Page 185 - 《软件学报》2026年第4期
P. 185

1626                                                       软件学报  2026  年第  37  卷第  4  期

                                       1
                    ● 坏集合: 如果   λ ⩾ (      ) , 则  S  是坏的.
                                   2 ∆ G[S ] +2
                    通过这个定义, 我们可以定义以下两个集合:

                                          {   (   )       }     {   (   )       }
                                                V                    V
                                       G ≜ S ∈     | S 是好的 , B ≜ S ∈     | S 是坏的 .
                                                ℓ                     ℓ
                    我们断言对于好和坏的集合有以下结果.
                    引理  11. 对于  G  和  B, 以下结果成立.
                    ● 对于任何   S ∈ G t ,   max (S ) ⩽ 2ℓ.
                                   rel
                    ● 对于任何   S ∈ B t ,   max (S ) ⩽ ℓ 140/δ .
                                   rel
                    引理  11  的证明被推迟至第     4.3  节. 我们现在使用引理     11  来证明公式  (12), 有:

                                             [  max  ]                     140/δ
                                           E S t rel  (S) ⩽ Pr S [S ∈ G]·2ℓ +Pr S [S ∈ B]·ℓ          (13)
                            
                           V
                            
                 其中,          中均匀随机抽样的. 为了证明公式                                I = (G = (V,E),λ) ∈ F(δ) 表示原
                            
                     S  是从
                            ℓ
                                                      (12), 需要界定   S ∈ B 的概率. 令
                                                                      12000
                 始的硬核实例;    ∆ G  表示图  G  的最大度数. 在引理   8 的假设下, 有   ∆ G ⩾    ·logn ⩾ 12000. 注意到  λ ⩽ (1−δ)λ c (∆ G )
                                                                        δ
                    4                     1                   1
                 ⩽     . 很容易验证如果    λ⩾ (      ), 那么必然有   ∆ G[S ] ⩾  ∆ G. 对于每个顶点   v ∈ V, 定义随机变量  D v =|{S ∩Γ G (v)}|,
                   ∆ G −2              2 ∆ G[S ] +2           16
                 其中  Γ G (v) 是图  G  中顶点  v 的邻域, 而   D v  计算了被随机集合  S 选择的顶点  v 的邻居数量. 我们有:

                                              [           ]    [        ]       [      ]
                                                     1                ∆ G  ∑         ∆ G
                                 Pr S [S ∈ B] = Pr S λ ⩾ (  ) ⩽ Pr S ∆ G[S ] ⩾  ⩽  Pr S D v ⩾  .
                                                 2 ∆ G[S] +1          16             16
                                                                           v∈V
                           ⌊  n  ⌋                              12000
                        ℓ =         E S [D v ] ⩽  ℓ∆ G  ⩽  1 ∆ G  ∆ G ⩾  ·logn, 所以根据引理  3, 有:
                    因为         , 所以                  . 又因为
                            32e              n   2e 16            δ

                                                           ∑
                                                 Pr S [S ∈ B] =  2 −∆ G /16  ⩽ n −300/δ              (14)
                                                           v∈V
                                             ⌊  n  ⌋
                    结合公式    (13)、公式       ℓ =     , 我们可以证明公式     (12) 如下:
                                              32e
                                     (14) 和
                                                 [    ]      −300/δ  140/δ
                                                E t max (S) ⩽ 2ℓ +n  ·ℓ  ⩽ 3n.
                                                  rel
                    这就证明了引理      10.
                  4.3   好情况和坏情况的弛豫时间      (引理  11  的证明)
                                                                                    
                                                                                   V
                    回忆在第    4.1  节开始时固定的硬核模型实例        I = (G = (V,E),λ). 固定一个集合  S ∈  . 我们使用  σ ∈ Ω V\S  表示
                                                                                    
                                                                                    
                                                                                    ℓ
                                                                                    
                 在公式   (11) 中达到最大值的配置, 即:

                                                             (
                                                                      σ
                                                                       )
                                                                    (
                                                 t max (S ) = max t rel P ρ )  = t rel P .
                                                 rel
                                                                      S
                                                               S
                                                        ρ∈Ω V\S
                                       (
                                         )
                                         σ
                    我们将界定弛豫时间        t rel P , 将集合  S  划分为两部分:
                                         S

                                                
                                                A ≜ {v ∈ S | ∀u ∈ Γ G (v)\S,σ u = 0}
                                                                        .
                                                
                                                
                                                 B ≜ {v ∈ S | ∃u ∈ Γ G (v)\S,σ u = 1}
                                                                     σ
                 其中,  Γ G (v) 是原始图  G  中节点  v 的邻域. 很容易看出, 在条件分布     µ  中,  τ = 0 ∈ {0,1}  是 B  B  上唯一可行的配置. 如
                                                                     S
                                                                       (
                              σ
                 果   |A| = 0, 那么  µ  的支撑集只有一个状态. 根据公式     (1) 中的定义,  t rel P σ  )  = 0, 引理  11  是显然成立的. 现在假设
                              S                                          S
                                                                             σ
                                                                                             S
                 |A| > 0. 考虑分布  µ σ⊎τ  . 让  P σ⊎τ   表示条件分布  µ σ⊎τ  上的  Glauber dynamics. 虽然  P  的状态空间是  {0,1} , 但  B  上的配
                                                    A
                                     A
                               A
                                                                             S
                                           σ               A                   σ    σ⊎τ  的懒惰版本. 形式上, 在
                 置始终固定为     τ = 0. 我们可以将   P  视为状态空间   {0,1}  上的马尔可夫链. 因此,    P  是  P
                                           S                                   S    A
                           |B|                        |A|
                                                                σ
                                     σ
                 每一步中, 以      的概率,  P  保持在当前状态; 以        的概率,   P  以与链  P σ⊎τ  相同的方式演变. 以下关系容易验证:
                           |S |                       |S |
                                     S                          S       A
                                                                  (     )
                                                  (  σ  )  |A|  (  σ⊎τ  )  |A|
                                                λ 2 P S  =  ·λ 2 P A  + 1−  .
                                                       |S |          |S |
                           σ    σ⊎τ                (  σ )  (  σ⊎τ  )
                    注意到   P  和  P   都是不可约的, 因此    λ 2 P ,  λ 2 P  < 1. 我们有:
                           S    A                    S     A
   180   181   182   183   184   185   186   187   188   189   190