标签：特征值 frac max 矩阵 intercal 代数 性质 计算方法 lambda

感觉这部分穿插的有些怪

前置

对于实对称矩阵 \(A\)，其最大特征值 \(\lambda_\max(A)\geq \frac{x^\intercal Ax}{x^\intercal x}\)，其中 \(x^\intercal x\neq \bold 0\)

证明：

\(A\) 实对称，因此存在一组单位正交基恰好为特征向量 \(V=(v_1,v_2\ldots v_n)\)。设 \(x\) 在 \(V\) 下的坐标为 \(u=(u_1,u_2\ldots u_n)^\intercal\)，则

\[\begin{aligned} \frac{x^\intercal Ax}{x^\intercal x}&=\frac{(Vu)^\intercal A (Vu)}{(Vu)^\intercal(Vu)} \\ &=\frac{u^\intercal (V^\intercal AV)u}{u^\intercal (V^\intercal V)u} \\ &\le \lambda_\max\frac{u^\intercal u}{u^\intercal u}=\lambda_\max \end{aligned} \]

最后一个不等号要用到 \(V\) 正交，再把 \(V^\intercal AV\) 的所有特征值放成最大特征值。等号在 \(x\) 为属于特征值 \(\lambda_\max\) 的特征向量时取到。

图的代数性质

即对于给定的图 \(G\)，通过观察 \(G\) 的邻接矩阵/拉普拉斯矩阵的性质来获得某些 \(G\) 的性质。

邻接矩阵

记为 \(A\)，规定 \(A_{x,y}=[xy\in E(G)]\)，其中 \([\cdot]\) 为指示函数。

\(A\) 还可以写成如下形式

\[A=\sum_{xy\in E(G)} A^{(xy)} \]

其中 \({A^{(xy)}}_{x,y}=1\) 其余位置皆为 \(0\)。即一张图的邻接矩阵可以由所有的边的邻接矩阵拼起来。

特征值

\(\lambda_\max(A_G)\leq d_\max(G)\)

不妨设最大特征值为 \(\lambda\)，属于 \(\lambda\) 的特征向量 \(x\) 的绝对值最大的分量为 \(x_i\)（不妨设 \(x_i>0\)），那么有

\[\lambda x_i=(\lambda x)_i=(Ax)_i=\sum_{j=1}^n A_{i,j}x_j\leq x_i\sum_{j=1}^n A_{i,j}=d(i)x_i \leq d_\max(G) x_i \]

\(\lambda_\max(A_G)\geq d_{\text{avg}}(G)\)

只需要用到前置中的定理，令 \(x=(\frac{1}{\sqrt{n}},\frac{1}{\sqrt{n}}\ldots \frac{1}{\sqrt{n}})^\intercal\) 即可。

拉普拉斯矩阵

也叫调和矩阵，在矩阵树定理里面叫做基尔霍夫矩阵。

规定 \(L=D-A\)，其中 \(D=\text{diag}\{d_1,d_2\ldots d_n\}\) 是度数对角阵。

\(\bold 1\) 是 \(L\) 的一个特征向量，对应特征值为 \(0\)。即 \(L\bold 1=\bold 0\)

证明：拆开即得。

剩下的咕咕咕

标签：特征值,frac,max,矩阵,intercal,代数,性质,计算方法,lambda
来源： https://www.cnblogs.com/jjppp/p/16255296.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。