O tempo de comutação em um gráfico conectado é definido como o número esperado de etapas em uma caminhada aleatória iniciando em , antes que o nó seja visitado e o nó seja alcançado novamente. É basicamente a soma dos dois tempos de acerto e .i j i H ( i , j ) H ( j , i )
Existe algo semelhante ao tempo de deslocamento (não exatamente o mesmo), mas definido em termos de nós? Em outras palavras, qual é o número esperado de distintas nós um passeio aleatório a partir de e retornando pelo vai visitar?eu
Atualização (30 de setembro de 2012): Há vários trabalhos relacionados ao número de sites distintos visitados por um caminhante aleatório em uma treliça (por exemplo, ). Por exemplo, consulte: http://jmp.aip.org/resource/1/jmapaq/v4/i9/p1191_s1?isAuthorized=no
Alguém já leu algo sobre isso?
fonte
Respostas:
de perguntas e respostas com você nos comentários que parece estar interessado em estudar algo definido como a distância da pilha neste conjunto de slides, Sobre a modelagem matemática de caches
possui algumas análises empíricas via benchmarks. diz que, em geral, "não há medida conhecida da localidade" dos pedidos de cache e, em seguida, propõe a distância da pilha como tal medida. ele não o relaciona à teoria aleatória dos grafos, embora você esboce essa conexão em seus comentários. (parece que a distância da pilha pode estar relacionada à mistura de cadeias de markov ?)
parece que você está interessado em modelar o desempenho do cache ou algoritmos de otimização considerando solicitações de cache como nós de um gráfico e as arestas como transições entre solicitações adjacentes. não vi trabalhos que estudem a estrutura deste gráfico. parece não ser um gráfico puramente aleatório em aplicativos reais devido ao sucesso dos caches na prática e ao que é chamado de local espacial e temporal nos slides acima. ou seja, algum tipo de "agrupamento", como Joe esboça em sua resposta.
(talvez tenha uma pequena estrutura mundial ?, o que é bastante onipresente nos dados do mundo real)
fonte
Um comentário: recentemente participei de uma palestra de Bruce Reed com o título Catching a Drunk Miscreant , que foi um trabalho conjunto com Natasha Komorov e Peter Winkler. Se você conseguir obter os resultados deste trabalho, talvez isso possa ajudá-lo em alguma direção.
Em geral, eles provam um limite superior no número de etapas que um policial precisa em um gráfico geral para conseguir capturar um ladrão, quando sabemos que o ladrão se move aleatoriamente pelas bordas.
fonte
Esta não é realmente uma resposta adequada para sua pergunta, mas é um pouco longa para um comentário.
A quantidade que você procura varia de gráfico para gráfico e depende do local inicial do caminhante. O número esperado de nós intermediários distintos dependerá fortemente do agrupamento no gráfico, e eu esperaria que o número esperado de nós intermediários distintos fosse correlacionado com o coeficiente de agrupamento .
Um cluster é basicamente um subconjunto de vértices que compartilham um grande número de arestas, para que cada vértice seja conectado a uma grande fração dos outros vértices dentro do cluster. Quando um caminhante entra em um cluster, é provável que permaneça nessa região por um grande número de saltos, possivelmente revisitando cada nó muitas vezes. De fato, o uso de passeios aleatórios dessa maneira é uma das técnicas computacionais usadas para identificar clusters em grandes gráficos. Assim, para um caminhante iniciando em um cluster, o número esperado de vértices intermediários distintos provavelmente será escalado com o tamanho do cluster e a probabilidade média de deixar o cluster.
O grau médio de vértices no gráfico também desempenhará um papel importante, embora isso esteja vinculado ao cluster. A razão para isso é que, quando o caminhante salta para um vértice com grau 1, deve retornar ao vértice anterior no próximo salto. Mesmo quando o grau é 2, existe apenas um caminho que pode ser seguido pelo gráfico, embora possa ser percorrido em qualquer direção em cada salto. Por outro lado, para gráficos com grau maior que 2, o número de caminhos pode explodir, tornando extremamente improvável o retorno ao site inicial, mesmo que o caminho mais curto entre eles seja pequeno.
Portanto, você esperaria que o número de vértices intermediários distintos fosse alto para gráficos que possuem um grau médio substancialmente acima de 2 e também não possuem agrupamentos significativos, como árvores.
É claro que esses comentários não são mais válidos no caso de passeios aleatórios quânticos, mas acho que você se importa apenas com o caso clássico.
fonte