图同构问题的决策神经网络模型
图神经网络研究综述
图神经网络研究综述近年来，图神经网络（graph neural networks，GNNs）成为了机器学习领域的研究热点。
图神经网络是一种用于处理图数据的神经网络模型，通过学习节点之间的关系和图的结构，实现对图数据的分析和预测。
本文将对图神经网络的研究进行综述，并介绍其应用和未来发展方向。
一、图神经网络简介图神经网络是一种基于图结构的神经网络模型，其目标是学习节点之间的关系和图的结构。
相比于传统的神经网络模型，图神经网络可以处理非结构化数据，并在节点分类、图分类、关系预测等任务中取得良好的效果。
图神经网络主要由节点嵌入和图嵌入两个部分组成。
1. 节点嵌入节点嵌入是将节点映射到低维空间中的一个过程，将图中的节点表示为向量形式，用于捕捉节点的特征和上下文信息。
常用的节点嵌入方法有GraphSage、GAT和GCN等。
2. 图嵌入图嵌入是将整个图映射到低维空间中的一个过程，用于对整个图进行特征提取和表示。
常用的图嵌入方法有Graph Convolutional Networks (GCNs)、Graph Attention Networks (GAT)和GraphSAGE等。
二、图神经网络的应用图神经网络在各个领域都有广泛的应用，包括社交网络分析、推荐系统、生物信息学和药物发现等。
以下将介绍几个典型的应用场景：1. 社交网络分析社交网络是一个充满复杂关系的图结构，传统的方法往往无法准确地分析和预测社交网络中的节点行为。
图神经网络通过学习节点之间的关系和图的结构，可以有效地进行社交网络分析，包括社区发现、影响力传播和节点分类等任务。
2. 推荐系统推荐系统需要对用户和商品之间的关系进行建模和预测，而这种关系往往可以用图结构进行表示。
图神经网络可以学习用户和商品之间的关系，提取隐含的特征信息，并用于推荐算法中的推荐和评分预测。
3. 生物信息学生物信息学研究需要对蛋白质、基因和化合物等生物实体进行建模和分析。
图神经网络训练技巧探讨(六)
图神经网络（Graph Neural Network, GNN）是一种能够处理具有图结构的数据的机器学习模型。
与传统的神经网络模型不同，GNN 能够有效地处理节点和边的特征，适用于社交网络、生物信息学、推荐系统等领域。
在实际应用中，图神经网络的训练技巧对模型的性能和收敛速度有着至关重要的影响。
本文将探讨图神经网络的训练技巧，以及一些常用的方法和技巧。
数据预处理在训练图神经网络之前，首先需要对图数据进行预处理。
对于节点的特征，通常采用 one-hot 编码或者嵌入（embedding）的方式进行表示。
对于图的结构信息，可以使用邻接矩阵或者节点对之间的关系进行编码。
在预处理过程中，需要注意处理缺失值、异常值以及对数据进行归一化处理，以确保模型的稳定性和可靠性。
图卷积网络（Graph Convolutional Network, GCN）的训练技巧图卷积网络是图神经网络的一种重要模型，能够有效地处理节点特征和图结构信息。
在训练图卷积网络时，通常采用反向传播算法和梯度下降算法进行参数更新。
此外，为了提高模型的泛化能力和防止过拟合，可以采用正则化技巧，如 L1 正则化、L2 正则化等。
在训练过程中，还可以采用学习率衰减、批量归一化等技巧，以加速模型的收敛速度和提高模型的性能。
图注意力网络（Graph Attention Network, GAT）的训练技巧图注意力网络是一种基于注意力机制的图神经网络模型，能够自适应地学习节点之间的关系权重。
在训练图注意力网络时，通常采用自注意力机制和多头注意力机制进行特征的聚合和更新。
为了提高模型的训练效果，可以采用残差连接、层归一化等技巧，以减缓梯度消失和梯度爆炸问题。
此外，为了提高模型的鲁棒性和泛化能力，还可以采用 Dropout 技巧和样本增强技巧等。
图神经网络的训练技巧总结在训练图神经网络时，需要注意以下几个方面的技巧。
首先，合理选择损失函数和优化器，适当调整学习率和正则化参数。
gnn的使用场景
gnn的使用场景
GNN（图神经网络）是一种处理图结构数据的深度学习模型，其应用场景非常广泛。
以下是一些具体的使用场景：
1.推荐系统：GNN可以用于处理用户与商品之间的交互关系，通过对用户行为的建模和节点嵌入的学习，实现更加精准的推荐。
例如，在电子商务平台上，GNN可以用于推荐系统，为用户提供个性化的商品推荐。
2.组合优化：GNN在组合优化问题中也有广泛应用，如旅行商问题、图着色问题等。
通过构建图神经网络模型，学习节点之间的关联关系，以实现高效的求解。
3.计算机视觉：GNN在计算机视觉领域的应用包括场景图生成、点云分类和动作识别等。
场景图生成是将图像解析为语义图的过程，有助于理解图像背后的意义。
点云分类是将点云数据转化为拓扑结构进行研究的过程，而动作识别则有助于从视频中提取人类动作信息。
4.物理和化学：在物理和化学领域，GNN也被用于模拟分子结构和预测化学反应等任务。
通过对分子结构的建模和嵌入学习，可以预测分子的性质和行为，进而在药物设计、材料科学等领域发挥作用。
5.药物发现：GNN在药物发现领域的应用主要涉及药物小分子的性质预测和分子设计等。
通过构建药物小分子与靶点蛋白的交互图，可以预测药物活性、毒性等性质，有助于新药的发现和设计。
综上所述，GNN在推荐系统、组合优化、计算机视觉、物理/化学以及药物发现等领域都有广泛的应用。
未来随着技术的发展和应用的深入，GNN的应用场景还将不断扩展和深化。
gnn模型原理(一)
gnn模型原理(一)GNN模型简介GNN（Graph Neural Network，图神经网络）是一种用于图数据的机器学习模型。
在各个领域，如社交网络、推荐系统、生物信息学等，图数据都广泛存在，因此GNN模型被广泛应用于这些领域。
本篇文章将逐步介绍GNN模型的相关原理。
什么是GNN模型？GNN模型是一种可以学习和提取图数据中节点之间交互关系的神经网络模型。
与传统的深度学习模型不同，GNN模型可以直接处理图结构数据，而无需将其转换为向量形式。
GNN模型的基本原理GNN模型通过逐层共享节点特征和边信息来学习节点的表示。
下面是GNN模型的主要步骤：1.初始化节点表示：给每个节点一个初始的向量表示，可以是随机生成的或者通过其他方式得到的。
2.消息传递：每个节点将其特征信息与相邻节点的特征信息进行交互。
该步骤可以通过消息传递函数来实现。
3.聚合信息：每个节点将收到的消息进行聚合，生成该节点的新特征表示。
这一步骤可以通过聚合函数来实现。
4.更新节点表示：将上一步骤得到的新特征表示作为节点的新表示，用于下一轮的消息传递。
5.多次迭代：重复执行上述步骤，直到达到一定的迭代次数或达到收敛条件。
GNN模型的进阶技术除了基本原理外，GNN模型还有一些进阶技术可以提高其性能：•图注意力机制：通过引入注意力机制，使得模型能够更加关注重要的节点和边。
•图卷积网络（GCN）：GCN是GNN模型的一种扩展，在消息传递和聚合信息的过程中，利用图拉普拉斯矩阵对特征进行归一化处理，减小网络中节点特征的差异。
•图注意力池化：通过注意力机制在不同层次上对图进行池化，减少图的规模，提高计算效率。
•图生成模型：生成图的模型，通过学习生成模型可以用于生成具有特定特征的图结构。
GNN模型的应用领域GNN模型在许多领域中有着广泛的应用，以下是一些常见的应用领域：•社交网络分析：用于社交网络中的节点分类、社区发现等任务。
•推荐系统：用于推荐系统中对用户和商品的关联关系进行建模，提高推荐效果。
图神经网络使用方法详解
图神经网络（Graph Neural Networks，GNN）是一种用于处理图数据的深度学习模型，它可以有效地对节点和边进行建模，从而在推荐系统、社交网络分析、生物信息学等领域发挥重要作用。
本文将详细介绍图神经网络的使用方法，包括数据准备、模型构建、训练和调参等方面。
一、数据准备在使用图神经网络之前，首先需要准备好图数据。
图数据由节点和边组成，每个节点可以表示一个实体，比如用户、商品或者社交关系，而边则表示节点之间的连接关系。
在处理图数据时，需要将其转化为适合图神经网络处理的格式。
一种常见的表示方法是邻接矩阵（Adjacency Matrix），它可以将图中节点和边的关系以矩阵的形式进行表示。
此外，还可以使用节点特征矩阵（Node Feature Matrix）来表示每个节点的特征向量，从而将节点的属性信息引入到模型中。
二、模型构建在数据准备完成后，就可以开始构建图神经网络模型了。
图神经网络的主要思想是通过消息传递（Message Passing）的方式来更新节点的表示，从而实现节点之间的信息传递和聚合。
常用的图神经网络模型包括Graph Convolutional Network（GCN）、Graph Attention Network（GAT）和GraphSAGE等。
这些模型在消息传递的方式、节点表示的更新规则和参数设置上有所不同，可以根据具体的任务需求来选择合适的模型。
三、训练与调参在模型构建完成后，需要对模型进行训练和调参。
在训练过程中，通常会使用一些常见的深度学习技术，比如梯度下降（Gradient Descent）和反向传播（Backpropagation），来优化模型的参数。
此外，还需要对模型的超参数进行调优，比如学习率、正则化系数和隐藏层节点数等。
通过反复训练和验证，可以找到最优的模型参数和超参数。
四、应用与拓展经过训练和调参后，图神经网络模型就可以用于具体的应用场景了。
在推荐系统中，可以利用图神经网络来实现个性化推荐，通过学习用户和商品之间的关系来提高推荐的准确性。
图神经网络的应用领域与训练技巧
图神经网络的应用领域与训练技巧图神经网络（Graph Neural Networks，简称GNN）是一种可用于处理图结构数据的机器学习模型。
相比于传统的深度学习模型，GNN具有能够对图数据进行有效表示和学习的优势，因此在许多领域都得到了广泛的应用和研究。
一、图神经网络的应用领域图神经网络的应用领域十分广泛，下面将介绍其中一些重要的应用领域。
1. 社交网络社交网络是图神经网络的典型应用领域之一。
在社交网络中，节点代表个人或实体，边代表他们之间的社交关系。
通过图神经网络，可以对社交网络中的节点进行特征表示学习、节点分类、社区发现、推荐系统等任务。
2. 生物信息学生物信息学是另一个重要的应用领域。
在生物信息学中，图数据可以表示生物分子之间的相互作用关系，例如蛋白质互作网络。
通过图神经网络，可以对蛋白质结构进行表示学习、蛋白质功能预测、药物研发等任务。
3. 推荐系统推荐系统是电子商务中的重要应用之一。
通过构建用户和商品之间的关系图，图神经网络可以对用户进行个性化的表示学习，从而实现更准确和精准的推荐。
4. 自然语言处理自然语言处理是另一个可以应用图神经网络的领域。
在自然语言处理中，可以将自然语言问题建模为图结构，在图神经网络的帮助下，可以对文本进行表示学习、实体识别、关系抽取等任务。
5. 计算机视觉图神经网络也可以应用于计算机视觉领域。
在计算机视觉中，可以将图像看作是一个图结构，通过图神经网络可以对图像进行表示学习、目标检测、图像分割等任务。
二、图神经网络的训练技巧在使用图神经网络进行建模和训练时，有一些重要的技巧和策略可以提高模型的性能和效果。
1. 图结构的表示图神经网络的核心是对图结构进行表示学习。
常用的表示学习方法包括图卷积神经网络（Graph Convolutional Networks，简称GCN）、GraphSAGE、GIN等。
这些方法能够有效地将图结构转化为低维的节点嵌入表示，以便进行后续的任务。
图神经网络的特点与优势解析(Ⅲ)
图神经网络的特点与优势解析图神经网络（Graph Neural Network，GNN）是近年来兴起的一种基于图结构数据的深度学习模型。
与传统的神经网络模型不同，GNN能够更好地处理非欧几里得空间的数据，如社交网络、推荐系统、生物信息学等领域的数据。
在图数据挖掘和图结构分析方面，GNN表现出许多优势和特点，本文将对其特点与优势进行解析。
1. 灵活性与泛化能力GNN能够自适应不同的图结构数据，并且具有很强的泛化能力。
这意味着GNN可以应用于各种不同的图数据，无论是社交网络中的用户关系、推荐系统中的物品关联，还是分子结构中的原子之间的相互作用。
GNN能够通过学习图数据的局部特征，并将这些特征整合到整个图结构中，从而实现对不同图数据的灵活建模。
2. 融合图结构特征传统的神经网络模型难以直接处理图结构数据，而GNN则能够有效地融合图结构的特征。
GNN通过在节点之间建立连接，利用节点的邻居信息来更新节点的表示，从而实现对图结构的建模和特征提取。
这种特点使得GNN在处理图数据时能够更好地保留数据的局部和全局特征，从而提高了模型在图数据挖掘和分析中的效果。
3. 处理大规模图数据在现实应用中，很多图数据都是大规模的，传统的图算法往往难以处理这些大规模图数据。
GNN在处理大规模图数据方面具有一定的优势。
由于GNN采用了局部更新的方式，使得模型能够高效地处理大规模图数据，从而实现对大规模图数据的高效建模和分析。
4. 适用于复杂任务除了在图数据挖掘和分析领域有优势外，GNN还在其他领域表现出了不俗的性能。
例如，在推荐系统中，GNN能够更好地捕捉用户和物品之间的复杂关系，从而提高了推荐的准确性。
在生物信息学领域，GNN能够有效地对分子结构进行建模和预测，为药物设计和生物信息学研究提供了新的思路和方法。
5. 可解释性与可视化与传统的神经网络模型相比，GNN在一定程度上具有可解释性。
GNN能够对图结构数据进行可视化表示，帮助人们更直观地理解图数据的特征和结构。
五大神经网络模型解析
五大神经网络模型解析近年来，人工智能的快速发展使得深度学习成为了热门话题。
而深度学习的核心就在于神经网络，它是一种能够模拟人脑神经系统的计算模型。
今天，我们就来一起解析五大神经网络模型。
1.前馈神经网络（Feedforward Neural Network）前馈神经网络是最基本的神经网络模型之一。
在前馈神经网络中，信息是单向传输的，即神经元的输出只会被后续神经元接收，不会造成回流。
前馈神经网络能够拟合线性和非线性函数，因此在分类、预测等问题的解决中被广泛应用。
前馈神经网络的一大优势在于简单易用，但同时也存在一些缺点。
例如，神经网络的训练难度大、泛化能力差等问题，需要不断探索解决之道。
2.循环神经网络（Recurrent Neural Network）与前馈神经网络不同，循环神经网络的信息是可以进行回流的。
这意味着神经元的输出不仅会传向后续神经元，还会传回到之前的神经元中。
循环神经网络在时间序列数据的处理中更为常见，如自然语言处理、语音识别等。
循环神经网络的优点在于增强了神经网络处理序列数据的能力，但是它也存在着梯度消失、梯度爆炸等问题。
为了解决这些问题，一些变种的循环神经网络模型应运而生，如长短期记忆网络（LSTM）、门控循环单元（GRU）等。
3.卷积神经网络（Convolutional Neural Network）卷积神经网络是一种类似于图像处理中的卷积操作的神经网络模型。
卷积神经网络通过卷积神经层和池化层的堆叠来对输入数据进行分层提取特征，从而进一步提高分类性能。
卷积神经网络在图像、视频、语音等领域的应用非常广泛。
卷积神经网络的优点在于对于图像等数据具有先天的特征提取能力，可以自动识别边缘、角点等特征。
但是，卷积神经网络也存在着过拟合、泛化能力欠佳等问题。
4.生成对抗网络（Generative Adversarial Network）生成对抗网络可以说是最近几年最热门的神经网络模型之一。
它基于博弈论中的对抗训练模型，由两个神经网络构成：生成器和判别器。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
图同构问题的决策神经网络模型南晋华，齐欢(华中科技大学控制科学与工程系武汉430074)摘要图的同构问题是研究两个图之间相互关系范畴。
这对图表面上似乎不同，但本质上完全相同。
由于图的同构问题在以系统建模、电路布线等众多问题中有直接的应用，因而，吸引了不少的学者从事这方面的研究。
本文意在建立一种局域连接的、模拟人脑决策思维模式的、可用于优化信息处理的神经网络模型。
文中在过去建立求解图的同构问题人工神经网络模型的基础上，拟应用人脑决策局域化的思想，提出了一种新的用于图的同构问题的人工神经网络模型。
该模型中增加了一个自然的约束条件，加快了运算速度。
关键词图；同构；决策；神经网络中图分类号TP301The decision-making neural networks model for solving the graphisomorphism problemNAN Jin-Hua1)QI Huan1)1) (Department of Control Science and Engineering，Huazhong University of Science andTechnology，Wuhan 430074)Abstract The graph isomorphism problem is to study the relationship between two graphs which seem to be different, but essentially identical. This problem can be widely used in the system modeling, circuit wiring and many other issues. Therefore, this paper is aimed to establish a kind of neural networks model that are of local-connection, simulation human’s decision-making thinking, and also can be applied to solve the optimization for information. On this basis, we use a natural constraint in this model in order to speed up the operations, and then a new artificial neural network model is proposed to solve the graph isomorphism problem.Keywords Graph; Isomorphism; Decision-making; Neural networks model1引言图的同构问题不仅是数学，特别是图论自身学科研究中的一个核心内容，而且具有良好的应用背景，在工程技术领域，特别是大系统建模、电路设计、机械设计、模式识别以及系统建模中有着广泛的应用。
对于系统建模，如果能够证明需建模型与已知模型同构，则可以节省大量人力物力财力。
多数学者认为图的同构判定问题属于NP-完全问题。
但至今没有定论，即它究竟是P问题还是NP问题？目前关于图的同构问题的判定性算法不少，有诸如经典判定算法[1-8]、对在实际工程中有着广泛应用的图的拟同构问题算法[9-12]、进化计算方法[13]、人工神经网络求解算法[14-18] 以及最新的DNA计算模型[19-20]等。
在经典的图同构算法中，在此主要介绍两种算法，一种是所谓的矢量列表法，另一种是回溯算法。
研究图的同构问题，一个重要的环节是如何表示图的信息。
在这个问题上，Comeil 与Hffman等人曾引入“模块”这一概念来表示各个顶点及其邻接顶点信息。
在此基础上Riaz提出一种有效的判定图同构问题的算法-矢量列表法，即把各顶点所代表的信息用模块表示，所有模块组合在一起构成矢量列表。
设计算法依次比较各模块，最终得到同构信息。
并在此基础上建立了判定图同构的矢量列表法。
图同构的回溯算法是一种利用K-算子表示图结构，然后通过比对序列求解图同构映射的方法。
K-算子这一概念最初由Kride 等人提出，文献[11-12]对这一算法进行深入的探讨改进，并对这一方法进行了系统的论述，并给出了适合计算机求解的算法。
虽然通过仿真结果证明了这种回溯算法的可行性，但是要严格地给出时间复杂度估计不是很容易的事情，尽管如此，这种试图从图的结构上来判定同构性的思想无疑是值得借鉴的，它通过引入算子，把给定图表示成字符串的形式，然后通过回溯模式识别，逐步求得可能的同构序列，最终得到两图是否同构。
遗传算法由John Holland等人于20世纪60年代末提出，模拟生化机制进行优化计算[21]。
图的同构问题稍加扩充，引入成具有一定应用背景的所谓的拟同构的概念。
当两个图相近程度达到要求误差范围之内时，称两个图为拟同构图的拟同构的一个很重要的应用就是在模式识别中，通常把事物的特征及其相互作用表示成赋权图。
该算法把一个图同构的判定问题分解在GA中进行求解。
通过引入初始匹配，进化速度加快，用顶点映射来代替常规算法中的行列交换，鉴于GA求解随机搜索问题的有效性，在图的拟同构判定中，该算法也就显得十分有效。
DNA计算是一种以DNA分子与相关生物酶为基本材料，以某些生化反应为基础的一种全新的计算模式。
利用DNA特殊的双螺旋结构和碱基互补规律进行信息编码，把运算对象映射DNA分子链，生成数据池，然后把数据运算高度并行的映射成DNA的可控生化过程最后利用分子生物技术，检测出需要的结果。
在利用DNA计算求解图论中的问题这一领域已经取得了不少的成果，文献[19]中利用粘贴DNA计算模型建立求解图同构问题的DNA计算模型，文献[22]利用k-臂DNA计算模型建立了另外一种求解图同构问题的模型。
应用Hopfield网络研究图的同构问题始于马颂德[15]、陈国良[16-17]等人。
其后，有一些学者利用神经网络模型来研究图的同构问题，如Brijnesh与Fritz提出了一种解决严格与非严格赋权图同构的神经网络方法。
有别于其他的启发式及关联式算法，该方法巧妙设计了神经计算程序，通过一能量最小化匹配处理减小了搜索空间[23]。
本章在已有工作的基础上，通过加入顶点邻域的思想，将顶点度加入到能量函数之中，进而加入到网络的运行方程之中，使得网络的运行速度得以加快，自然也减少了一些局部极小值，建立了一种新的神经网络求解图的同构问题的改进算法。
2 图的同构两个表面上似乎很不相同的图，本质上可能是完全一样的，或者说，这两个图是同构的。
如图1中所示的三组图：M、与M'；H与'H；G与'G，它们表面上不同，但实际上每组图之间是同构的。
其中的图M 就是著名的Petersen图。
在本文中分别用()V G，()E G分别表示图G的顶点集和边集。
M M'H'H341'3'7'5'4'6'2'8'G 'G图1 三组同构的图本文所言之图皆指无自环、无重边的有限无向简单图，用)(G V 、)(G E (或E V ,)分别表示图G 的顶点集和边集，两个图G 与'G ，称为是同构的，如果存在一个从)(G V 到)'(G V 之间的保持相邻性的1-1映射，换言之，存在1-1映射：σ：)(G V →)'(G V ，且),(,G V v u ∈∀ )(G E uv ∈当且仅当)'()()(G E v u ∈σσ，称σ是从G 到'G 的一个同构映射。
全体从G 到G '的同构映射构成的集合记作)',(G G I 。
3 模型及算法设G 与'G 是两个同构的图，},,,,{)(21p x x x G V =, },,,{)'(21p y y y G V =，)'(G G I ，∈σ且满足p l i y x l i ,,2,1,,)( ==σ (3.1)置),(l i y x 为网络的神经元，它表示同构映射σ把图G 的顶点i x 映射到图'G 的顶点l y 。
显然，由此而构成的神经网络共有p p ⨯个神经元。
当网络稳定时，用il v 表示神经元),(l i y x 的输出，定义:⎩⎨⎧==否则若0)(1li il y x v σ (3.2)例如，图1中第三组中所示的两个图G 和'G 是同构的，其中一个同构映射为⎪⎪⎭⎫⎝⎛='2'8'3'5'6'4'7'187654321σ由同构映射σ可构成一个p p ⨯阶矩阵p p il v V ⨯=)(σ，称为置换矩阵，如图1给出了两个8-阶的3-正则图G 和'G ，σ是一个保持相邻性的从)(G V 到)'(G V 的同构映射，由(3.2)式可得⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=0000001010000000000001000001000000100000000010000100000000000001σV 下面来分析一下σV 的一些基本性质：由σ是1－l 映射，保证了σV 的每一行、每一列有且仅有一个元素为1，而其余的元素均为0。
由此获得：pi vpl il,,2,1,11==∑= (3.3)p l vpi il,,2,1,11==∑=(3.4)设图G 与'G 的相邻矩阵分别为A 与'A ， p p ij a A ⨯=)(，p p ij a A ⨯=)'(', 于是，由σ可保持相邻性有：对于)(,G V x x j i ∈∀⎭⎬⎫∉=⇔∉∈=⇔∈)'()()()()'()()()(G E lm j i G E ij G E lm j i G E ij σσσσ (3.5)即 ⎭⎬⎫=⇔==⇔=0'01'1lm ij lm ij a a a a (3.6)基于(3.2)和(3.6)，有p m l j i v v a a jm il lm ij ,,2,1,,,,0)('==- (3.7) 令},,,{)(21p x x x G V =。
设)(G V x i ∈，用)(i x Γ来表示顶点i x 在图G 中的邻域，用|)(|i i x d Γ=来表示顶点i x 的度数，p i ,,2,1 =。
我们约定，一个图G 的度序列，记做)(G π，是指满足单调递增的度序列：),,,()(21p d d d G =π其中，p d d d ≤≤≤ 21同样，},,,{)'(21p y y y G V =，且令''')(jj G d y d =来表示图'G 中顶点j y 的度数，p j ,,2,1 =。