2021秋季《离散数学》_图的度与同构_离散数学度数列怎么写-CSDN博客

本文介绍了图论中的基本概念，如顶点的度数、握手定理、最大度和最小度，以及如何从度数列判断是否能构造简单无向图。讨论了有向图的出度和入度，并阐述了Havel定理和Erdo¨s-Gallai定理在图化简中的应用。此外，提到了特殊类型的图，如完全图、偶图和超立方体图，以及图的子图和同构的概念。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

省流小助手：

判定度数列可否化为简单无向图，以及由度数列作图

顶点的度数与握手定理

度

无向图中，称 $v_i$ 作为边的端点的次数之和为 $v_i$ 的度数（度），记为 $d_G(v_i)$ ，或简写为 $d(v_i)$ .

每个环提供给它的端点2度。

有向图中，

$v_i$ 作为边的始点的次数之和为 $v_i$ 的出度，记为 $d_D^{-}(v_i)$ ，或简写为 $d^-(v_i)$ .
$v_i$ 作为边的始点的次数之和为 $v_i$ 的入度，记为 $d_D^{+}(v_i)$ ，或简写为 $d^+(v_i)$ .
度： $d_D(v_i)$ ，或简写为 $d(v_i)=d^-(v_i)+d^+(v_i)$ .

最大度和最小度

最大度 $Δ(G)=max⁡{d(v)∣v∈V}\Delta(G)=\max \{d(v)|v\in V\}$ ，简写为 $Δ\Delta$ .

最小度 $δ(G)=min⁡{d(v)∣v∈V}\delta(G)=\min\{d(v)|v\in V\}$ ，简写为 $δ\delta$ .

同理定义最大/小出/入度。

握手定理

设 $G = < V, E >$ 为任意一图（有向的或无向的）， $,vn}V=\{v_1,v_2,\cdots,v_n\}$ ，边的条数 $∣ E ∣ = m$ ，则
$\sum_{i=1}^n d(v_i)=2m$

推论

任何图（有向的或无向的）中，度数为奇数的顶点个数是偶数。

有向图

$\sum_{i=1}^n d^+(v_i)=\sum_{i=1}^n d^-(v_i)=m$

特殊的图

简单图

既无环也无平行边
$0\leq \Delta(G)\leq n-1$

可简单图化

充要条件

$Havel{\rm Havel}$ 定理

设非负整数列 $,dn}d=\{d_1,d_2,\cdots,d_n\}$ 满足：
$d_1+d_2+\cdots+d_n\equiv 0 (\mod 2)$

$n-1\geq d_1\geq d_2\geq\cdots\geq d_n\geq 0$

则 $d$ 可简单图化 $⇔\Leftrightarrow$
$d'=(d_2-1,d_3-1,\cdots ,d_{d_1+1}-1,d_{d_1+2},\cdots,d_n)$
可简单图化。

在这里插入图片描述

画图

在这里插入图片描述

$P.Erdo¨s,T.Gallai,1960{\rm P.Erd\ddot{o}s,T.Gallai,1960}$

设非负整数列 $,dn}d=\{d_1,d_2,\cdots,d_n\}$ 满足：
$d_1+d_2+\cdots+d_n\equiv 0 (\mod 2)$

$n-1\geq d_1\geq d_2\geq\cdots\geq d_n\geq 0$

则 $d$ 可简单图化 $⇔\Leftrightarrow$

对 $,r=1,2,\cdots,$ == $n - 1$ ==有
$d_1+d_2+\cdots+d_r\leq r(r-1)+\min\{r,d_{r+1}\}+\min\{r,d_{r+2}\}+\cdots+\min\{r,d_{n}\}$

等价形式

设非负整数列 $,dn}d=\{d_1,d_2,\cdots,d_n\}$ 满足：
$d_1+d_2+\cdots+d_n\equiv 0 (\mod 2)$
则 $d$ 可简单图化 $⇔\Leftrightarrow$

对 $,r=1,2,\cdots,$ == $n$ ==有
$d_1+d_2+\cdots+d_r\leq r(r-1)+\min\{r,d_{r+1}\}+\min\{r,d_{r+2}\}+\cdots+\min\{r,d_{n}\}$

k-正则图

所有顶点的度数都是 $k$

完全图

无向完全图： $K_n$

有向完全图没有符号。

彼得森图

在这里插入图片描述

经常用来举反例（证明不充分/不必要）

r部图

顶点可以被分为 $r$ 个部分的无向图， $V=V1∪V2∪⋯∪Vr,Vi∩Vj=∅(i≠j),E⊆i≠j=U(Vi&Vj)V=V_1\cup V_2\cup \cdots\cup V_r,V_i\cap V_j=\empty(i\neq j),E\subseteq_{i\neq j}=U(V_i\&V_j)$ ，也记作 $,Vr;E>G=<V_1,V_2,\cdots, V_r;E>$ .

偶图（2部图）

$G=<V_1,V_2;E>$

条件

$V=V1∪V2,V1∩V2=∅V=V_1\cup V_2,V_1\cap V_2=\empty$
$∀e∈E,∣e∩V1∣=∣e∩V2∣=1\forall e\in E,|e\cap V_1|=|e\cap V_2|=1$

常给资源分配问题建立模型

完全偶图

$K_{|V_1|,|V_2|}$

容易证明 $K_{|V_1|,|V_2|}$ 有 $V_1||V_2|$ 条边。

超立方体图

$Q_n$

有 $2^n$ 个顶点
将两个 $Q_{n-1}$ 的对应顶点连接，可得 $Q_n$

在并行计算和超级计算中运用（处理器和处理器之间的连接）

子图

导出子图

选定顶点后需要带出所有的边/选定边后需要带出所有的顶点

图同构

无向图中，若存在双射 $f:V1→V2f:V_1\rightarrow V_2$ ，满足 $∀u,v∈V1,(u,v)∈E1↔(f(u),f(v))∈E2\forall u,v\in V_1,(u,v)\in E_1\leftrightarrow(f(u),f(v))\in E_2$ ，则称 $G_1,G_2$ 同构，记作 $G1≅G2G_1\cong G_2$ .

有向图中，若存在双射 $f:V1→V2f:V_1\rightarrow V_2$ ，满足 $∀u,v∈V1,<u,v>∈E1↔<f(u),f(v)>∈E2\forall u,v\in V_1,<u,v>\in E_1\leftrightarrow<f(u),f(v)>\in E_2$ ，则称 $D_1,D_2$ 同构，记作 $D1≅D2D_1\cong D_2$ .