[论文解读] The height of random $k$-trees and related branching processes

Colin Cooper, Alan Frieze+1 more|arXiv (Cornell University)|Sep 16, 2013

Stochastic processes and statistical mechanics参考文献 16被引用 3

一句话总结

本文通过分支过程近似方法分析了随机 k-树与 k-Apollonian 网络——一种树状随机图——的高度。推导出其高度渐近为 $ c /log t $，其中 $ c = c(k) $ 满足一个超越方程；当 $ k $ 较大时，$ c \sim 1/(k \log 2) $，表明高度呈对数增长，且增长速率与 $ k $ 成反比。研究结果基于连续时间分支过程与 Cramér 函数分析获得，将先前关于随机递归树的研究成果推广至更高阶结构。

ABSTRACT

We consider the height of random k-trees and k-Apollonian networks. These random graphs are not really trees, but instead have a tree-like structure. The height will be the maximum distance of a vertex from the root. We show that w.h.p. the height of random k-trees and k-Apollonian networks is asymptotic to clog t, where t is the number of vertices, and c=c(k) is given as the solution to a transcendental equation. The equations are slightly different for the two types of process. In the limit as k-->oo the height of both processes is asymptotic to log t/(k log 2).

研究动机与目标

• 确定随机 k-树与 k-Apollonian 网络的渐近高度，这些是具有根顶点的树状随机图。
• 将现有关于随机递归树（如 preferential attachment）的研究结果推广至 k-树与 Apollonian 网络等更高阶结构。
• 开发并应用一种基于连续时间分支过程与 Cramér 函数的一般性方法，以分析此类随机图过程的高度。
• 推导出渐近高度常数 $ c(k) $ 的显式表达式，包括其在 $ k \to \infty $ 时的行为。

提出的方法

• 将 k-树与 k-Apollonian 网络的生长建模为离散时间过程，其中每个新顶点随机连接到一个 k-团内的 (k−1)-团。
• 应用连续时间 Crump-Mode-Jagers 分支过程框架，其中顶点的寿命与后代分布由指数等待时间决定。
• 利用分支过程的 Cramér 函数确定高度的渐近增长速率，将问题转化为求解涉及矩生成函数的超越方程。
• 通过概率耦合与集中度论证建立高度的上下界，利用时间尺度变换将离散步骤与连续时间关联。
• 推导出 BFS 树中每一层团数的递推关系，并使用生成函数分析在下界近似下的系统行为。
• 当 $ k $ 较大时，应用伽马函数的渐近展开与对数恒等式，推导出极限行为 $ c \sim 1/(k \log 2) $。

实验结果

研究问题

• RQ1 在 $ t $ 个顶点的随机 k-树上，其渐近高度是多少？它如何依赖于 $ k $？
• RQ2 k-Apollonian 网络的高度与随机 k-树相比如何？哪些结构差异会影响增长速率？
• RQ3 是否可以基于分支过程与 Cramér 函数建立统一框架，分析树状随机图的高度？
• RQ4 当 $ k \to \infty $ 时，高度常数 $ c(k) $ 的极限行为是什么？

主要发现

• 随机 k-树的高度 $ h(t; k) $ 渐近为 $ c \log t $，其中 $ c $ 满足涉及伽马函数与指数项的超越方程。
• 当 $ k = 2 $ 时，高度常数 $ c $ 满足 $ \frac{1}{2c} \exp\left(1 + \frac{1}{2c}\right) = 1 $，与已知的 preferential attachment 树结果一致。
• 当 $ k \geq 3 $ 时，常数 $ c $ 由涉及伽马函数与归一化条件的方程组决定，以确保 Cramér 函数达到临界值。
• 当 $ k \to \infty $ 时，高度常数满足 $ c \sim \frac{1}{k \log 2} $，表明高度呈对数增长，且速率与 $ k $ 成反比。
• k-Apollonian 网络的高度同样满足 $ h(t; k) \sim c \log t $，其中 $ c $ 由类似超越方程控制，且当 $ k \to \infty $ 时具有相同的渐近行为 $ c \sim \frac{1}{k \log 2} $。
• 本文通过耦合与矩界分析，证明高度以高概率集中在 $ c \log t $ 附近，验证了渐近估计的紧致性。