• 设为首页
  • 点击收藏
  • 手机版
    手机扫一扫访问
    迪恩网络手机版
  • 关注官方公众号
    微信扫一扫关注
    公众号

MATLAB实例:构造网络连接图(Network Connection)及计算图的代数连通度(Algebraic Con ...

原作者: [db:作者] 来自: [db:来源] 收藏 邀请

MATLAB实例:构造网络连接图(Network Connection)及计算图的代数连通度(Algebraic Connectivity)

作者:凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/

1. 图的代数连通度(Algebraic Connectivity)

图的代数连通度:Laplace图谱的次小特征值。

2. 网络连接图(Network Connection)的构造

        随机生成一个具有50个节点的传感器网络。节点随机放置在3.5 x 3.5方形区域内,通信距离为0.8。如下图所示,共有159条边,其代数连通度为:0.3007。

3. MATLAB程序

demo_Create_Network_Connection.m

%创建无向图 网络连接图 Network Connection.
clc;
close all;
clear;

Conf.Square = 3.5;  %方形区域的边长
Conf.NodeNumber = 50;  %节点个数
Conf.CommDist = 0.8;  %最大通信距离

is_create_network = 1;
if is_create_network == 1
    [ Network, Dists ] = CreateNetworksFunc(Conf);
    save Network_1.mat Network
else
    load Network_1.mat
end

nodenum = size(Network.Nodes.loc,1);  %节点个数
lap_matrix = zeros(nodenum);  %节点数*节点数 图的Laplace矩阵:diag(d1,d2,...dn)-邻接矩阵,di为节点i的度
for i=1:nodenum
    idx = Network.Nodes.neighbors{i};  %邻接节点的id
    lap_matrix(i,idx) = -1;   %负的邻接矩阵
    lap_matrix(i,i) = length(idx);  %对角线元素为节点的度
end
eig_val = eig(lap_matrix);  %lap_matrix的特征值
eig_val = sort(eig_val,\'ascend\');  %从小到大排序,最小特征值为0
algeb_conn = eig_val(2) % algebraic connectivity 代数连通度:lap_matrix的第二小特征值>0,连通图
avg_deg = sum(diag(lap_matrix))/nodenum   % average values 节点度的均值

DrawNetworks(Network);
% DrawNetworks(Network, Dists); %把所有的边的长度(通信距离)都标出来了
print(gcf,\'-dpng\',\'Network_1.png\');  %保存图片

CreateNetworksFunc.m

function [ Network, Dists ] = CreateNetworksFunc(Conf)
%  创建无向图 网络连接图 Network Connection.
    num = Conf.NodeNumber;  %节点个数
    square = Conf.Square;  %方形区域的边长
    maxDist = Conf.CommDist;  %最大通信距离
   
    loc = square*rand(num,2) - square/2;  %num*2的随机数 节点坐标     
    Dists = Euclid_Dist(loc(:,1),loc(:,2));  %节点数*节点数,对角线元素为0
    
    % without self-loop 不存在节点自己到自己的路径,对角线上的元素为无穷大
    Dists = Dists + 10*maxDist*eye(num);
    
    Neighbors = cell(num,1);
    maxDegree = 0; %节点的最大度,与节点相邻的最大边数
    edges = 0;  %图的总边的个数,无向图的度/2
    for i=1:num
        Neighbors{i} = find(Dists(i,:)<=maxDist);  %找邻接节点的id
        if length(Neighbors{i}) > maxDegree
            maxDegree = length(Neighbors{i});  %节点的最大度
        end
        edges = edges + length(Neighbors{i});
    end
   
    Nodes.loc = loc;
    Nodes.neighbors = Neighbors;
    
    Network.maxDegree = maxDegree;
    Network.edges = edges/2; %% undirected graph
    Network.Conf = Conf;
    Network.Nodes = Nodes;
end

function dist = Euclid_Dist(X,Y)
% 求两两节点之间的距离,输出[节点*节点]的矩阵,距离矩阵
    len = length(X);
    xx = repmat(X,1,len); %节点数*节点数
    yy = repmat(Y,1,len);    
    dist = sqrt((xx-xx\').^2+(yy-yy\').^2);  %节点数*节点数
end

DrawNetworks.m

function fig = DrawNetworks( Network )
%画无向图 网络连接图 Network Connection.
% function fig = DrawNetworks( Network, Dists )  %把所有的边的长度(通信距离)都标出来了

num = Network.Conf.NodeNumber;  %节点个数
loc = Network.Nodes.loc;  %节点坐标
square = Network.Conf.Square;  %方形区域的边长
Neighbors = Network.Nodes.neighbors;  %邻接节点的id

fig = figure;
plot(loc(:,1),loc(:,2),\'ro\',\'MarkerSize\',8,\'LineWidth\',2);  %节点是红色圆圈
side=ceil(square/2);
axis([-side,side,-side,side]);   
for i=1:num
    for k = 1:length(Neighbors{i})
        j = Neighbors{i}(k);
%             c = num2str(Dists(i,j),\'%.2f\');
%             text((loc(i,1) + loc(j,1))/2,(loc(i,2) + loc(j,2))/2,c,\'Fontsize\',10);  %把所有的边的长度(通信距离)都标出来了
%             hold on;
        line([loc(i,1),loc(j,1)],[loc(i,2),loc(j,2)],\'LineWidth\',0.8,\'Color\',\'b\'); %线是蓝色
    end
end
set(gcf, \'Color\', \'w\'); %白色
end

4. 连通度与代数连通度

    图的连通度侧重的是图的结构性质,而代数连通度侧重的是矩阵的代数性质。

  • 图的代数连通度

           图的Laplace矩阵的次小特征值。

  • 点连通度

           一个具有N个点的图G中,在去掉任意K−1个顶点后(1<=K<=N)所得的子图仍然连通,去掉K个顶点后不连通,则称G是K连通图,K称作图G的点连通度,记作K(G)。

  • 边连通度

           一个具有N条边的图G中,在去掉任意K−1条边后(1<=K<=N)所得的子图仍然连通,去掉K条边后不连通,则称G是K连通图,K称作图G的边连通度,记作K(G)。

5. 参考文献

[1] Hua J, Li C. Distributed variational Bayesian algorithms over sensor networks[J]. IEEE Transactions on Signal Processing, 2015, 64(3): 783-798.

[2] 肖恩利, 束金龙, 闻人凯. 图的代数连通度及其点连通度[J]. 华东师范大学学报(自然科学版), 2003, 2003(4):1-4.

[3] Junhao Hua. Distributed Variational Bayesian Algorithms. Github, 2017.


鲜花

握手

雷人

路过

鸡蛋
该文章已有0人参与评论

请发表评论

全部评论

专题导读
热门推荐
阅读排行榜

扫描微信二维码

查看手机版网站

随时了解更新最新资讯

139-2527-9053

在线客服(服务时间 9:00~18:00)

在线QQ客服
地址:深圳市南山区西丽大学城创智工业园
电邮:jeky_zhao#qq.com
移动电话:139-2527-9053

Powered by 互联科技 X3.4© 2001-2213 极客世界.|Sitemap