Erdős–Rényi (ER) 模型

Erdős--Rényi (ER) 模型 是最早的随机图模型之一，由匈牙利数学家 Pál Erdős 和 Alfréd Rényi 于 1959 年提出。ER 模型主要通过在节点之间随机地添加边来生成图，广泛用于随机图理论的研究和各种网络模型的基础。

ER 模型的基本定义

ER 模型的基本思想是：

给定一个图的节点集合 VVV 和边的概率 ppp，ER 模型通过以下过程生成图：
- 对于图中的每一对节点 viv_ivi 和 vjv_jvj，以相同的概率 ppp 来决定是否在它们之间添加一条边。
- 每一条边是否存在是独立事件，且每条边以概率 ppp 存在，概率 1−p1-p1−p 不存在。

ER 模型有两种常见的变体：

G(n, p) 模型：在图中有 nnn 个节点，每对节点之间都有独立的边，边的存在概率是 ppp。
G(n, M) 模型：给定 nnn 个节点，随机选择 MMM 条边来构成图，而不是为每一对节点赋予独立的连接概率。

生成图的过程

G(n, p) 模型的生成过程：

给定图的节点数量 nnn，节点集 V={v1,v2,...,vn}V = \{v_1, v_2, ..., v_n\}V={v1,v2,...,vn}。
对于任意一对不同的节点 viv_ivi 和 vjv_jvj，以概率 ppp 连接它们，即有边 eije_{ij}eij 的概率为 ppp，不连接的概率为 1−p1 - p1−p。
生成所有可能的边：对于 nnn 个节点，总共有 (n2)\binom{n}{2}(2n) 条可能的边。
随机地为每一条边生成一个独立的事件，根据概率 ppp 决定是否连接两个节点。

G(n, M) 模型的生成过程：

给定图的节点数量 nnn 和边的数量 MMM。
随机选择 MMM 条边，连接图中的节点对。

图的特征

ER 模型生成的图具有以下特征：

度分布 ：ER 图的度分布是泊松分布。对于图中的节点 viv_ivi，它的度 did_idi 满足以下分布：

P(di=k)=(n−1k)pk(1−p)n−1−k P(d_i = k) = \binom{n-1}{k} p^k (1 - p)^{n-1-k} P(di=k)=(kn−1)pk(1−p)n−1−k

对于大 nnn，度分布可以近似为泊松分布：

P(di=k)≈(λke−λ)k!,λ=(n−1)p P(d_i = k) \approx \frac{(\lambda^k e^{-\lambda})}{k!}, \quad \lambda = (n-1)p P(di=k)≈k!(λke−λ),λ=(n−1)p

这里，λ=(n−1)p\lambda = (n-1)pλ=(n−1)p 是每个节点的期望度。
平均度 ：图中每个节点的平均度 ⟨k⟩\langle k \rangle⟨k⟩ 可以通过以下公式计算：

⟨k⟩=(n−1)p \langle k \rangle = (n-1)p ⟨k⟩=(n−1)p

这是因为每个节点与其他 n−1n-1n−1 个节点相连接的概率为 ppp。
连通性 ：ER 图的连通性依赖于 ppp 和 nnn。在 ppp 较小时，图可能是不连通的，而当 ppp 足够大时，图趋向于连通。特别地，ER 图在 p∼ln⁡nnp \sim \frac{\ln n}{n}p∼nlnn 这个临界值附近开始表现出连通性。
图的直径和集群系数：ER 图的直径通常是对数级别的，随着节点数的增加，图的直径增加，而集群系数（表示图的局部连通性）通常非常低，因为每个节点的连接都是独立的。

ER 模型的特性推导

度分布 ：

ER 图的度分布可以通过概率论中的二项分布推导。对于节点 viv_ivi 的度数 did_idi，它的度数是由独立的 Bernoulli 试验的结果决定的，每个节点与其他节点之间的边存在的概率是 ppp。所以，度数 did_idi 服从参数为 n−1n-1n−1 和 ppp 的二项分布：

P(di=k)=(n−1k)pk(1−p)n−1−k P(d_i = k) = \binom{n-1}{k} p^k (1-p)^{n-1-k} P(di=k)=(kn−1)pk(1−p)n−1−k
图的连通性临界点 ：

对于 ER 图，图的连通性随着 ppp 的增大而增加。在 ppp 较小的时候，图大概率不连通；当 ppp 达到某个临界值 pc∼ln⁡nnp_c \sim \frac{\ln n}{n}pc∼nlnn 时，图有可能形成一个大连通组件，表现出连通性。
集群系数和直径 ：

ER 图的集群系数通常较低，因为节点之间的连接是独立的，没有考虑局部结构。随着节点数量的增加，ER 图的直径通常会趋于对数级别。

ER 图模型的应用

随机网络建模：ER 图模型用于随机网络的理论研究，尤其是用于模拟和分析大规模网络。
社交网络：尽管 ER 模型不能完全捕捉现实世界社交网络的复杂结构，但它可以用作网络生成的基础模型，尤其是在没有其他结构约束的情况下。
理论研究：ER 图被广泛应用于图算法和网络分析中的基准测试，例如图遍历算法、连接性分析、网络传播模型等。

ER 模型的局限性

缺乏复杂的网络结构：ER 图模型假设每一条边的生成是独立的，因此无法表示现实网络中常见的结构特性，如社区结构或社交网络中的群体行为。
度分布不准确：虽然 ER 图可以生成某种程度上的度分布，但它无法精确地建模实际网络中的度分布，尤其是在网络中有许多节点具有非常高的度数时。

总结

Erdős--Rényi (ER) 模型是一个简单而有效的随机图生成模型，适用于生成随机网络，特别是在没有明确的社区结构或其他约束条件的情况下。它为许多网络理论和算法提供了理论支持，并且被广泛应用于图算法和大规模网络研究中。然而，ER 模型的局限性在于无法捕捉现实世界复杂网络中的某些结构特性，如社区结构和节点间的相关性。