[论文解读] The Jamming Constant of Random Graphs

Paola Bermolen, Matthieu Jonckheere+1 more|arXiv (Cornell University)|Oct 31, 2013

Stochastic processes and statistical mechanics参考文献 19被引用 4

一句话总结

本文提出一种基于配置的建模方法，将随机图上的停车过程表示为测度取值的马尔可夫过程，在图无限大时建立大数定律的函数形式。该研究刻画了多种随机图模型下的阻塞常数（即被占用顶点的极限密度），为理解随机顺序分配动力学提供了严格的渐近框架。

ABSTRACT

Using a configuration approach, we define the dynamics of the “parking process” on random graphs as a measure-valued Markov process. We then establish a functional law of large numbers when the number of vertices grows to infinity. This allows us to characterize the jamming constant of various random graphs.

研究动机与目标

• 将随机图上的随机顺序停车过程建模为随机动力系统。
• 分析当顶点数量趋于无穷时，停车过程的渐近行为。
• 推导出不同随机图集合中阻塞常数——即能被占据的顶点的极限比例——的表达式。
• 在图规模趋于无穷时，为被占据顶点的经验测度建立函数形式的大数定律。

提出的方法

• 使用配置模型形式化随机图上的停车过程，以定义边和顶点的结构。
• 将系统状态表示为测度取值的马尔可夫过程，追踪被占据顶点的经验分布。
• 当顶点数量趋于无穷时，将函数形式的大数定律应用于测度取值过程。
• 利用极限过程将阻塞常数表征为被占据顶点的平衡密度。
• 将该框架应用于多种随机图模型，如Erdős–Rényi图与配置模型图。
• 通过求解由极限动力学导出的方程组，推导出阻塞常数。

实验结果

研究问题

• RQ1 在随机图上，随机顺序停车过程中被占据顶点的极限密度是多少？
• RQ2 阻塞常数如何依赖于底层图的结构与度分布？
• RQ3 是否可以在大随机图中为被占据顶点的经验测度建立函数形式的大数定律？
• RQ4 在具有固定度序列的稀疏随机图上，停车过程的渐近行为如何？

主要发现

• 阻塞常数被表征为由测度取值马尔可夫过程的极限动力学导出的方程组的解。
• 函数形式的大数定律确保了在无限图规模下，被占据顶点的经验测度收敛到一个确定性极限。
• 对于所有稀疏随机图，阻塞常数严格小于1，表明由于空间约束，不可能所有顶点都被占据。
• 极限行为依赖于度分布，度的方差越大，阻塞常数越低。
• 该框架可统一应用于多种随机图模型，包括Erdős–Rényi图与配置模型图。
• 该方法为停车过程提供了严格的渐近表征，可精确预测阻塞阈值。