Você está na página 1de 77

Breve Introducao a Grafos e Redes Complexas

Parte II

Marcia Paiva

Laboratorio de Telecomunicacoes - LabTel


Universidade Federal do Esprito Santo

II Jornada de Atualizacao em Computacao, Eletrica e Eletronica - JACEE


Vitoria, 13 de novembro de 2014

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 1 / 54


Sumario

1 Introducao

2 Teoria Espectral de Grafos

3 Modelos de Redes Complexas


Grafos Aleatorios
Grafos Mundo Pequeno
Grafos Sem Escala

4 Aplicacao: Conectividade algebrica em redes complexas

5 Ferramentas para lidar com redes complexas

6 Referencias

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 2 / 54


Introducao

Sumario

1 Introducao
2 Teoria Espectral de Grafos
3 Modelos de Redes Complexas
Grafos Aleatorios
Grafos Mundo Pequeno
Grafos Sem Escala
4 Aplicacao: Conectividade algebrica em redes complexas
5 Ferramentas para lidar com redes complexas
6 Referencias

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 3 / 54


Introducao

Primeiro captulo . . .

Conceitos:
grafo G = G (V , E )
Metricas ou invariantes:
caminho, ciclo
n: numero de vertices ou nos
ponte, articulacao
m: numero de arestas ou enlaces
conectividade de vertices
d(v ), v G
conectividade de arestas
(G ): grau mnimo
arvore
(G ): grau maximo
grafo simples
< d >G : grau medio
grafo regular
distG (u, v ), u, v V
grafo conexo
diam(G ): diametro
grafo 2-conexo
< dist >G : distancia media
grafo euleriano
grafo hamiltoniano
Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 4 / 54
Introducao

Backbone da RNP

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 5 / 54


Introducao

Backbones versus Redes Complexas

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 6 / 54


Teoria Espectral de Grafos

Sumario

1 Introducao
2 Teoria Espectral de Grafos
3 Modelos de Redes Complexas
Grafos Aleatorios
Grafos Mundo Pequeno
Grafos Sem Escala
4 Aplicacao: Conectividade algebrica em redes complexas
5 Ferramentas para lidar com redes complexas
6 Referencias

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 7 / 54


Teoria Espectral de Grafos

Um grafo G

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 8 / 54


Teoria Espectral de Grafos

Um grafo G

G e um grafo com:
8 vertices

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 8 / 54


Teoria Espectral de Grafos

Um grafo G

G e um grafo com:
8 vertices
10 arestas

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 8 / 54


Teoria Espectral de Grafos

Um grafo G

G e um grafo com:
8 vertices
10 arestas

G tem:
4 vertices com grau 2

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 8 / 54


Teoria Espectral de Grafos

Um grafo G

G e um grafo com:
8 vertices
10 arestas

G tem:
4 vertices com grau 2
4 vertices com grau 3

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 8 / 54


Teoria Espectral de Grafos

Matriz de adjacencias de G

Matriz de adjacencias de G:

0 1 1 0 0 0 0 0

1 0 0 1 0 0 0 0

1 0 0 1 1 0 0 0

0 1 1 0 0 1 0 0
A(G ) = 0 0 1 0

0 1 1 0

0 0 0 1 1 0 0 1

0 0 0 0 1 0 0 1
0 0 0 0 0 1 1 0

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 9 / 54


Teoria Espectral de Grafos

Matriz diagonal dos graus de G

Matriz diagonal dos graus dos vertices


de G :
2 0 0 0 0 0 0 0

0 2 0 0 0 0 0 0

0 0 3 0 0 0 0 0

0 0 0 3 0 0 0 0
D(G ) =
0 0 0 0 3 0 0 0


0 0 0 0 0 3 0 0

0 0 0 0 0 0 2 0
0 0 0 0 0 0 0 2

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 10 / 54


Teoria Espectral de Grafos

Matriz laplaciana de G

A matriz laplaciana L(G ) de um grafo G e definida por


L(G ) = D(G ) A(G ),
onde A(G ) e sua matriz de adjacencias, e D(G ) e a
matriz diagonal dos graus de seus vertices.

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 11 / 54


Teoria Espectral de Grafos

Matriz laplaciana de G

Matriz laplaciana de G :

L(G ) = D(G ) A(G )

2 0 0 0 0 0

1 1
1 2 0 1 0 0 0 0

1 0 3 1 1 0 0 0

0 1 1 3 0 1 0 0
L(G ) =

0 0 1 0 3 1 1 0

0 0 0 1 1 3 0 1
0 0 0 0 0 2

1 1
0 0 0 0 0 1 1 2

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 12 / 54


Teoria Espectral de Grafos

Espectro da matriz laplaciana

Espectro da matriz laplaciana L(G) de um grafo G com n nos


Vetor cujos elementos sao todos os autovalores de L(G ) ordenados
em ordem nao-crescente.

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 13 / 54


Teoria Espectral de Grafos

Espectro da matriz laplaciana

Espectro da matriz laplaciana L(G) de um grafo G com n nos


Vetor cujos elementos sao todos os autovalores de L(G ) ordenados
em ordem nao-crescente.

Assim, se 1 . . . n sao os autovalores de L, entao seu espectro e:

(1 , 2 , . . . , , n1 , n ).

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 13 / 54


Teoria Espectral de Grafos

Espectro da matriz laplaciana

Espectro da matriz laplaciana L(G) de um grafo G com n nos


Vetor cujos elementos sao todos os autovalores de L(G ) ordenados
em ordem nao-crescente.

Assim, se 1 . . . n sao os autovalores de L, entao seu espectro e:

(1 , 2 , . . . , , n1 , n ).

No espectro da matriz laplaciana:


O maior autovalor e denominado ndice;
O segundo menor autovalor e denominado conectividade algebrica.

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 13 / 54


Teoria Espectral de Grafos

Espectro da matriz laplaciana de G

Espectro de L(G ):

(5.414, 4, 3.414, 2.586, 2, 2, 0.586, 0)

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 14 / 54


Teoria Espectral de Grafos


Um grafo G

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 15 / 54


Teoria Espectral de Grafos


Um grafo G


G e um grafo com:
8 vertices

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 15 / 54


Teoria Espectral de Grafos


Um grafo G


G e um grafo com:
8 vertices
10 arestas

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 15 / 54


Teoria Espectral de Grafos


Um grafo G


G e um grafo com:
8 vertices
10 arestas


G tambem tem:
4 vertices com grau 2

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 15 / 54


Teoria Espectral de Grafos


Um grafo G


G e um grafo com:
8 vertices
10 arestas


G tambem tem:
4 vertices com grau 2
4 vertices com grau 3

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 15 / 54


Teoria Espectral de Grafos


Espectro da matriz laplaciana de G

Espectro de L(G ):

(4.988, 4.434, 3.501, 2.729, 2.315, 1.426, 0.608, 0)

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 16 / 54


Teoria Espectral de Grafos

Comparando os espectros. . .
Espectro de L(G ):
(5.414, 4, 3.414, 2.586, 2, 2, 0.586, 0)

Espectro de L(G ):
(4.988, 4.434, 3.501, 2.729, 2.315, 1.426, 0.608, 0)


G G

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 17 / 54


Teoria Espectral de Grafos

Questoes

O espectro da matriz laplaciana traz alguma


informacao util para o problema?

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 18 / 54


Teoria Espectral de Grafos

Questoes

O espectro da matriz laplaciana traz alguma


informacao util para o problema?

Os autovalores tem alguma relacao com


metricas de desempenho, protecao, etc do
sistema modelado?

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 18 / 54


Modelos de Redes Complexas

Sumario

1 Introducao
2 Teoria Espectral de Grafos
3 Modelos de Redes Complexas
Grafos Aleatorios
Grafos Mundo Pequeno
Grafos Sem Escala
4 Aplicacao: Conectividade algebrica em redes complexas
5 Ferramentas para lidar com redes complexas
6 Referencias

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 19 / 54


Modelos de Redes Complexas Grafos Aleatorios

Grafos aleatorios - Modelo de Erdos-Renyi (1959)

Gp (n) e um grafo aleatorio com n vertices onde cada uma das


possveis Cn,2 arestas ocorre independentemente das demais com
probabilidade p.

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 20 / 54


Modelos de Redes Complexas Grafos Aleatorios

Grafos aleatorios - Modelo de Erdos-Renyi (1959)

Gp (n) e um grafo aleatorio com n vertices onde cada uma das


possveis Cn,2 arestas ocorre independentemente das demais com
probabilidade p.

Mais precisamente, Gp (n) e uma famlia de grafos, com numero


variavel de arestas.

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 20 / 54


Modelos de Redes Complexas Grafos Aleatorios

Um grafo aleatorio

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 21 / 54


Modelos de Redes Complexas Grafos Aleatorios

Grafos aleatorios - Modelo de Erdos-Renyi (1959)

Todas as ligacoes sao igualmente


provaveis.
A media dos graus dos vertices e
< k >= p(n 1).

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 22 / 54


Modelos de Redes Complexas Grafos Aleatorios

Grafos aleatorios - Modelo de Erdos-Renyi (1959)

Todas as ligacoes sao igualmente


provaveis.
A media dos graus dos vertices e
< k >= p(n 1).

Como seria a distribuicao de frequencia


dos graus dos vertices?

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 22 / 54


Modelos de Redes Complexas Grafos Aleatorios

Grafos aleatorios - Modelo de Erdos-Renyi (1959)

Todas as ligacoes sao igualmente


provaveis.
A media dos graus dos vertices e
< k >= p(n 1).

Como seria a distribuicao de frequencia


dos graus dos vertices?

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 22 / 54


Modelos de Redes Complexas Grafos Aleatorios

Um grafo aleatorio

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 23 / 54


Modelos de Redes Complexas Grafos Mundo Pequeno

Modelo de Watts-Strogatz (1998)

Modelo de Watts-Strogatz (1998)


Necessidade de um modelo topologico mais adequado para
estudar as redes reais, que se situe entre:
grafos regulares
grafos aleatorios

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 24 / 54


Modelos de Redes Complexas Grafos Mundo Pequeno

Um grafo mundo pequeno com n = 20

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 25 / 54


Modelos de Redes Complexas Grafos Mundo Pequeno

Distancia media (L) versus Coef. clusterizacao (C )

Tipicamente:
Em redes regulares, L cresce linearmente com n, e C e alto; e
Em redes aleatorias, L cresce logaritmicamente com n, e C e baixssimo.

n = 1000, < k >= 10


Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 26 / 54
Modelos de Redes Complexas Grafos Mundo Pequeno

Algumas crticas ao modelo

Por exemplo:
E considerado fixo o numero de vertices da rede.
As arestas sao distribudas aleatoriamente.

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 27 / 54


Modelos de Redes Complexas Exemplo

Exemplo: A rede WWW (World Wide Web)

Grafo direcionado, onde:


os vertices representam documentos; e
as arestas representam os links (URLs) que
apontam de um documento para outro.

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 28 / 54


Modelos de Redes Complexas Exemplo

Exemplo: A rede WWW (World Wide Web)

Grafo direcionado, onde:


os vertices representam documentos; e
as arestas representam os links (URLs) que
apontam de um documento para outro.

O diametro da rede e o menor numero de links que


devem ser seguidos para navegar de um documento
a outro qualquer.

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 28 / 54


Modelos de Redes Complexas Exemplo

A rede WWW

Tamanho estimado da rede em 1999: 8x108 documentos.

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 29 / 54


Modelos de Redes Complexas Exemplo

A rede WWW

Tamanho estimado da rede em 1999: 8x108 documentos.

Crescimento descontrolado: qualquer indivduo ou instituicao


pode criar um website com qualquer quantidade de
documentos e links.

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 29 / 54


Modelos de Redes Complexas Exemplo

A rede WWW

Tamanho estimado da rede em 1999: 8x108 documentos.

Crescimento descontrolado: qualquer indivduo ou instituicao


pode criar um website com qualquer quantidade de
documentos e links.

E importante ter um modelo que represente bem esta rede?

A topologia deste grafo influencia, por exemplo, a facilidade


de localizar informacoes na rede.

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 29 / 54


Modelos de Redes Complexas Exemplo

Um grafo aleatorio modela bem a rede WWW?

Qual e a probabilidade de existir um link entre:


dois documentos no mesmo website?
dois documentos escolhidos aleatoriamente na rede?

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 30 / 54


Modelos de Redes Complexas Exemplo

Um grafo aleatorio modela bem a rede WWW?

Qual e a probabilidade de existir um link entre:


dois documentos no mesmo website?
dois documentos escolhidos aleatoriamente na rede?

Todos os documentos estao relacionados (em media) a mesma


quantidade de outros documentos?

Ou seja, todos os documentos sao igualmente relevantes para a


rede, ou alguns serao muito mais referenciados que outros?

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 30 / 54


Modelos de Redes Complexas Exemplo

Um grafo aleatorio modela bem a rede WWW?

Experimento realizado em 1999 por


Albert-Laszlo Barabasi, H. Jeong e Reka Albert
A distribuicao dos graus dos vertices desta rede segue uma lei de potencia:

P(k) k , onde 2 < < 3.

(Diversos experimentos posteriores mostraram resultados semelhantes!)

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 31 / 54


Modelos de Redes Complexas Exemplo

Um grafo aleatorio modela bem a rede WWW?

Experimento realizado em 1999 por


Albert-Laszlo Barabasi, H. Jeong e Reka Albert
A distribuicao dos graus dos vertices desta rede segue uma lei de potencia:

P(k) k , onde 2 < < 3.

(Diversos experimentos posteriores mostraram resultados semelhantes!)

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 31 / 54


Modelos de Redes Complexas Exemplo

A rede WWW

O experimento mostrou ainda que < dist > cresce


proporcionamente a log (n).

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 32 / 54


Modelos de Redes Complexas Exemplo

A rede WWW

O experimento mostrou ainda que < dist > cresce


proporcionamente a log (n).

Em media, 19 links separam dois documentos escolhidos


aleatoriamente na rede, a partir de um conjunto com 8x108
documentos.

Por isso, a rede WWW foi considerada como um grafo


mundo pequeno.

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 32 / 54


Modelos de Redes Complexas Exemplo

A rede WWW

O experimento mostrou ainda que < dist > cresce


proporcionamente a log (n).

Em media, 19 links separam dois documentos escolhidos


aleatoriamente na rede, a partir de um conjunto com 8x108
documentos.

Por isso, a rede WWW foi considerada como um grafo


mundo pequeno.

Assim, um aumento de 1000% no tamanho da rede


aumentaria de 19 para apenas 21 a distancia media da rede.

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 32 / 54


Modelos de Redes Complexas Grafos Sem Escala

Modelo de Barabasi-Albert (1999)

Em 1999, Barabasi e Albert propuseram um novo modelo de


grafos, baseado em um mecanismo dinamico.

Caractersticas principais:
Ligacao preferencial
Surgimento de hubs

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 33 / 54


Modelos de Redes Complexas Grafos Sem Escala

Modelo de Barabasi-Albert (1999)

Experimento:
Inicie a rede com um pequeno conjunto de nos;
A cada etapa, acrescente um novo no com m ligacoes
preferenciais.

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 34 / 54


Modelos de Redes Complexas Grafos Sem Escala

Modelo de Barabasi-Albert (1999)

Resultado:
Independentemente do valor de m, a rede inicial evolui para uma
rede sem escala, com P(k) k 3 .

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 35 / 54


Modelos de Redes Complexas Grafos Sem Escala

Um grafo sem escala

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 36 / 54


Modelos de Redes Complexas Grafos Sem Escala

Algumas crticas ao modelo

Por exemplo:
Frequentemente, arestas sao adicionadas a
vertices existentes.
Vertices ou arestas podem desaparecer.

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 37 / 54


Modelos de Redes Complexas Exemplo

Modelos de Redes Complexas

(a) (b) (c) (d)

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 38 / 54


Modelos de Redes Complexas Exemplo

Grafos aleatorios versus grafos sem escala

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 39 / 54


Modelos de Redes Complexas Exemplo

Robustez contra falhas:


grafos aleatorios versus grafos sem escala

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 40 / 54


Aplicacao: Conectividade algebrica em redes complexas

Sumario

1 Introducao
2 Teoria Espectral de Grafos
3 Modelos de Redes Complexas
Grafos Aleatorios
Grafos Mundo Pequeno
Grafos Sem Escala
4 Aplicacao: Conectividade algebrica em redes complexas
5 Ferramentas para lidar com redes complexas
6 Referencias

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 41 / 54


Aplicacao: Conectividade algebrica em redes complexas

Conectividade algebrica em redes complexas

Quanto maior e a conectividade algebrica, mais difcil


e separar o grafo em componentes independentes

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 42 / 54


Aplicacao: Conectividade algebrica em redes complexas

Conectividade algebrica em redes complexas

Quanto maior e a conectividade algebrica, mais difcil


e separar o grafo em componentes independentes

On the relationship between the algebraic connectivity


and graphs robustness to node and link failures.
Jamakovic e Uhlig (2007)

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 42 / 54


Aplicacao: Conectividade algebrica em redes complexas

Conectividade algebrica em redes complexas

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 43 / 54


Aplicacao: Conectividade algebrica em redes complexas

Conectividade algebrica em redes complexas

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 44 / 54


Ferramentas para lidar com redes complexas

Sumario

1 Introducao
2 Teoria Espectral de Grafos
3 Modelos de Redes Complexas
Grafos Aleatorios
Grafos Mundo Pequeno
Grafos Sem Escala
4 Aplicacao: Conectividade algebrica em redes complexas
5 Ferramentas para lidar com redes complexas
6 Referencias

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 45 / 54


Ferramentas para lidar com redes complexas

Ferramentas para lidar com redes complexas

Identificacao de estrutura (e comportamento)


distribuicao de frequencia dos graus
medidas de clusterizacao (Identificacao de comunidades)
medidas de centralidade (Identificacao de nos/arestas importantes)

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 46 / 54


Ferramentas para lidar com redes complexas

Ferramentas para lidar com redes complexas

Medidas de clusterizacao
Por exemplo:
aglomeracao
assortatividade
modularidade

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 47 / 54


Ferramentas para lidar com redes complexas

Ferramentas para lidar com redes complexas

Medidas de clusterizacao
Por exemplo:
aglomeracao
assortatividade
modularidade

Medidas de centralidade
Por exemplo:
grau
centralidade de autovetor
closeness
betweenness

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 47 / 54


Ferramentas para lidar com redes complexas

Ferramentas para lidar com redes complexas

Metricas ou invariantes
densidade
Matrizes grau, < d >, ,
Por exemplo: diametro, < dist >
Adjacencia ndice de Wiener
Laplaciana transmissao
Laplaciana sem sinal energia
Laplaciana normalizada entropia
Distancia conectividade algebrica
Num. caminhos disjuntos centralidade de autovetor
Resistencia closeness, betweenness
modularidade
etc
Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 48 / 54
Ferramentas para lidar com redes complexas

Ferramentas para lidar com redes complexas

Geracao, visualizacao, e calculo de invariantes


PAJEK
Gephi
NetworX (Python)
igraph (R)
Constellation

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 49 / 54


Ferramentas para lidar com redes complexas

Ferramentas para lidar com redes complexas

The netscience graph solution found by Constellation while maximizing


modularity (19 clusters).
Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 50 / 54
Ferramentas para lidar com redes complexas

Ferramentas para lidar com redes complexas

The netscience graph solution found by Constellation while maximizing


modularity with strong Radicchi conditions (17 clusters).
Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 51 / 54
Ferramentas para lidar com redes complexas

Ferramentas para lidar com redes complexas

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 52 / 54


Referencias

Sumario

1 Introducao
2 Teoria Espectral de Grafos
3 Modelos de Redes Complexas
Grafos Aleatorios
Grafos Mundo Pequeno
Grafos Sem Escala
4 Aplicacao: Conectividade algebrica em redes complexas
5 Ferramentas para lidar com redes complexas
6 Referencias

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 53 / 54


Referencias

Principais referencias:

Collective dynamics of small-world networks


D. J. Watts, S. H. Strogatz. Nature, Vol. 393, Junho de 1998.
Diameter of the World-Wide Web
R. Albert, H. Jeong, A. L. Barabasi. Nature, Vol. 401, Setembro de 1999.
The physics of the Web
A. L. Barabasi. Physics World, Julho de 2001.
Scale-free networks
A. L. Barabasi, E. Bonabeau. Scientific American, Maio de 2003.
The Architecture of Complexity
A. L. Barabasi. IEEE Control Systems Magazine, Agosto de 2007.
A Visual Environment to Study and Find Communities in Networks
G. Caporossi, S. Perron. Les Cahiers du GERAD, Outubro de 2011.

Marcia Paiva (LabTel - UFES) marcia.paiva@ufes.br 54 / 54