Teoria Espectral em Otimização Combinatória
Este minicurso apresenta alguns conceitos básicos da Teoria Espectral de Grafos e, a partir deles, estabelece informações sobre parâmetros de grafos e relações com problemas de Otimização Combinatória. São apresentadas algumas noções básicas da Teoria dos Grafos e da Álgebra Linear necessárias para estabelecer relação com o Problema do Corte Maximal, utilizando autovalores de grafos.
A Teoria Espectral de Grafos teve origem em 1931, quando Hückel ([16]) produziu um trabalho em química quântica; sua fundamentação teórica teve início em 1957 com o artigo de Collatz e Sinogowitz ([4])e finalmente foi sedimentada em 1971 com a tese de doutorado de Cvetković ([5]). Até meados de 1980, cerca de 700 trabalhos nesta área haviam sido publicados por matemáticos e químicos. Nos últimos anos o número de publicações sobre o assunto vem crescendo supreendentemente com aplicações em Ciência da Computação e Pesquisa Operacional. Para uma idéia do desenvolvimento desta área visite www.sgt.pep.ufrj.br.
O Problema do Corte Maximal é NP-completo e pertence ao grupo de problemas mais difícies estudados em otimização combinatória, podendo ser formulado como um problema de programação quadrática inteira. Nosso objetivo é apresentar algumas matrizes que se associam a um grafo, tais como matriz de adjacência e matriz laplaciana e mostrar como através dos autovalores associados a estas matrizes podemos obter informações sobre parâmetros para este problema. A relação entre autovalores e cortes em grafos foi introduzida por Fiedler ([11]), e tem se mostrado útil em vários problemas.
Estudamos um limite superior para o corte maximal de um grafo G em função do maior autovalor da matriz Laplaciana de G e descrevemos algumas classes para as quais o limite superior é o melhor possível.
O texto será apresentando da seguinte forma.
Iniciamos apresentando alguns conceitos da Teoria dos Grafos ([10],[14]).
Na segunda seção, Teoria Espectral de Grafos ([6]), estudamos matriz de adjacência, matriz laplaciana, seus polinômios característicos e espectros, determinando as propriedades do grafo obtidas por eles.
A terceira seção aborda a relação entre parâmetros de grafos, estabelecendo limites para alguns invariantes.
Na última seção apresentamos um limite superior para o corte maximal de um grafo em função do maior autovalor da sua matriz Laplaciana.
Cybele Tavares Maia Vinagre
Marina Tebet Azevedo de Marins
Renata Raposo Del-Vecchio
1 Conceitos Básicos sobre Grafos
1.1 Definição Um grafo é uma estrutura G = ( V , E ) , onde V é um conjunto finito e não vazio cujos elementos são denominados vértices e E é um conjunto de subconjuntos a dois elementos de V, os quais são denominados arestas. V e E indicam, respectivamente, o número de vértices e o número de arestas de G. Quando G
'= ( ) V
', E
'é grafo satisfazendo V
'⊂ V e
E
E
'⊂ escrevemos G
'⊂ G . Quando V é um conjunto unitário e E = Ø dizemos que G é um grafo trivial.
Se c = { } u , v ∈ E , dizemos que c incide em u e v. O grau de um vértice v, denotado por d(v), é o número de arestas que incidem em v. Vértices ligados por uma aresta são ditos adjacentes.
Neste estudo consideraremos apenas grafos sem laços (arestas ligando um vértice a ele mesmo), sem arestas múltiplas (mais de uma aresta incidindo no mesmo par de vértices) e sem orientação.
Um grafo é dito valorado se suas arestas são rotuladas com números, chamados pesos.
Caso contrário, é dito não valorado. Um grafo não valorado é identificado com um grafo valorado onde os pesos são 1 nas arestas e 0 sobre as não-arestas.
1.2 Exemplo Seja G o grafo da figura abaixo. Neste exemplo, V = { v
1, v
2, v
3, v
4, v
5} e
{ e
1, e
2, e
3, e
4, e
5, e
6}
E = onde V = 5 e E = 6.
{
1,
2} ,
2{
2,
3} ,
3{
1,
4} ,
4{
4,
5} ,
5{
1,
5} ,
6{
2,
5} .
1
v v e v v e v v e v v e v v e v v
e = = = = = =
Temos ainda que d ( v
1) = d ( v
2) = d ( v
5) = 3 , d ( v
3) = 1 e d ( v
4) = 2 .
v3v2
v1
v4 v5
e1
e6 e4
e3
e2
e5
Apresentamos a seguir alguns tipos especiais de grafos que aparecerão ao longo de nosso estudo.
• Grafo completo É o grafo no qual quaisquer dois pares distintos de vértices são adjacentes. Para cada n ≥ 1 , o grafo completo com n vértices é denotado K
n.
K
5• Grafo k-regular G é chamado grafo regular de grau k ou k-regular quando todo vértice do grafo G tem o mesmo grau.
2-regular
3-regular
• Cadeias, caminhos e ciclos Uma seqüência finita v
1, v
2..., v
kde vértices de um grafo
( V E )
G = , é dita uma cadeia (walk) de v
1a v
kquando { v
i, v
i+1} ∈ E para 1 ≤ i ≤ k − 1 . Dizemos que v
1, v
2..., v
ké uma cadeia fechada (respectivamente, cadeia aberta) quando v
1= v
k(respectivamente, v
1≠ v
k). Um caminho (path) é uma cadeia em que todos os vértices são distintos. Um caminho fechado é denominado ciclo. O comprimento de um caminho ou ciclo é o número de arestas que nele ocorre. P
ne C
ndenotam, respectivamente, o caminho e o ciclo com n vértices. Em particular, o ciclo C
3é chamado triângulo.
P
5G
1C
6C
4• Grafo conexo Diz-se que G é um grafo conexo quando existe um caminho ligando cada par de vértices. Em caso contrário, G é denominado desconexo.
Se G é grafo desconexo, dizemos que G
'⊂ G é uma componente conexa de G quando G
'é grafo conexo e não existe H ⊂ G grafo conexo tal que G
'⊂ H e G
'≠ H .
G
1 conexoG
2 desconexo• Árvore Um grafo G é chamado árvore quando G é um grafo conexo e sem ciclos.
• Grafo k-partido. G é dito um grafo k-partido quando existe uma partição
{ Y i k }
P =
i/ = 1 ,..., do seu conjunto de vértices em k subconjuntos disjuntos dois a dois, de modo que as arestas de G sejam sempre da forma { } p, para p q em Y
ie q em Y
j. Assim, não há vértices adjacentes em um mesmo subconjunto da partição. Quando k = 2 temos um grafo bipartido e quando k = 3 temos um grafo tripartido.
bipartido tripartido
• Grafo bipartido completo Quando E = { { } v
i, v
j/ v
i∈ V
1e v
j∈ V
2} com V
1= r e V
2= s, dizemos que G = ( V
1Υ V
2, E ) é um grafo bipartido completo e escrevemos G = K
r,s.
K
3,4• Grafo estrela Um grafo G com n vértices é dito uma estrela se G é um grafo bipartido
completo K
1,ne escrevemos S
n.
S
7• Grafo Linha O grafo linha L(G) de um grafo G é construído tomando-se as arestas de G como vértices de L(G) e ligando-se dois vértices de L(G) quando as arestas correspondentes em G possuírem um vértice em comum. É fácil ver que se G é um grafo regular de grau k então L(G) é regular de grau 2k – 2. No exemplo abaixo, notar que G = K
4é 3-regular e L(G) é 4-regular.
K
4L(K4)
• Grafo Complementar O grafo complementar de G = ( V , E ) é o grafo G = ( ) V , E , onde
V
V = e { } v
i, v
j∈ E quando { } v
i, v
j∉ E .
G G
• Produto Cartesiano de dois Grafos O produto Cartesiano GxH dos grafos G e H é o grafo com conjunto de vértices V ( G ) xV ( H ) e arestas { ( ) ( u , v , u ,' v ' ) } onde u = u ' e
{ } v , v ' ∈ E ( H ) ou { } u , u ' ∈ E ( G ) e v = v ' .
G H GxH
2 Teoria Espectral de Grafos
2.1 Matriz de adjacência, polinômio característico e espectro de um grafo
2.1.1 Definição Seja G = ( V , E ) um grafo com n vértices. A matriz de adjacência A(G) de G é a matriz quadrada de ordem n cujas entradas são
{ }
⎩ ⎨
⎧ ∈ ∈
= 0 , .
; ,
, ,
1
casos outros
nos
V v v para E
v v
a
ijse
i j i jLogo, a matriz de adjacência de um grafo é uma matriz real simétrica, formada por uns e zeros, com traço zero e consequentemente com todos seus autovalores reais.
O polinômio característico de A(G) é denominado polinômio característico do grafo G e denotado por p
G( ) λ ; λ é dito um autovalor do grafo G quando λ é uma raiz de p
G. Se A(G) possui s autovalores distintos, o espectro do grafo G, denotado por spectG, é definido como a matriz 2 x s, onde a primeira linha é constituída pelos autovalores distintos de A(G) dispostos em ordem decrescente e a segunda, pelas respectivas multiplicidades algébricas. Assim, se λ
1> ... > λ
ssão os autovalores distintos de A(G) e para 1 ≤ i ≤ s , ) m
A( λ
isão as suas multiplicidades algébricas então o espectro de G é
) . ( ...
) (
...
1
1
⎥
⎦
⎢ ⎤
⎣
= ⎡
s A A
s
m spectG m
λ λ
λ λ
O maior autovalor de G é denominado índice de G e denotado ind(G).
2.1.2 Exemplo Seja G o grafo do Exemplo 1.2. Sua matriz de adjacência é dada por:
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎦
⎤
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎣
⎡
=
0 1 0 1 1
1 0 0 0 1
0 0 0 1 0
1 0 1 0 1
1 1 0 1 0 ) (G
A .
p
G( λ ) = λ
5− 6 λ
3− 4 λ
2+ 3 λ + 2
⎥ ⎦
⎢ ⎤
⎣
⎡ − − −
= 1 1 1 1 1
7757 , 1 1 5892 , 0 7237 , 0 6412 , spectG 2
ind(G) = 2,6412
A Proposição a seguir é um primeiro exemplo de como propriedades de grafos são refletidas pelas propriedades algébricas de matrizes associadas a eles.
2.1.3 Proposição Seja G um grafo com n vértices e m arestas e seja
p
G( λ ) = λ
n+ a
1λ
n−1+ a
2λ
n−2+ ... + a
n−1λ + a
no polinômio característico de G.
Então os coeficientes de p
G( λ ) satisfazem:
(i) a
1= 0;
(ii) a
2= -m;
(iii) a
3= -2t, onde t é o número de triângulos no grafo.
Prova Da teoria de matrizes ([15]) temos que, para cada i, 1 ≤ i ≤ n , (-1)
ia
i= soma dos menores principais de A(G) que têm i-linhas e i-colunas, onde um menor principal de A(G) com i linhas e i colunas é o determinante de qualquer submatriz de A(G) obtida pela retirada de um subconjunto de n – i linhas e do correspondente subconjunto de colunas.
(i) Como a diagonal de A(G) é formada por zeros então a
1= 0.
(ii) Qualquer menor principal de A(G) com 2 linhas e 2 colunas e que tenha entradas não-nulas é necessariamente da forma ⎥
⎦
⎢ ⎤
⎣
⎡ 0 1
1
0 . Como existe um menor principal deste para cada par de vértices adjacentes e cada um deles vale -1 temos que
(-1)
2a
2= (-1) E = (-1)m.
Logo
-a
2= número de arestas = m.
(iii) Existem 3 possibilidades para menores principais de A(G) com 3 linhas e 3 colunas não todas nulas, a saber:
⎥ ⎥
⎥
⎦
⎤
⎢ ⎢
⎢
⎣
⎡
⎥ ⎥
⎥
⎦
⎤
⎢ ⎢
⎢
⎣
⎡
0 0 1
0 0 1
1 1 0 , 0 0 0
0 0 1
0 1 0
e ,
0 1 1
1 0 1
1 1 0
⎥ ⎥
⎥
⎦
⎤
⎢ ⎢
⎢
⎣
⎡
E destes, o único não nulo é o último, cujo valor é 2 e que corresponde a três vértices mutuamente adjacentes, ou seja, um triângulo.
Logo
(-1)
3a
3= 2 x (número de triângulos) Ou seja,
a
3= -2t.
2.1.4 Lema O número de cadeias de comprimento l ligando v
ia v
jem um grafo G é dado pela entrada de ordem i x j da matriz A
l, onde A = A(G) é a matriz de adjacência de G.
Prova ( Por indução sobre l) O resultado é verdadeiro para l = 1 pois A
1= A. Suponhamos o resultado verdadeiro para l = L. mas existem tantas cadeias de comprimento L + 1 ligando v
ia v
jquantas são as cadeias de comprimento L ligando v
ia vértices v
hadjacentes a v
j. Assim, o número de tais cadeias é dado por
( ) ( ) ( )
{
vh v∑
j}
∈E= ∑ =
L+ ij ih hjih L
L
A a A
A
,1
.
Segue-se que o número de cadeias de comprimento L + 1 ligando v
ia v
jé ( ) A
L+1ij. O resultado segue por indução.
2.1.5 Observação O resultado acima nos fornece uma relação entre o número de cadeias fechadas de um grafo e as somas de potências de seus autovalores.
De fato, seja G um grafo com n vértices e m arestas. Pelo lema anterior, o número total de cadeias
fechadas de comprimento l de G é o traço de A
l. Como o traço de uma matriz é a soma de seus
autovalores temos que:
Número total de cadeias fechadas de comprimento l = ∑ λ
li. Em particular:
• A soma dos autovalores de G é zero pois tr(A) = 0.
• A soma dos quadrados dos autovalores é duas vezes o número de arestas, ou seja,
( ) A2 2 m ;
tr =
• G é grafo regular de grau k se e somente se
nkn
ii
=
∑
=1λ
2, pois kn = 2m;
• A soma dos cubos dos autovalores é seis vezes o número t de triângulos, ou seja, tr(A
3) = 6t.
Vemos então que o espectro de um grafo determina o número de vértices, de arestas e de triângulos. No entanto, este fato não pode ser generalizado, ou seja, nem sempre os ciclos de comprimento r (r ≥ 4) são determinados em função de tr(A
r), como se vê no seguinte exemplo:
G
1G
2Embora G
1e G
2tenham o mesmo polinômio característico, a saber, p ( λ ) = λ
5− 4 λ
3, G
1tem um ciclo de comprimento 4 e G
2não tem.
2.1.6 Proposição Seja G grafo regular de grau k. Então:
(i) k é um autovalor de G;
(ii) G é um grafo conexo se e somente se a multiplicidade de k é 1;
(iii) Qualquer autovalor λ de G satisfaz λ ≤ k .
Prova (i) Seja u a matriz coluna [ 1 1 ... 1 ]
T. Como a soma das entradas de cada linha da matriz de adjacência A de G é k, o grau de cada vértice, temos que Au = ku, ou seja, k é um autovalor de G.
(ii) Seja x = [ x
1x
2... x
n]
Tum autovetor associado ao autovalor k de G (Ax = kx) e suponhamos que x
jé a entrada de x de maior valor absoluto. Temos que ( ) Ax
j= ∑ x
i, onde o somatório é considerado sobre k vértices v
ique são adjacentes a v
j. Logo ∑ x
i= kx
j. Daí temos que, para cada l tal que v
lé adjacente a v
j.
; ) 1 ( )
1
(
j i i l jj
k x x x x k x
x + − = ∑ ≤ ∑ ≤ + −
Isto nos fornece x
j≤ x
le, portanto, x
l= x
jpara todos estes k vértices. Como G é conexo, podemos prosseguir sucessivamente desta maneira até mostrar que todas as entradas de x são iguais. Então x é múltiplo de u e o autoespaço associado ao autovalor k tem dimensão 1.
Suponhamos agora que k possua multiplicidade 1. Como G é desconexo, tomemos G
1, G
2, ..., G
mas componentes conexas de G. Como cada uma é um grafo conexo k-regular então k é um autovalor de multiplicidade 1 para cada G
i. mas como ( λ )
1( λ ).
2( λ )... ( λ )
Gm G
G
G
p p p
p =
([13]), segue que k é um autovalor de G de multiplicidade m, contrariando a hipótese. Logo G é conexo.
(iii) Seja y um vetor não nulo de G associado a um autovalor λ e G e seja y
ja entrada de y de maior valor absoluto. Como em (ii), temos ∑ y
i= ky
je λ y
j= ∑ y
i≤ k y
j. Logo λ ≤ k . 2.2 Isomorfismo de Grafos
2.2.1 Definição Dois grafos G
1e G
2são ditos isomorfos quando existe uma correspondência biunívoca entre seus conjuntos de vértices de modo que as adjacências sejam preservadas.
Portanto dois grafos G
1e G
2são isomorfos quando podemos obter um do outro através de uma permutação de vértices. Isto significa que A(G
1) e A(G
2) são matrizes semelhantes, ou seja, que existe uma matriz de permutação P tal que P
TA(G
1)P = A(G
2).
2.2.2 Definição G
1e G
2são grafos coespectrais quando eles têm os mesmos autovalores com as mesmas multiplicidades, isto é, quando spect G
1= spect G
2.
2.2.3 Observação Se dois grafos são isomorfos eles têm o mesmo espectro. A recíproca dessa afirmação não é verdadeira em geral, como ilustra o exemplo a seguir:
1 4 7 4 7 )
( )
(
2 6 4 3 21
λ =
Gλ = λ − λ − λ − λ + λ −
G
p
p .
G
1G
2G
1e G
2são coespectrais mas não são isomorfos, pois como vemos, G
2tem um vértice de grau 5 e, em G
1, o grau máximo é 3.
2.2.4 Definição Dizemos que um grafo é caracterizado pelo seu espectro se os grafos coespectrais com G são isomorfos a G.
2.2.5 Observação O fato de existirem grafos coespectrais não isomorfos significa que algumas propriedades dos grafos não podem ser caracterizadas pelo seu espectro. A conexidade de um grafo, por exemplo, não depende do espectro. A existência de ciclos de comprimento 4 e o grau dos vértices são também propriedades não caracterizadas pelo espectro.
2.2.6 Proposição Um grafo G possui um único autovalor se e somente se G é totalmente desconexo.
Prova Seja λ autovalor de G com multiplicidade m. como o traço da matriz de adjacência A(G)
de G é zero então λ é zero. Logo o polinômio mínimo de A(G) é h(x) = x - λ = x e daí
⎥ ⎥
⎥ ⎥
⎦
⎤
⎢ ⎢
⎢ ⎢
⎣
⎡
=
0 ...
0 0 0
...
...
...
...
...
0 ...
0 0 0
0 ...
0 0 0 ) (G A
Portanto G possui m vértices isolados.
2.2.7 Corolário Grafos sem arestas são caracterizados pelo seu espectro.
2.2.8 Proposição Se um grafo G tem exatamente dois autovalores distintos λ
1> λ
2então G é grafo regular de grau λ
1e λ
2= -1.
Prova Sejam λ
1e λ
2autovalores de G tais que λ
1> λ
2. Então a matriz de adjacência A = A(G) de G tem polinômio mínimo h(x) = (x - λ
1)(x - λ
2) e, portanto,
; 0 )
(
1 2 1 22
− + A + I =
A λ λ λ λ
Assim, para todo k, 1 ≤ k ≤ n , a
kk2= − λ
1λ
2. Daí tr(A
2) = n(- λ
1λ
2) e G é regular de grau - λ
1λ
2. Como λ
1= - λ
1λ
2, λ
2= -1 e G é regular de grau λ
1.
2.2.9 Observação Em ([6]) é provado que os grafos com exatamente dois autovalores distintos são caracterizados pelo seu espectro.
2.3 Matriz de incidência
2.3.1 Definição A matriz de incidência de um grafo G com n vértices e m arestas, denotada B(G), é matriz de ordem n x m cujas entradas são:
⎩ ⎨
= ⎧
. ,
0
; ,
1
contrário caso
v vértice no
incidente aresta
uma é e
b
ijse
j i2.3.2 Exemplo Para o grafo
v
3e
1v
2v
1v
4v
5e
2e
6e
4e
5e
3A matriz de incidência é
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎦
⎤
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎣
⎡
=
0 1 1 0 0 0
1 0 0 0 0 0
0 0 1 1 0 1
1 1 0 1 1 0
0 0 0 0 1 1 ) (G
B .
2.3.3 Lema Sejam B = B(G) a matriz de incidência de um grafo G, L(G) o seu grafo linha e A
La
matriz de adjacência de L(G). Então B
TB = 2I + A
L.
Prova Considere α
ij= ( B
TB )
ij. Para (l
i)
T, i-ésima linha de B
Te l
j, j-ésima coluna de B, temos .
) (
i T j ij= l l
α Daí α
ij= 1 se e
i= {v
k, v
t} ∈ E(G) e e
j= {v
t, v
r} ∈ E(G); 2 α
ij= se i = j e
= 0
α
ijpara os demais casos.
Tomemos agora β
ij= ( A
L)
ij. Como l
ie l
jsão vetores associados a restas de G incidentes em v
tentão β
ij= 1 . Neste caso, se i ≠ j , (2I + A
L)
ij= 1, senão (2I + A
L)
ij= 2.
Finalmente, se e
ie e
jnão são incidentes em G, 0 β
ij= . Isto prova o lema.
2.3.4 Proposição Se λ é um autovalor do grafo linha L(G) de um grafo G então λ ≥ − 2 .
Prova Como B
TB = 2I + A
Le B
TB é matriz semi-definida positiva, se λ é autovalor do grafo linha então existe vetor v não nulo tal que
(B
TB)v = (2I + A
L)v = 2v + λ v = (2 + λ )v.
Logo 2 + λ é autovalor de B
TB e portanto 2 + λ ≥ 0 , o que implica λ ≥ − 2 .
2.3.5 Observação Apesar de restritiva, a condição da Proposição anterior não é suficiente para caracterizar grafos linha, isto é, existem grafos cujos autovalores são todos maiores ou iguais a -2 e não são grafos linha. A caracterização dos grafos que têm menor autovalor igual a -2 foi obtida em 1976 ([3]).
2.3.6 Lema Sejam B = B(G) a matriz de incidência de um grafo G com n vértices e D a matriz diagonal n x n cujas entradas correspondem aos graus dos vértices de G. Então BB
T= D +A.
Prova Se i = j, o produto da i-ésima linha de B pela j-ésima coluna de B
Té o grau do vértice v
iem G. Se i ≠ j , a entrada ij em BB
Té 1 ou 0, conforme v
ie v
jsejam ou não adjacentes em G.
2.3.7 Lema Sejam B = B(G) a matriz de incidência de um grafo G, L(G) o seu grafo linha e A
La matriz de adjacência de L(G). Se existe vetor v ≠ 0 tal que Bv = 0 então -2 é autovalor de A
L. Prova Já vimos que B
TB = 2I + A
L. Seja v ≠ 0 tal que Bv = 0. Daí (B
TB)v = B
T(Bv) = B
T0 = 0.
Logo (2I + A
L)v = 2Iv + A
Lv = 2v + A
Lv = 0, ou seja, A
Lv = -2v. Como v ≠ 0 temos que -2 é autovalor de A
L.
2.3.8 Lema Sejam B = B(G) a matriz incidência de um grafo G que contém um ciclo de comprimento par. Então existe um vetor v ≠ 0 tal que Bv = 0.
Prova Seja e
1, e
2..., e
2kum ciclo de comprimento 2k em G. Tome o vetor v tal que v
i= (-1)
ipara k
i 2
1 ≤ ≤ e v
i= 0 para i > 2k. Verifica-se que Bv = 0.
2.3.9 Exemplo Para o grafo
e
1e
2e
4e
5e
31
6 5
4 2
3
O vetor v = ((-1)
-1, (-1)
2, (-1)
3, (-1)
4, 0) = (-1, 1, -1, 1, 0) satisfaz
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎦
⎤
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎣
⎡
=
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎦
⎤
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎣
⎡
−
−
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎦
⎤
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎣
⎡
=
0 0 0 0 0 0
0 1 1 1
1
1 0 0 0 0
1 0 0 0 0
0 1 1 0 0
0 0 1 1 0
0 0 0 1 1
0 1 0 0 1
Bv .
2.3.10 Observação Decorre imediatamente dos dois últimos Lemas que se G contém um ciclo par então -2 é autovalor de L(G). A recíproca é também verdadeira ([6]). Prova-se de modo semelhante que G tem dois ciclos ímpares na mesma componente conexa se e somente se -2 é autovalor de G ([5]).
2.3.11 Proposição Se G é grafo k-regular com n vértices e m arestas então ).
2 (
) 2 ( )
)(
(
= +
−p − k +
p
LGλ λ
m n Gλ Prova Considere as matrizes
⎥ ⎦
⎢ ⎤
⎣
⎡ −
=
m n
I B U I
0
λ e ⎥
⎦
⎢ ⎤
⎣
= ⎡
T m nI B
B V I
λ , Onde B é a matriz de incidência do grafo G. Então
⎥ ⎥
⎦
⎤
⎢ ⎢
⎣
⎡ −
=
T m n T
I B
BB UV I
λ
λ 0
e 0 .
⎥ ⎦
⎢ ⎤
⎣
⎡
= −
B B I B
VU I
TT m n
λ λ
λ
Como det(UV) = det(VU) então λ
mdet( λ I
n− BB
T) = λ
ndet( λ I
m− B
TB ).
Logo
=
− + +
=
− +
=
−
= det( ) det(( 2 ) ) ( 2 )
−det(( 2 ) )
)
)(
( T
n n m m T
L m G
L
I A I B B I BB
p λ λ λ λ λ
).
2 (
) 2 ( ) )
2 det((
) 2
( λ +
m−nλ + − k I
n− A
L= λ +
m−np
Gλ − k + 2.3.12 Corolário Se G é grafo regular de grau k com
⎥ ⎦
⎢ ⎤
⎣
= ⎡
−
− 1 1
1 1
...
1
...
s s
m m
spectG k λ λ
Então
⎥ ⎦
⎢ ⎤
⎣
⎡
−
−
−
− +
−
= −
−
−
n m m
m
k k
G k spectL
s s 1 1
1 1
...
1
2 2
...
2 2 ) 2
( λ λ
Prova Segue imediatamente da Proposição anterior.
2.3.13 Exemplo Para o grafo G = K
4temos:
⎥ ⎦
⎢ ⎤
⎣
⎡ −
= 1 3 1 3 spectK
4e
⎥ ⎦
⎢ ⎤
⎣
⎡ −
= 1 3 2 2 0 ) 4
( K
4spectL .
2.4 Laplaciano e Conectividade Algébrica
2.4.1 Definição Seja D a matriz diagonal dos graus dos vértices do grafo G (ou seja, D
ii= d(v
i)) e A a matriz de adjacência de G. A matriz
Q = D – A é chamada laplaciano do grafo G.
Então o Laplaciano é a matriz cujas entradas são definidas por
⎪ ⎩
⎪ ⎨
⎧
∈
−
=
−
=
contrário caso
E ij para
j i se vértice ésimo
i do grau o
d q
i ij
0 1
Para os grafos valorados, com peso c
ijsobre a aresta { } i, j e c
ij= 0 caso contrário, q
ii= ∑
= n j
c
ij 1e q
ij= - c
ij, para i ≠ j .
2.4.2 Exemplo Para o grafo
v
3v
2v
4v
5v
1Temos
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎦
⎤
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎣
⎡
=
1 0 0 0 0
0 3 0 0 0
0 0 1 0 0
0 0 0 2 0
0 0 0 0 3
D e
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎦
⎤
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎣
⎡
=
0 1 0 0 0
1 0 0 1 1
0 0 0 0 1
0 1 0 0 1
0 1 1 1 0 A
Logo
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎦
⎤
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎣
⎡
−
−
−
−
−
−
−
−
−
−
=
1 1 0 0 0
1 3 0 1 1
0 0 1 0 1
0 1 0 2 1
0 1 1 1 3
Q .
Analogamente ao que foi definido para matriz de adjacência podemos falar no espectro do laplaciano.
2.4.3 Definição Se μ
1≥ ... ≥ μ
nsão os autovalores de Q, o espectro do laplaciano de G é denotado por ζ ( G ) = [ μ
1,..., μ
n] .
2.4.4 Exemplo Sejam G e H os seguintes grafos:
G H Então temos
[ 4 , 31 , 0 ]
) ( G =
ζ e ζ ( H ) = [ 4 , 3 , 2 , 1 , 0 , 0 , 0 ]
2.4.5 Observação Dado um grafo G, se considerarmos a matriz B de incidência com respeito a uma orientação dada, cujas entradas são:
⎪ ⎩
⎪ ⎨
⎧
− +
=
. ,
0
; min
, 1
; min
, 1
casos outros
nos
e de negativa ação
ter a é v
se
e de positiva ação
ter a é v
se
j i
j i
β
ijProva-se que Q = ββ
T([2]). Segue daí que o laplaciano é matriz semidefinida positiva e, portanto, todos os seus autovalores são maiores ou iguais a zero.
2.4.6 Proposição O posto r(Q) do laplaciano Q de um grafo G é n – w, onde w é o número de componentes conexas de G.
Prova. Q tem uma decomposição em blocos de modo que para cada i, 1 ≤ i ≤ w , Q(G
i) é a matriz laplaciana da i-ésima componente conexa de G. Assim,
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎦
⎤
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎣
⎡
=
−
) ( 0
0 0
0 ) ( 0 0
0 ...
0 ) ( 0
0 ...
0 0 ) (
1 2
1
w w
G Q G
Q G
Q G Q
Q
Κ Ο Μ
Μ Ο
Ο Ο
Para cada i, 1 ≤ i ≤ w , como a soma dos elementos de cada coluna de Q(G
i) é nula temos que o posto desta matriz é, no máximo, n
i– 1, isto é, r(Q(G
i)) ≤ n
i− 1 . Para cada componente Q(G
i), tomemos a combinação linear nula de suas colunas como
1 1+ ... +
−1 −1= 0
ni i
a
a α
α , onde
ℜ
k∈
α , 1 ≤ i ≤ w . Isto é equivalente à multiplicação AX=0, quando X
T= [
1...
−1]
ni
a
a . Por
escalonamento, verificamos que A é semelhante à matriz
⎥ ⎥
⎥ ⎥
⎥ ⎥
⎦
⎤
⎢ ⎢
⎢ ⎢
⎢ ⎢
⎣
⎡
0 0 0
1 0 0
0
0 ...
0 1
Κ Ο Ο Μ
Ο Ο
Μ Ο Ο
Portanto, X é o vetor nulo e o posto de cada componente conexa G
ide G atinge o seu limite superior n
i– 1. Logo, r(Q) = n – w.
2.4.7 Observação Segue da Proposição anterior que μ
n= 0 e, portanto, o espectro do laplaciano de G é [ μ
1,..., μ
n−1, 0 ] . Este fato, no entanto, pode ser provado diretamente, como na próxima Proposição.
2.4.8 Proposição Sejam μ
1≥ μ
2≥ ... ≥ μ
nos autovalores de Q. Então:
(i) μ
n= 0 e o vetor j = (1, 1, ..., 1)
Té autovetor associado;
(ii) Se G é conexo então μ
n−1> 0 ;
(iii) Se G é regular de grau k então μ
i= k − λ
n−(i−1), onde os λ
isão os autovalores de A.
Prova
(i) Basta notar que a soma dos elementos de uma linha qualquer de Q é zero, logo Q.j = 0 = 0.j.
(ii) Como G é conexo, pela Proposição anterior temos que o posto de G é n – 1. Daí μ
n−1≠ 0 e portanto . μ
n−1> 0
(iii)Segue direto da definição de Q, observando que se G é regular de grau k,
⎥ ⎥
⎥ ⎥
⎦
⎤
⎢ ⎢
⎢ ⎢
⎣
⎡
=
k k
k D
...
0 0 0
...
...
...
...
...
0 ...
0 0
0 ...
0 0
.
2.4.9 Observação Vale a recíproca de (ii) ([1]).
2.4.10 Definição μ
n−1é chamado conectividade algébrica do grafo G.
A conectividade algébrica desempenha um papel fundamental no estudo de um grafo.
Este autovalor está associado a diferentes invariantes de grafos importantes, tais como número isoperimétrico e diâmetro, dentre outros. Foi comprovado recentemente que grafos com μ
n−1grande (em comparação com o grau máximo) têm propriedades importantes em várias aplicações ([18]).
2.4.11 Lema Para todo grafo G vale que Q ( G ) + Q ( G ) = nI − J , onde J é a matriz cujas entradas são todas iguais a 1.
Prova De fato, temos que
).
( )
( )
( G Q G D A D A D D A A
Q + = − + − = + − +
Mas
=
⎥ ⎥
⎥ ⎥
⎦
⎤
⎢ ⎢
⎢ ⎢
⎣
⎡
+
− +
− +
− +
⎥ ⎥
⎥ ⎥
⎦
⎤
⎢ ⎢
⎢ ⎢
⎣
⎡
= +
) 1 ( ...
0 0
0
...
...
...
...
...
0 ...
0 ) 1 ( 0
0 ...
0 0
) 1 (
...
0 0 0
...
...
...
...
...
0 ...
0 0
0 ...
0 0
2 1
2 1
n
n
n k
K n k
n
k k
k D D
⎥ ⎥
⎥ ⎥
⎦
⎤
⎢ ⎢
⎢ ⎢
⎣
⎡
−
−
−
=
1 ...
0 0 0
...
...
...
...
...
0 ...
0 1 0
0 ...
0 0 1
n n
n
e A + A é a matriz com diagonal principal igual a zero e todas as outras entradas iguais a 1.
Portanto D + D − ( A + A ) = nI − J .
2.4.12 Proposição Se o espectro do laplaciano de um grafo é
[ ,..., , 0 ]
)
( G = μ
1μ
n−1ζ
então o espectro de G é
[ ,..., , 0 ]
)
( μ
1μ
1ζ G = n −
n−n − .
Prova Já vimos que j = (1, 1, ..., 1)
Té autovetor associado ao autovalor 0 de Q. Como Q é matriz simétrica podemos tomar w
1, w
2, ..., w
n-1autovetores associados a μ
1, μ
2,..., μ
n−1respectivamente de modo que w
iseja ortogonal a j, para todo i, 1 ≤ i ≤ n − 1 . De fato, j
T.w
i=
. ...
( ) )2 ( ) 1
( n
i
i
w
iw
w + + + Como j e w
isão ortogonais 0 = w
i(1)+ w
i(2)+ ... + w
i(n). Afirmamos que, para todo i, 1 ≤ i ≤ n − 1 , w
ié autovetor de G associado a n − μ
i. Pelo Lema anterior, Q ( G ) = nI − J − Q ( G ). Portanto, Q ( G ) = ( nI − J − Q ( G )) w
i= nIw
i– Jw
i– Q(G)w
i= nw
i– 0 -
μ
iw
i= (n - μ
i)w
i, provando assim o resultado.
2.4.13 Proposição([11]) Os autovalorres do Laplaciano do Produto Cartesiano G x H são exatamente todas as somas μ
i( G ) + μ
j( H ), i = 1 ,..., G , j = 1 ,..., H .
Em particular,
{ ( ), ( ) }
min )
(
1 11
GxH
nG
nH
n−
= μ
−μ
−μ e μ
1( GxH ) = μ
1( G ) + μ
1( H ) para
grafos valorados não negativamente G e H.
2.4.14 Exemplo Para os grafos G, H e G x H abaixo, ζ (G ) = ζ ( H ) = [ ] 2 , 0 e
[ 4 , 2 , 2 , 0 ]
) ( GxH =
ζ .
G H GxH
2.4.15 Corolário Seja
[ ,..., , 0 ]
)
( G = μ
1μ
n−1ζ
O espectro do laplaciano de um grafo G. Então μ
1≤ n e μ
1= n se e somente se G é desconexo.
Prova Como μ
n−1= n − μ
1e μ
n−1≥ 0 temos que μ
1≤ n . Além disso, G é desconexo se e somente se μ
n−1= 0 . Portanto, G é desconexo se e somente se μ
1= n .
2.4.16 Exemplo A estrela com n vértices S
ntem o maior autovalor do laplaciano igual a n. No exemplo abaixo, temos μ
1= 7 .
S
7S
7Vamos agora definir outros tipos de conectividade de um grafo.
2.4.17 Definição A conectividade de vértices de um grafo é o menor número de vértices que tornam o grafo desconexo ao serem retirados.
Notação κ (G )
2.4.18 Definição A conectividade de arestas é o menor número de arestas que tornam o grafo desconexo ao serem retirados.
Notação κ ' ( G )
A conectividade algébrica e as conectividades de vértices e de arestas estão relacionadas de acordo com o resultado abaixo, provado por Fiedler ([11]).
2.4.19 Proposição μ
n−1≤ κ ( G ) ≤ κ ' ( G ).
2.4.20 Exemplo O grafo abaixo tem μ
n−1= 0 , 3820 e κ = 1 = κ '.
3 Relações entre Parâmetros de Grafos
3.1 Definição Seja G = (V, E) um grafo. O número
} / ) (
min{ d v v ∈ V δ =
é chamado grau mínimo de G. O número
} / ) (
max{ d v v ∈ V Δ =
é chamado grau máximo de G. O número
∈
∑
=
V vv V d
d 1 ( )
é chamado grau médio de G.
As seguintes relações são imediatas:
δ ≤ d ≤ Δ e 2 . V d = E
3.2 Definição Seja G um grafo. Se x e y são vértices de G, chamamos distância de x a y ao mínimo dos comprimentos dos caminhos que ligam x a y. O máximo das distâncias entre dois vértices quaisquer de G é chamado diâmetro de G.
3.3 Proposição Se G é um grafo conexo de diâmetro D então o número de autovalores distintos de A é no mínimo D + 1.
Prova Sejam λ
1, λ
2,..., λ
tos autovalores distintos de G. Como A é matriz simétrica e real, seu polinômio mínimo tem grau t e então
. 0 ) )...(
)(
( A − λ
1I A − λ
2I A − λ
tI =
Logo A
té combinação linear de I, A, A
2, ..., A
t-1. Suponhamos t < D e tomemos u e v dois vértices de G tais que d(u, v) = t. Então (A
i)
uv= 0 para todo i com 0 ≤ i ≤ t − 1 e (A
t)
uv> 0, o que é uma contradição. Portanto t ≥ D + 1 .
3.4 Proposição Se G é um grafo com maior autovalor λ
1então
≤
d λ
1≤ Δ .
Prova Seja G um grafo com n vértices. Sendo λ
1o maior autovalor de G, o teorema de Raleigh- Ritz ([15]) garante que
x x
Ax x
T T x
max
0 1=
≠λ
Onde A é a matriz de adjacência de G. Então, para x = (1, ... , 1), temos
∑ ∑ ∑
= =
⎟ ⎟ =
==
⎠
⎞
⎜ ⎜
⎝
=
n⎛
in i
i n
i T ij
T
d v n d n a
x x
Ax x
1 1 1
) 1 (
1
e, portanto d ≤ λ
1. Agora, se M
nindica o conjunto das matrizes de ordem n, a função N definida por N(M) = ∑
≤ =
≤ n j
ij n i
m
11
max para M = (m
ij) em M
n, define uma norma em M
n. Notar que N(A) = Δ . Se λ é um autovalor de A temos λ ≤ λ
1; além disso, existe um autovalor λ tal que λ = λ
1. Se Ax = λ x para x ≠ 0 e se λ = λ
1, consideremos a matriz X de M
ncujas colunas são todas iguais ao autovetor x e observemos que AX = λ x . Então λ N ( X ) = N ( λ X ) = N ( AX ) ≤ N ( A ) N ( X ) e daí
. )
1
( Δ
λ
λ = ≤ N A =
Na próxima Proposição veremos como técnicas de otimização são usadas para estabelecer um limite superior para o índice do grafo. Técnicas de otimização combinatória são usadas em softwares elaborados para resolver problemas em grafos, como por exemplo, o Autographix System. Este software, criado por Pierre Hansen e Gilles Caporossi, tem por objetivo gerar conjecturas, fazer provas semi-automáticas e analisar e descrever classes de grafos.
O problema de encontrar um grafo com determinadas propriedades é transformado em um problema de otimização com a função objetivo envolvendo um ou mais invariantes e, possivelmente, com algumas restrições.
3.5 Proposição Se G é um grafo com m arestas e n vértices então
( ) 1 .
2
11
≤ m −
nλ
Prova Pela Observação 2.1.5 temos que λ
1+ λ
2+ ... + λ
n= 0 e λ
12+ λ
22+ ... + λ
2n= 2 m . Sejam f, g e h funções de ℜ
nem ℜ definidas por
f( λ
1,..., λ
n) = λ
1,
g( λ
1,..., λ
n) = λ
1+ λ
2+ ... + λ
n, f( λ
1,..., λ
n) = λ
12+ λ
22+ ... + λ
2n.
Consideremos o seguinte problema de maximização com restrições de igualdade:
) ,..., (
max f λ
1λ
nsujeito às restrições g( λ
1,..., λ
n) = 0 e h( λ
1,..., λ
n) = 2m.
Definimos então a Lagrangeana
1 1 2 1 1
,..., , , )
( k k k
L λ λ
n= λ − ( λ
1+ λ
2+ ... + λ
n) − k
2( λ
12+ λ
22+ ... + λ
2n− 2 m ) e resolvendo por multiplicadores de Lagrange, obtemos:
⎪ ⎪
⎪
⎩
⎪ ⎪
⎪
⎨
⎧
= + + +
= + + +
≤
≤
=
−
−
∂ =
∂
=
−
−
∂ =
∂
) 4 ( 2
...
) 3 ( 0
...
) 2 ( 2
, ,
0 2
) 1 ( 0
2 1
2 22
12 2 1
2 1
1 2 1 1
m
n i i todo para k
L k
k L k
n n i i
λ λ
λ
λ λ
λ λ λ λ λ
Temos que 0 k
2≠ , pois, caso contrário, k
1seria simultaneamente igual a 0 e 1. Daí segue de (2) que i, 2 ≤ i ≤ n ,
2 21 k
k i
=
−λ . De (3) segue então que ( 1 ) 0 .
2 21
1
⎟ =
⎠
⎜ ⎞
⎝
− ⎛
+
−k
n
kλ Logo
( 1 ) .
212
1
⎟
⎠
⎜ ⎞
⎝
− ⎛
=
kn
kλ (5)
Substituindo em (4) obtemos:
( 1 ) ( 1 ) ( 1 ) ( 1 1 ) ) ( 1 )
22 .
212 2
212 2
212 2
212
2
n n n n n m
n
kk k
k k
k k
k
⎟ =
⎠
⎜ ⎞
⎝
− ⎛
= +
⎟ −
⎠
⎜ ⎞
⎝
− ⎛
⎟ =
⎠
⎜ ⎞
⎝
− ⎛
⎟ +
⎠
⎜ ⎞
⎝
− ⎛
−Segue daí que ( )
2 1 212=
− n nm k
k
. Voltando a (5) obtemos
( 1 ) ( ) ( 1 ) ( ) ( 1 ) .
) 1
(
21 2 2 1
2 212
1 n
m n
n m n
n m k
k