Vous êtes sur la page 1sur 17

Combinatoire sur des structures aleatoires

Charles Bordenave Slide 1


Institut de Mathematiques de Toulouse CNRS & Universite de Toulouse

Travail en collaboration avec Marc Lelarge et Justin Salez (INRIA & ENS).

GRAPHES ET RESEAUX COMPLEXES

` ` On sinteresse a des problemes de combinatoire sur des graphes celui-ci :

G = (V, E) comme

Slide 2

Reseau dinteraction dune proteine de levure, Rick Durrett.

GRAPHES ET RESEAUX COMPLEXES

Grands graphes : |G| .


Slide 3 Dilues : deg(v; G) = O(1) .

Geometrie pauvre : localement comme des arbres = peu de cycles courts.

OPTIMISATION COMBINATOIRE

Grands cycles : Plus grand cycle dans le graphe.


11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 1 0 1 0 1 0

Slide 4

Ensemble stable : Plus grand sous-ensemble de sommets non-voisins.


11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 1 0 1 0 1 0

` COUPLAGE OU DIMERE OU APPARIEMENT DUN GRAPHE

Un appariement de G est un sous-ensemble daretes sans sommet incident commun. ` - Un appariement est parfait si chaque sommet est incident a une arete de lappariement. Slide 5 - Un appariement est maximal si le nombre daretes apparies est maximal.
11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 1 0 1 0 1 0

11 00 11 00 11 00

11 00 11 00 11 00

` ` MESURE DE BOLTZMANN SUR LES APPARIEMENTS (MONOMERE-DIMERE)

` (Zdeborova & Mezard 2006) Soit

E un appariement de G = (V, E).

Lenergie de est denie comme Slide 6 HG () = |{sommets non apparies dans }| = |V | 2||. ` La mesure de probabilite de Boltzmann a temperature 1/ ln z , 0

< z < 1, est

z () = G
ou PG est la fonction de partition. ` Pour z

z HG () PG (z)

0, la mesure converge vers la mesure uniforme sur les appariements

maximaux.

FONCTION DE PARTITION ET FONCTION GENERATRICE

PG (z) =
Slide 7

z HG () = z |V | MG (z 2 ) : appariements

MG (z) = : appariements

||

=
k=0

|{ : appariements de taille k}|z k .

FONCTIONS DETAT DE LA PHYSIQUE STATISTIQUE

Slide 8 -

G (z) = |V |1

z ()HG () est la densite denergie interne. G

fG (z) = |V |1 ln PG (z) est la densite denergie libre.

sG (z) = |V |1

z () ln z () est la densite dentropie. G G

FONCTIONS DETAT DE LA PHYSIQUE STATISTIQUE

fG (z) = (ln z) G (z) + sG (z).


Slide 9
z0

lim G (z) = |V |1 |{ sommets non apparies dans un appariement maximal }|

z0

lim sG (z) = |V |1 ln |{ appariements maximaux }|.

ENSEMBLES STABLES

11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00

1 0 1 0 1 0

Slide 10

Soit

V un ensemble stable de G = (V, E). On pose HG () = |V | ||.

lenergie est minimisee pour les ensembles stables maximaux.

GRANDS CYCLES

11 00 11 00 11 00 11 00 11 00

11 00 11 00 11 00

1 0 1 0 1 0

11 00 11 00 11 00 11 00 11 00 11 00 11 00 11 00

Slide 11

Pour un cycle de G, on pose egalement

HG () = |V | ||.
` Probleme : la contrainte dappariement ou densemble stable est locale. Pas celle de cycle.

(Marinari & Semerjian 2006) : on regarde plutot les unions de cycles = sous-graphes ` de G ou chaque sommet est de degre 0 ou 2.

METHODE DE LA CAVITE
(Parisi, Mezard et al., 80s-90s-00s)

Dans la limite des grands reseaux aleatoires, des outils de physique statistique ont ete developpes pour etudier ces mesures de Boltzmann. Slide 12 = Importantes consequentes algorithmiques (belief propagation, survey propagation, ).

` = Premieres justifcations rigoureuses de ces methodes : (Aldous 2000), (Talagrand 2005)

CONVERGENCE VERS DES STRUCTURES LIMITES


(Aldous et al., 90s-00s)

= On plonge le graphe dans un espace metrique. Slide 13

= On tire un graphe au hasard.

= Dans la limite des grands graphes, on cherche une convergence vers une structure
limite.

CONVERGENCE VERS DES STRUCTURES LIMITES

` = On espere que la convergence dans la topologie choisie implique la convergence des fonctions du graphe qui nous interessent ... Slide 14 ` = On espere que la structure limite est sufsamment simple pour faire des calculs dessus !

` = On espere que la structure limite est sufsamment universelle pour eclairer notre comprehension sur des graphes reels.

LESPACE DES GRAPHES ENRACINES


(Benjamini & Schramm 2001, Aldous & Steele 2004) (G, o) = un sommet distingue o V + composante connexe de G = (V, E) qui contient o. Graphe enracine ` (G, o)t est le sous-graphe de (G, o) des sommets a distance au plus t de la racine o. Slide 15
1 2 1 2

1 0 1 0
0 1

1 0 1 0
0 2 1

dist((G1 , o1 ), (G2 , o2 )) =
tN

2t 1 I{(G1 , o1 )t et (G2 , o2 )t sont isomorphes }.

= Lespace des classes disomorphismes des graphes enracines localement nis connexe est un espace metrique complet separable.

ARBRE UNIFORME

` Soit Gn un arbre aleatoire a n sommets tire uniformement. (Grimmett 1980), Gn converge localement faiblement vers larbre squelette :

Slide 16

T0

T1

T2

0 1 2

(Ti )iN arbres de Galton-Watson i.i.d. avec distribution des descendants Poi(1).

ARBRE UNIFORME

= Dans un autre espace et une autre normalisation, Gn converge vers larbre


Slide 17 brownien (CRT) (Aldous, 1993).

Tout depend des fonctions du graphe que lon souhaite etudier !

ENSEMBLES DE GRAPHES

Trois exemples importants de graphes aleatoires sur {1, ` - Graphe dErdos-Renyi de parametre p

, n},

= /n.

Slide 18

- Graphe r -regulier uniforme (avec rn pair !). - Graphe aleatoire avec suite des degres prescrits : graphe tire uniformement sur les graphes avec suite de degres

(d1 , , dn ).
n

On suppose que la mesure empirique des degres converge,

Fn =

1 n

dk F.
k=1 n

CONVERGENCE LOCALE VERS DES ARBRES ALEATOIRES

Ces graphes aleatoires convergent localement vers des arbres de Galton-Watson avec distribution des degres

F.
...

...

Slide 19
...

...

...

La racine a distribution des descendants distribution des descendants

F et tous les autres geniteurs ont pour

F, F (k 1) = kF (k) . F ()

CONVERGENCE LOCALE VERS DES ARBRES ALEATOIRES

La racine o est tiree uniformement sur V

` = {1, , n} : on sinteresse a la mesure

n =
Slide 20 Alors n converge presque surement

1 n

(Gn ,v) .
v=1

- graphe r -regulier uniforme : vers un AGW de distribution des degres

F = r .

` - graphe dErdos-Renyi de parametre /n : vers un AGW de distribution des degres

F = Poi .
- graphe avec mesure empirique des degres degres

Fn : vers un AGW de distribution des

F.

10

LA CONVERGENCE LOCALE NEST PAS GLOBALE

La structure limite locale de ces graphes aleatoires est simple et sans cycle. Slide 21 Le nombre de cycles de longueur

converge faiblement vers Poi ou `


i2 i(i

1 2

1)F (i) i1 iF (i)

PLUS DE GRAPHES ALEATOIRES

De nombreuses variantes et generalisations. Poids sur les aretes. Slide 22

Graphes bipartis.

11

` RETOUR A LA MESURE DE BOLTZMANN DES APPARIEMENTS

z () = G

z HG () z |V |2|| = . PG (z) PG (z)

Slide 23

G (z) = |V |1

z ()HG (). G

fG (z) = |V |1 ln PG (z). sG (z) = |V |1

z () ln z (). G G

CONVERGENCE DE LA MESURE DE BOLTZMANN

` Theoreme 1. Soit G1 , G2 , une suite de graphes convergeant sous enracinement uniforme vers un AGW avec distribution des degres

F . Si

kF (k) < , alors pour

z>0
Slide 24

lim Gn (z) =
n

z2 1 2 1 2

z2 (dx) + x2

lim fGn (z) =


n

ln z 2 + x2 (dx) ln z 2 + x2 (dx) ln z z2 z2 (dx). + x2

lim sGn (z) =


n

ou est une mesure de probabilite qui ne depend que de F denie par . `

12

TAILLE ASYMPTOTIQUE DES APPARIEMENTS MAXIMAUX

` Theoreme 2. Soit G1 , G2 , une suite de graphes convergeant sous enracinement uniforme vers un AGW avec distribution des degres

F . Si

kF (k) < , alors

lim
n

|{sommets non-apparies dans un appariement maximal}| |Gn |

Slide 25

= ({0}) = max
ou (x) `

x[0,1]

1 + x (1 x) + (1 x) + 1

(1 x) (1)

F (k)xk est la fonction generatrice de F .

= Dans le cas Erdos-Renyi, (Karp & Sipser, 1981) resultat sous une autre forme.

APPARIEMENT DANS UN ARBRE INFINI

La limite ne depend que de larbre limite. Si larbre na pas de feuille, il existe un appariement parfait sur cet arbre.
...

...

...

Slide 26

...

...

...

Cependant, pour certains choix de la distribution F , p.e.

F (d) =

d , d+1

F (d3 ) =

1 , d+1

la proportion asymptotique de sommets non apparies est strictement plus petite que 1... But : un appariement maximal unimodulaire sur larbre aleatoire (Aldous & Lyons 2007).

13

` EXTENSION A DAUTRES GRAPHES LIMITES

` Plus generalement, a un graphe Slide 27

G, on associe son arbre des chemins TG .

On denit le nombre de branchement dun arbre T

br (T ) = sup > 0, inf


S eS

hauteur(e) > 0 .

Si T un AGW de distribution de descendants F alors p.s. br(T ) =

xdF .

CONTINUITE DE LA MESURE DE BOLTZMANN

` Theoreme 3. Soit G1 , G2 , une suite de graphes convergeant sous enracinement uniforme vers un graphe aleatoire G de loi . Si br(TG )

< p.s. alors

lim Gn (z) =
n

z2 (dx) z 2 + x2

Slide 28

lim
n

|{sommets non-apparies dans un appariement maximal}| = ({0}). |Gn | < p.s. et si ln(1 + deg(o; Gn )) est uniformement integrable alors

Si br(TG )

1 2 1 lim sGn (z) = n 2 lim fGn (z) =


n

ln z 2 + x2 (dx) ln z 2 + x2 (dx) ln z z2 (dx). z 2 + x2

14

STRATEGIE DE PREUVE

Il existe une equation de recursion satisfaite par PG (z) :

PG (z) = zPGo (z) +


vo

PGov (z). zPGo (z) . PG (z)

Slide 29

f(G,o) (z) = z (o nest pas appariee) = G

Permet de denir une mesure de Boltzmann pour z > 0 sur tout arbre de branchement ni.

La formule sur les appariements maximaux vient de lequation de recursion en distribution statisfaite par la v.a. f(T,o) pour z = 0 et T un AGW. Il peut exister plusieurs ` solutions a cette equation de recursion.

STRATEGIE DE PREUVE

Une autre consequence fondamentale : ` Theoreme 4 (Heilmann et Lieb, 1972). Les racines de PG sont dans iR.

Slide 30

Absence de transition de phase pour z > 0.

Par analyticite, il suft de montrer la convergence pour z sufsamment grand.

15

NOMBRE DAPPARIEMENTS MAXIMAUX

z0

lim Gn (z) = |Gn |1 |{ sommets non apparies dans un appariement maximal }|

Slide 31

z0

lim sGn (z) = |Gn |1 ln |{ appariements maximaux }|.

Nos resultats permettent dechanger les limites z pour lentropie.

0 et n pour lenergie mais pas

ENSEMBLES STABLES

Les racines complexes de la fonction de partition ne sont pas controlees. Il existe une Slide 32 transition de phase pour z

> 0.

Peu de resultats connus sur la convergence de la mesure de Boltzmann, (Weitz, 2006), (Bayati, Gamarnik & Tetali, 2009).

16

ENSEMBLES STABLES

Dans le cas dun graphe biparti, G

` = (V, E) , le theoreme de Konig (Steinitz ?) implique

|{sommets dans un ensemble stable maximal}|


+ |{aretes dans un appariement maximal}| = |V |.

Slide 33

Soit G1 , G2 , une suite de graphes bipartis convergeant sous enracinement uniforme vers un AGW avec distribution des degres F , alors lim
n

|{sommets dans un ensemble stable maximal}| |Gn | (1 x) 1 = max x (1 x) + (1 x) + 1 2 x[0,1] (1)

Faux pour une suite de graphes non-bipartis !

GRANDS CYCLES

Les racines complexes de la fonction de partition ne sont pas controlees.

Slide 34

` on peut modier la fonction de partition de facon a avoir un analogue dHeilmann-Lieb (Ruelle 1999, Wagner 2009).

(Semerjian) Conjecture sur la taille asymptotique du plus grand cycle dun graphe aleatoire avec mesure empirique des degres

Fn F .

17