{
  "id": "adjacency-matrix",
  "title": "邻接矩阵",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "邻接矩阵通过记录顶点对之间的连接来表示图，便于用代数方法研究图结构并高效计算网络性质。",
  "category": "mathematics",
  "subcategory": "discrete-logic",
  "type": "concept",
  "aliases": [],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/adjacency-matrix/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/adjacency-matrix/",
      "json": "https://aiwiki.page/en/adjacency-matrix.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "邻接矩阵是一种方形矩阵，通过记录哪些顶点对之间有边相连来表示有限图。它的行和列按指定顺序与顶点对应，每个元素表示相应顶点之间是否有边、边的数量或边的权重。邻接矩阵在图论与线性代数之间建立了基本联系，使人们能够通过矩阵运算、特征值和计算算法研究图的结构。"
    },
    {
      "heading": "定义与约定",
      "text": "设 \\(G\\) 是一个图，其顶点集按顺序排列为 \\(V=\\{v_1,\\ldots,v_n\\}\\)。对于既无自环也无重边的简单无向图，其邻接矩阵 \\(A=(a_{ij})\\) 定义为\n\n\\[a_{ij}= \\begin{cases} 1,&\\text{if }v_i\\text{ and }v_j\\text{ are joined by an edge},\\\\ 0,&\\text{otherwise}. \\end{cases}\\]\n\n因此，\\(A\\) 是一个元素取值于 \\(\\{0,1\\}\\) 的 \\(n\\times n\\) 矩阵。它是对称矩阵，且所有对角元素均为零。\n\n对于有向图，常见的约定是\n\n\\[a_{ij}=1 \\quad\\text{if there is an edge from }v_i\\text{ to }v_j.\\]\n\n按照这一约定，行描述出边连接，列描述入边连接。有些作者和软件系统采用相反的约定，因此在比较不同表示时，必须核实其含义。将每条边的方向反转，就相当于将 \\(A\\) 替换为它的转置 \\(A^{\\mathsf T}\\)。\n\n重边、自环与权重\n\n这一定义可以推广到其他类型的图：\n\n- 重边：\\(a_{ij}\\) 可以记录从 \\(v_i\\) 到 \\(v_j\\) 的边数。\n- **自环：**对角元素记录连接顶点自身的边。\n- 带权边：\\(a_{ij}\\) 可以记录边的权重，或平行边的权重之和。\n\n对于无向自环，常见的约定有两种：每个自环对相应对角元素的贡献为 \\(1\\) 或 \\(2\\)。当一个自环对顶点度数的贡献为二时，将它计数两次可使行和等于顶点度数；而当矩阵元素记录单次边遍历时，将它计数一次则更为自然。涉及度数或矩阵幂的公式，必须根据所采用的约定来理解。\n\n加权邻接矩阵通常用零表示不存在边。如果允许权重为零的边，仅凭权重矩阵可能无法区分零权边与不存在的边；此时可能需要单独记录边是否存在。"
    },
    {
      "heading": "示例与基本性质",
      "text": "考虑一个无向路径，其顶点为 \\(v_1,v_2,v_3\\)，边为 \\(\\{v_1,v_2\\}\\) 和 \\(\\{v_2,v_3\\}\\)。它的邻接矩阵为\n\n\\[A= \\begin{pmatrix} 0&1&0\\\\ 1&0&1\\\\ 0&1&0 \\end{pmatrix}.\\]\n\n对于简单无向图，顶点 \\(v_i\\) 的度数 \\(d_i\\) 等于第 \\(i\\) 行的元素之和：\n\n\\[d_i=\\sum_{j=1}^{n}a_{ij}.\\]\n\n用 \\(\\mathbf 1\\) 表示所有元素均为 \\(1\\) 的列向量，则度数向量为 \\(A\\mathbf 1\\)。如果图有 \\(m\\) 条边，那么\n\n\\[\\sum_{i=1}^{n}\\sum_{j=1}^{n}a_{ij}=2m,\\]\n\n因为每条边都对应两个位置对称的矩阵元素。\n\n对于采用“行表示起点”约定的有向图，行和给出出度，列和给出入度。如果边带有权重，这些和给出的则是加权出度与加权入度，也称为出强度和入强度。\n\n对顶点顺序的依赖\n\n矩阵取决于顶点的排列顺序，但其所表示的图并不因此改变。若 \\(P\\) 是表示顺序变更的置换矩阵，则重新排序后的邻接矩阵具有如下形式：\n\n\\[A'=P^{\\mathsf T}AP.\\]\n\n因此，两个图同构，当且仅当它们的邻接矩阵可以通过这样的行列同步置换相互转换。这是矩阵相似的一种特殊情形，因此特征值、特征多项式以及其他相似不变量均不依赖于顶点的标号。"
    },
    {
      "heading": "矩阵幂、游走与可达性",
      "text": "使用邻接矩阵的一个主要原因是，它的幂可以用来统计游走的数量。游走是由首尾相接的边构成的序列，其中顶点和边均可重复。对于无权图，若矩阵元素记录边数，且每个自环只计数一次，则\n\n\\[(A^k)_{ij} = \\text{number of walks of length }k \\text{ from }v_i\\text{ to }v_j.\\]\n\n这一结论可由矩阵乘法得出：\n\n\\[(A^{k+1})_{ij} = \\sum_{\\ell=1}^{n}(A^k)_{i\\ell}a_{\\ell j}.\\]\n\n每一项统计的是经过 \\(k\\) 步到达 \\(v_\\ell\\)，然后再沿一条边到达 \\(v_j\\) 的游走数量。\n\n对于上述三顶点路径，\n\n\\[A^2= \\begin{pmatrix} 1&0&1\\\\ 0&2&0\\\\ 1&0&1 \\end{pmatrix}.\\]\n\n中间的对角元素为 \\(2\\)，对应游走 \\(v_2,v_1,v_2\\) 和 \\(v_2,v_3,v_2\\)。它们并不是简单路径：矩阵幂统计的是游走，而不只是顶点互不重复的路线。\n\n对于加权邻接矩阵，\\((A^k)_{ij}\\) 等于从相应起点到终点的所有长度为 \\(k\\) 的游走的边权乘积之和。\n\n闭游走与子图计数\n\n\\(A^k\\) 的迹统计长度为 \\(k\\) 的闭游走数量，并将起始顶点的不同选择分别计数。对于简单无向图，\n\n\\[\\operatorname{tr}(A^2)=2m, \\qquad \\text{number of triangles} = \\frac{\\operatorname{tr}(A^3)}{6}.\\]\n\n每个三角形都有三个可选的起始顶点和两个遍历方向。\n\n布尔可达性\n\n用布尔代数代替普通算术，即用逻辑或代替加法、用逻辑与代替乘法时，矩阵幂表示的是游走是否存在，而非游走的数量。\n\n对于 \\(n\\geq 1\\)，布尔矩阵\n\n\\[I\\lor A\\lor A^2\\lor\\cdots\\lor A^{n-1}\\]\n\n记录了顶点之间的可达性，其中单位矩阵 \\(I\\) 将长度为零的游走也包含在内。上界取 \\(n-1\\) 就已足够，因为只要一个顶点能从另一个顶点到达，就一定存在一条没有重复顶点的路径。"
    },
    {
      "heading": "谱性质",
      "text": "邻接矩阵的特征值与特征向量构成其谱信息。对于具有实数对称权重的无向图，谱定理保证其所有特征值均为实数，并且存在一组由特征向量构成的标准正交基。\n\n若干结构性质可以从谱的角度解释：\n\n- 如果图是 \\(d\\) 正则图，即每个顶点的度数均为 \\(d\\)，那么 \\(A\\mathbf 1=d\\mathbf 1\\)。\n- 对于简单无向图，最大特征值不超过最大顶点度数。\n- 如果简单无向图是连通的，则其最大特征值对应一个所有分量均严格为正的特征向量，且该向量在相差一个非零常数倍的意义下唯一。\n- 一个简单无向图是二分图，当且仅当其特征值连同重数关于零对称。\n\n如果特征值为 \\(\\lambda_1,\\ldots,\\lambda_n\\)，则\n\n\\[\\operatorname{tr}(A^k)=\\sum_{i=1}^{n}\\lambda_i^k.\\]\n\n因此，谱数据能够确定闭游走的数量。然而，它们不能唯一确定图：不同构的图可能具有完全相同的邻接矩阵特征值。这样的图称为同谱图。\n\n对于有向图，邻接矩阵不一定对称。其特征值可能是复数，也不一定存在一组由特征向量构成的完整基。"
    },
    {
      "heading": "相关矩阵与表示方法",
      "text": "图拉普拉斯算子\n\n对于边权非负的无向图，设 \\(D\\) 为以加权度数为对角元素的对角矩阵。图拉普拉斯算子为\n\n\\[L=D-A.\\]\n\n对于无自环的图，\n\n\\[x^{\\mathsf T}Lx = \\frac12\\sum_{i,j}a_{ij}(x_i-x_j)^2\\geq 0.\\]\n\n因此，拉普拉斯矩阵是半正定矩阵。其零特征值的重数等于连通分量的数量。拉普拉斯矩阵在图划分、扩散和聚类分析中具有核心作用。\n\n随机游走转移矩阵\n\n当所有顶点的度数均为正时，对各行进行归一化可得\n\n\\[P=D^{-1}A.\\]\n\n对于无权图，\\(P_{ij}\\) 是位于顶点 \\(v_i\\) 的随机游走下一步移动到 \\(v_j\\) 的概率。由此得到的转移矩阵定义了一个马尔可夫链。孤立顶点需要另行约定，例如将其设为吸收态。\n\n二分图\n\n如果二分图的两个顶点类分别有 \\(p\\) 个和 \\(q\\) 个顶点，采用适当的排列顺序可得\n\n\\[A= \\begin{pmatrix} 0&B\\\\ B^{\\mathsf T}&0 \\end{pmatrix}.\\]\n\n其中，\\(p\\times q\\) 矩阵 \\(B\\) 称为二分邻接矩阵，记录两个顶点类之间的边。与完整的邻接矩阵不同，它可以不是方阵。\n\n补图\n\n对于简单无向图，其补图的邻接矩阵为\n\n\\[\\overline A=J-I-A,\\]\n\n其中 \\(J\\) 是全一矩阵。减去 \\(I\\) 是为了确保补图没有自环。"
    },
    {
      "heading": "计算用途与局限",
      "text": "邻接矩阵可用于代数图算法、网络分析以及机器学习中基于矩阵的模型。对于稠密图、频繁的边查询，以及能够利用优化数值计算硬件的计算任务，它们尤其方便。\n\n无论边数多少，完整的 \\(n\\times n\\) 表示都需要 \\(\\Theta(n^2)\\) 个存储位置。在标准的随机访问表示中，判断某条边是否存在需要 \\(O(1)\\) 时间，而列出某个顶点的全部邻接顶点则需要扫描一整行，耗时 \\(O(n)\\)。这些界限采用大O记号等渐近记号表示。\n\n对于边数相对较少的图，邻接表通常能更紧凑地存储图结构，所需空间为 \\(O(n+m)\\)。稀疏矩阵表示仅存储非零元素，同时可以保留矩阵表示的许多代数优势，不过查找和修改的代价取决于存储格式。\n\n对矩阵采用何种代数运算也很重要。普通乘法用于统计游走数量；布尔运算用于判断可达性；将加法替换为取最小值、将乘法替换为加法，则可用于某些最短路径计算。因此，将加权邻接矩阵当作无权邻接矩阵处理，或混淆游走与简单路径，都可能导致错误的解释。"
    }
  ],
  "links": [
    "matrix",
    "graph-theory",
    "linear-algebra",
    "directed-graph",
    "matrix-transpose",
    "matrix-similarity",
    "characteristic-polynomial",
    "matrix-multiplication",
    "matrix-trace",
    "boolean-algebra",
    "identity-matrix",
    "eigenvalues-and-eigenvectors",
    "spectral-theorem",
    "graph-laplacian",
    "cluster-analysis",
    "random-walk",
    "transition-matrix",
    "markov-chain",
    "machine-learning",
    "big-o-notation",
    "adjacency-list",
    "sparse-matrix"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}