点vn的边e,应用公式(2),有

1.2.5 完全图根图的期望值

设Kn是有n个顶点(不含根顶点)的完全图根图(即根顶点与完全图的每个顶点都连接起来),那么

证明选取连接根*和顶点vn的边e,应用公式(2),有

而Eve(K1;p)=p.所以,(9)式成立.

2 正则q-树根图和正则q-树整子根图

定义2 如果简单根图G由一个完全图根图Kq的各个顶点和另外的n-q个互不相邻的顶点相连接而成,则称之为正则q-树根图(regular rootedq-tree).记为

定理4 有n(n≥q+2)个顶点的正则q-树根图的期望值迭代公式为

证明选取连接根*和顶点vn的边e,应用公式(2),有

性质1 设简单根图G是有n(n≥q)个顶点的正则q-树根图Tnq,则:

定义3 如果去掉n(n≥q+1)个顶点的正则q-树根图中恰好含q个三角形中的一条边而得到的简单根图,则称之为正则q-树整子根图(integral subgraph of regular rootedq-tree).记为Inq.

定理5 有n(n≥q+1)个顶点的正则q-树整子根图的期望值迭代公式为

证明选取连接根*和顶点vn的边e,应用公式(2),有

性质2 设简单根图G是有n(n≥q+1)个顶点的正则q-树整子根图Inq,则:

3 均值-方差优化根图

如果把顶点幸存概率p看做一个未知变量,而且事先知道它有某个特定的先验分布,那么,根据Bayesian理论,就可以得出它更精确的后验分布;如果对它的先验分布不清楚,那么,假设它的先验分布是(0,1)上的均匀分布,就是很合理的.

定义4 设G是一个简单根图,它的期望值是Eve(G;p),那么,它的后验均值

性质3 设Tn是一个有n个顶点(不含根顶点)的简单根树,

(1)当参数p服从(0,1)上的均匀分布,那么它的后验均值

方差计算公式是Var(X)=E(X2)-E2(X),所以有下面的结论:

性质4 设Tn是一个有n个顶点(不含根顶点)的简单根树,参数p服从(0,1)上的均匀分布,那么它的方差是

例2 设Tn是一个有n个顶点(不含根顶点)的简单根树,可以看到,当根顶点在不同位置时,尽管顶点数相同,比如n=4,但是它的均值和方差都不同.

(1)当T是一个星根图

(2)当T是一个路根图

比较上面两个极端的例子,可以发现:如果追求均值大,可以取星根图;但是,如果希望方差小,就要取路根图.

4 讨论

从例2可清楚地看到,同时要求均值大和方差小,是很难做到的.如果我们追求根图整体的优化,势必要在大的均值和小的方差之中找到一个平衡点.一个自然的想法是根据具体的要求,给它们适当的权重.比如,给均值的权重是γ(0≤γ≤1),给方差的权重是1-γ,那么,让u(G)=max[γ·m(G)-(1-γ)· Var(G)]取最大值就可达到目标.或者,控制方差在一定范围内,追求均值最大[10-12];反之,控制均值在一定范围内,追求方差最小.这个问题有待进一步讨论.

[1] AIVALIOTIS M,GORDON G,GRAVEMAN W.When bad things happen to good trees[J].Graph Theory,2001,37:79-99.

[2] BAILY A,GORDON G,PATTON M,et al.Expected value expansions in rooted graphs[J].Discrete Applied Mathematics,2003,128:555-571.

[3] TANG X,TAN M.Estimation of simple constrained parameters with EM method[J].J Hunan Institute of Engineering,2010,20(1):61-64.

[4] 唐晓清,刘念祖,王汉兴,等.图的一类新双变量色多项式[J].兰州大学学报:自然科学版,2012,48(2):106-112.

[5] 唐晓清,刘念祖,王汉兴,等.正则树的双变量色多项式研究[J].应用数学学报,2013,36(4):761-768.

[6] 刘莹,唐晓清.图的双变量色多项式比较研究[J].湖南师范大学自然科学学报,2014,37(6):67-72.

[7] 唐晓清,白延琴,刘念祖,等.基于随机矩阵理论的Markowitz组合投资模型[J].上海大学学报:自然科学版,2013,19(3):293-297.

[8] TANG X.New expected value expansions of rooted graphs[J].Acta Mathematicae Applicatae Sinica:English Series,2015,31(1):1-8.

[9] 刘念祖,唐晓清,王汉兴.正则q-树根图的双概率可靠性探究[J].西南师范大学学报:自然科学版,2013,38(12):24-27.

[10] 王汉兴,刘念祖,唐晓清,等.基于数学模型的混凝土泵在液压系统的Simulink动态仿真[J].重庆理工大学学报:自然科学版,2012,26(9):1-7.

[11] COLBOURN C.Network resilience[J].SIAM J Algebraic Discrete Methods,1987,8:404-409.

[12] 马海成,李生刚.图的多项式与Hosoya指标[J].东北师大学报:自然科学版,2013,45(4):41-44.

Reliability study of regular rooted q-tree

LIU Ying1,TANG Xiao-qing2

(1.Department of Science and Information,Shaoyang University,Shaoyang 422000,China;2.School of Mathematics &Information,Shanghai Lixin University of Commerce,Shanghai 201620,China)

Expected value is a key index of rooted graph reliability.We propose a new vertex surviving rooted graph,that is,when Gis a rooted graph where each vertex may independently succeed with probability p when catastrophic thing happens,we consider the expected number of edges in the operational component of Gcontaining the root.And we get a very important and useful compute formula which is deletion-contraction formula.By using this formula,we get some specific graphs’expected value calculate formulas.Then,we study regular rooted q-tree and integral subgraph of regular rooted q-tree,we get the compute formulas of them.Later,we discuss the mean and variance of expected value when the parameter p has prior distribution.Finally,we discuss the optimality of rooted graph,that is,we propose mean-variance optimality idea for further discussion.

rooted graph;expected value;regular rooted q-tree;integral subgraph of regular rooted qtree;mean-variance optimality

O 157.5 [学科代码] 110·7470 [

] A

(责任编辑:陶理)

1000-1832(2015)01-017-05

10.16163/j.cnki.22-1123/n.2015.01.004

2013-09-09

国家自然科学基金资助项目(60872060).

刘莹(1980—),女,讲师,硕士研究生,主要从事图论与概率研究。

猜你喜欢
期望值树根正则
世界上最深的树根
J-正则模与J-正则环
π-正则半群的全π-正则子半群格
Virtually正则模
巧夺天工
剩余有限Minimax可解群的4阶正则自同构
基于改进数学期望值的沥青性能评价模型
树干和树根
愿望巴士 10疯狂的树根
基于直觉模糊期望值规划和改进粒子群算法的目标优化分配