1 داﻧﺸﮕﺎﻩ ﺻﻨﻌﺘﯽ ﺷﺮﻳﻒ داﻧﺸﮑﺪﻩ ﻣﻬﻨﺪﺳﯽ ﮐﺎﻣﭙﻴﻮﺗﺮ ﭘﺎﻳﺎنﻧﺎﻣﻪ ﮐﺎرﺷﻨﺎﺳﯽ ﮔﺮاﻳﺶ ﻓﻨﺎورﯼ اﻃﻼﻋﺎت ﻋﻨﻮان ﺑﺮرﺳﯽ ﮔﺴﺘﺮش اﺛﺮﮔﺬارﯼ در ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ ﻧﮕﺎرش ﭘﮋﻣﺎن اهﻠﯽ ﺑﻴﺪﮔﻠﯽ اﺳﺘﺎد راهﻨﻤﺎ دﮐﺘﺮ ﻣﺤﻤﺪﻋﻠﯽ ﺻﻔﺮﯼ ﺗﺎﺑﺴﺘﺎن 1390 2 داﻧﺸﮕﺎﻩ ﺻﻨﻌﺘﯽ ﺷﺮﻳﻒ داﻧﺸﮑﺪﻩ ﻣﻬﻨﺪﺳﯽ ﮐﺎﻣﭙﻴﻮﺗﺮ رﺳﺎﻟﻪ ﮐﺎرﺷﻨﺎﺳﯽ ﻋﻨﻮان ﺑﺮرﺳﯽ ﮔﺴﺘﺮش اﺛﺮﮔﺬارﯼ در ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ ﻧﮕﺎرش ﭘﮋﻣﺎن اهﻠﯽ ﺑﻴﺪﮔﻠﯽ اﺳﺘﺎد راهﻨﻤﺎ ﺟﻨﺎب ﺁﻗﺎﯼ دﮐﺘﺮ ﻣﺤﻤﺪ ﻋﻠﯽ ﺻﻔﺮﯼ اﻣﻀﺎء اﺳﺘﺎد راهﻨﻤﺎ: ﺗﺎرﻳﺦ: ﺳﭙﺎسﮔﺰارﯼ ﺳﭙﺎس ﺧﺪاﻳﯽ را ﮐﻪ ﺑﻪ اﻧﺴﺎن ﺁزادﯼ ﻋﻄﺎ ﮐﺮد و ﺑﻪ ﮔﻮهﺮ ﻋﻠﻢ ﻣﺰﻳﻦ ﻧﻤﻮد. در ﺁﻏﺎز وﻇﻴﻔﻪ ﺧﻮد ﻣﯽداﻧﻢ از زﺣﻤﺎت ﺟﻨﺎب ﺁﻗﺎﯼ دﮐﺘﺮ ﺻﻔﺮﯼ و راهﻨﻤﺎﻳﯽهﺎﯼ اﻳﺸﺎن ﺻﻤﻴﻤﺎﻧﻪ ﺗﺸﮑﺮ و ﻗﺪرداﻧﯽ ﮐﻨﻢ. از ﺟﻨﺎب ﺁﻗﺎﻳﺎن ﺻﺎﺑﺮ ﻓﺪاﻳﯽ و ﻣﺤﻤﺪاﻣﻴﻦ ﻓﻀﻠﯽ ﮐﻪ در ﻃﻮل اﻳﻦ ﺗﺤﻘﻴﻖ ﺑﺎ راهﻨﻤﺎﻳﯽهﺎﯼ ارزﻧﺪﻩﺷﺎن ﺑﻪ ﻣﻦ ﮐﻤﮏ ﺑﺴﻴﺎر ﻧﻤﻮدﻧﺪ، ﺗﺸﮑﺮ ﻣﯽﮐﻨﻢ. 3 در ﭘﺎﻳﺎن ﻧﻴﺰ ﺗﻘﺪﻳﻢ ﻣﯽﮐﻨﻢ ﺑﻪ ﺧﺎﻧﻮادﻩ ﻋﺰﻳﺰم ﮐﻪ هﻤﻮار ﻣﺸﻮق و ﻳﺎرﯼرﺳﺎن ﻣﻦ ﺑﻮدﻩ و راهﻨﻤﺎﯼ ﻣﻦ در ﻣﺴﻴﺮ ﻋﻠﻢ و ﻣﻌﺮﻓﺖ ﺑﻮدﻧﺪ. ﺗﺎﺑﺴﺘﺎن 1390 ﭼﮑﻴﺪﻩ ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ در دﻧﻴﺎﯼ اﻣﺮوز ﻧﻘﺶ اﺳﺎﺳﯽ در ﮔﺴﺘﺮش اﻃﻼﻋﺎت دارﻧﺪ .ﭘﺲ از ﭘﺎ ﺑﻪ ﻋﺮﺻﻪ ﮔﺬاﺷﺘﻦ ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ ﺑﺎزارهﺎﯼ ﺟﺪﻳﺪ و روشهﺎﯼ ﺟﺪﻳﺪ ﮐﺴﺐ و ﮐﺎر در دﻧﻴﺎﯼ اﻳﻨﺘﺮﻧﺖ ﺑﻪ وﺟﻮد ﺁﻣﺪ .در اﻳﻦ ﺑﺎزارهﺎ ﻋﻘﻴﺪﻩ ﻳﺎ ﺗﺼﻤﻴﻤﺎت اﻓﺮاد روﯼ ﻋﻘﻴﺪﻩ و ﺗﺼﻤﻴﻤﺎت دوﺳﺘﺎﻧﺸﺎن ﺑﻪ ﮔﻮﻧﻪاﯼ اﺛﺮ ﻣﺴﺘﻘﻴﻢ دارد .از ﻃﺮف دﻳﮕﺮ ﻣﺪلهﺎﯼ ﻓﺮاواﻧﯽ در زﻣﻴﻨﻪ ﮔﺴﺘﺮش و اﻧﺘﺸﺎر ﻳﮏ ﻋﻘﻴﺪﻩ ،وﻳﺮوس ﻳﺎ ﻣﻮاردﯼ ﻣﺸﺎﺑﻪ در ﻋﻠﻮم ﻣﺨﺘﻠﻒ ﺑﺮرﺳﯽ ﺷﺪﻩ اﺳﺖ.در ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ اﻳﻦ ﻣﻮﺿﻮع زﻣﺎن ﺗﺒﻠﻴﻐﺎت اهﻤﻴﺖ ﻓﺮاواﻧﯽ ﭘﻴﺪا ﻣﯽﮐﻨﺪ .در اﻳﻦ رﺳﺎﻟﻪ ﺑﻪ ﺑﺮرﺳﯽ ﻣﺪلهﺎﯼ ﮔﺴﺘﺮش ﭘﺮداﺧﺘﻪ ﺷﺪﻩ اﺳﺖ. اﻳﺠﺎد ﺑﺴﺘﺮ ﮔﺴﺘﺮدﻩاﯼ ﺑﺮاﯼ ﺗﺒﻠﻴﻐﺎت در ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ و ﮔﺴﺘﺮش ﻣﺸﺘﺮﻳﺎن از اﻳﻦ ﻃﺮﻳﻖ روشهﺎﯼ ﻣﺨﺘﻠﻔﯽ را ﺑﺮاﯼ ﺣﺪاﮐﺜﺮ ﺳﺎﺧﺘﻦ ﺳﻮد ﺑﻪ وﺟﻮد ﺁوردﻩ اﺳﺖ. 4 در اﻳﻦ رﺳﺎﻟﻪ اﺑﺘﺪا ﺑﻪ ﺑﻴﺎن ﭘﻴﺶﻧﻴﺎزهﺎ ﻣﯽﭘﺮدازﻳﻢ و در اداﻣﻪ ﺁن ﺑﺮﺧﯽ ﻣﺪلهﺎﯼ ﮔﺴﺘﺮش اﺛﺮﮔﺬارﯼ در ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ را ﺑﺮرﺳﯽ ﻣﯽﮐﻨﻴﻢ و در ﻧﻬﺎﻳﺖ ﺑﻪ ﺑﺮرﺳﯽ ﭘﻴﭽﻴﺪﮔﯽ ﻣﺴﺎﻳﻞ ﺑﻴﺎن ﺷﺪﻩ از دﻳﺪﮔﺎﻩهﺎﯼ ﻣﺨﺘﻠﻒ ﻣﯽﭘﺮدازﻳﻢ. ﮐﻠﻤﺎت ﮐﻠﻴﺪﯼ :ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ ،ﮔﺴﺘﺮش ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ، ﮔﺴﺘﺮش ﻧﻔﻮذ ،ﮔﺴﺘﺮش اﺛﺮﮔﺬارﯼ ﻓﻬﺮﺳﺖ ﻣﻄﺎﻟﺐ ﻟﻴﺴﺖ ﺗﺼﺎوﻳﺮ 7 ....................................................................................................... ﻟﻴﺴﺖ ﺟﺪاول 8 ......................................................................................................... ﻣﻘﺪﻣﻪ 9 ..................................................................................................................... ﭘﻴﺸﻴﻨﻪ رﻳﺎﺿﯽ و ﻣﻘﺪﻣﺎﺗﯽ 10 ........................................................................... ﻧﻈﺮﻳﻪ ﻣﺠﻤﻮﻋﻪ هﺎ 10 ...................................................................................... : ﺑﻴﺸﻴﻨﻪ ﮐﺮدن ﻳﮏ ﺗﺎﺑﻊ ﺳﺎﺑﻤﺎدوﻻر 12 ....................................................... ﻗﺎﻧﻮن ﻗﺪرت 13 .................................................................................................. : ﻧﻈﺮﻳﻪ ﮔﺮاف 15 .................................................................................................. : ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ 16 ........................................................................................... ﮔﺴﺘﺮش در ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ 18 ...................................................................... 5 ﻣﺪلهﺎﯼ ﺑﺮرﺳﯽ ﮔﺴﺘﺮش در ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ 18 ....................................... ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ 19 ...................................................................................... ﻣﺪل ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﺧﻄﯽ 24 .................................................................................... ﻣﺪل ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﻋﻤﻮﻣﯽ 30 ............................................................................... ﻣﺪل اﻧﺘﺸﺎر ﻋﻤﻮﻣﯽ 31 ...................................................................................... ﻣﺪل راﯼدهﻨﺪﻩ 33 ............................................................................................... ﺣﺎﻟﺖ ﮐﻮﺗﺎﻩ ﻣﺪت 36 ........................................................................................ ﺣﺎﻟﺖ ﺑﻠﻨﺪ ﻣﺪت 39 .......................................................................................... ﺑﺮرﺳﯽ ﻣﺪلهﺎﯼ ﭘﻴﺶروﻧﺪﻩ و ﻏﻴﺮ ﭘﻴﺶروﻧﺪﻩ 41 ....................................... ﺗﻘﺮﻳﺐ و ﭘﻴﭽﻴﺪﮔﯽ ﻣﺴﺎﻟﻪ ﮔﺴﺘﺮش اﺛﺮﮔﺬارﯼ 43 ....................................... ﮐﺎوش ﻣﺮزهﺎﯼ ﺗﻘﺮﻳﺐ 44 .................................................................................... ﻣﺪل رهﺎﺳﺎزﯼ 45 ............................................................................................... ﻣﺴﺎﻟﻪ اﻧﺘﺨﺎب ﻣﺠﻤﻮﻋﻪ هﺪف 45 ........................................................................ ﻣﺪل اﻧﺘﺸﺎر ﮐﺎهﺸﯽ 46 ...................................................................................... اﻟﮕﻮرﻳﺘﻢ ﺗﻘﺮﻳﺐ 49 ........................................................................................... ﺳﺎﺑﻤﺎدوﻻرﻳﺘﯽ ﺗﺎﺑﻊ 52 .................................................................................. σ ﭘﻴﭽﻴﺪﮔﯽ ﺣﻞ ﻣﺴﺎﻟﻪ ﺑﻬﻴﻨﻪﺳﺎزﯼ ﮔﺴﺘﺮش از ﻧﮕﺎهﯽ دﻳﮕﺮ 57 .................. ﺣﺪﺁﺳﺘﺎﻧﻪهﺎﯼ ﺑﻴﺸﻴﻦ 58 .................................................................................... ﺣﺪﺁﺳﺘﺎﻧﻪهﺎﯼ ﻣﺘﺤﺪ 59 ...................................................................................... ﺳﺎﺧﺘﺎر درﺧﺘﯽ 59 ............................................................................................... ﻣﺴﺎﻟﻪ 60 ................................................................................................. MinRep ﺟﻤﻊ ﺑﻨﺪﯼ 71 ............................................................................................................ ﻣﻨﺎﺑﻊ Error! Bookmark not defined. ....................................................................... 6 ﻟﻴﺴﺖ ﺗﺼﺎوﻳﺮ ﺷﮑﻞ .1ﻧﻤﻮﻧﻪاﯼ از ﻳﮏ ﺷﺒﮑﻪ اﺟﺘﻤﺎﻋﯽ ﺷﮑﻞ .2ﻧﻤﻮﻧﻪاﯼ از ﻣﺴﺎﻟﻪ MinRep ﺷﮑﻞ .3واﺣﺪ ﺟﺰء ﺑﺮاﯼ ﻣﺴﺎﻟﻪ MinRep ﺷﮑﻞ .4ﺗﺸﮑﻴﻞ ﮔﺮاف 7 ﻟﻴﺴﺖ ﺟﺪاول ﺟﺪول .1ﺟﺪول ﻣﺘﻐﻴﻴﺮهﺎﯼ اﻟﮕﻮرﻳﺘﻢهﺎﯼ ﺑﻬﺒﻮد 8 ﻣﻘﺪﻣﻪ دﻧﻴﺎﯼ اﻳﻨﺘﺮﻧﺖ ﺑﺎﻋﺚ ﺑﻪ وﺟﻮد ﺁﻣﺪن ﮔﻮﻧﻪ هﺎﯼ ﺟﺪﻳﺪﯼ از ارﺗﺒﺎط ﻣﻴﺎن اﻧﺴﺎن هﺎ ﺷﺪﻩ اﺳﺖ .در اﻳﻦ ﻣﻴﺎن ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ ﮐﻪ ﺑﻪ ﮔﻮﻧﻪ اﯼ ﮔﺮاﻓﯽ از اﻓﺮاد ﻣﺮﺗﺒﻂ ﺑﻪ ﻳﮑﺪﻳﮕﺮ هﺴﺘﻨﺪ ﺟﺎﻳﮕﺎﻩ ﺧﺎﺻﯽ دارﻧﺪ .اﻣﺮوزﻩ ﮔﺴﺘﺮش و ﺑﻪ روز ﺷﺪن ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ ﺑﺎﻋﺚ ﺑﻪ وﺟﻮد ﺁﻣﺪن ﺑﺎزار هﺎﯼ ﺟﺪﻳﺪ ،ﮐﺴﺐ و ﮐﺎرهﺎﯼ ﻧﻮﺁوراﻧﻪ و ﻗﺪرﺗﻤﻨﺪﯼ ﺷﺪﻩ اﺳﺖ .از ﻃﺮف دﻳﮕﺮ از ﺗﺎﺛﺮ ﺑﻪ ﺳﺰاﯼ ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ ﺑﺮ روﯼ ﺗﻮدﻩ اﻓﺮاد ﻧﻴﺰ ﻧﻤﯽ ﺗﻮان ﭼﺸﻢ ﭘﻮﺷﯽ ﮐﺮد ،ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ ﻗﺎدر ﺑﻪ ﺳﻮق دادن ﮔﺮوهﯽ از اﻓﺮاد ﺑﻪ ﺳﻤﺖ ﻳﮏ ﺣﺮﮐﺖ ،اﺟﺘﻤﺎع ،ﻣﻮﺟﻮدﻳﺖ ﻳﺎ ﻳﮏ ﻣﺤﺼﻮل اﺳﺖ. از اﻳﻦ رو ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ ﺑﺴﺘﺮ ﻣﻨﺎﺳﺒﯽ را ﺟﻬﺖ ﺗﺒﻠﻴﻐﺎت اﻳﺠﺎد ﻣﯽ ﮐﻨﺪ و ﺗﺎﺛﻴﺮات ﻣﺘﻔﺎوﺗﯽ روﯼ ﺳﻠﻴﻘﻪ ﺧﺮﻳﺪ اﻓﺮاد و ﻓﺮوش ﻣﺤﺼﻮﻻت در دﻧﻴﺎ دارد .اهﻤﻴﺖ اﻳﻦ ﻣﻮﺿﻮع از اﻳﻦ ﺟﻬﺖ ﺑﺎﻋﺚ ﺗﻮﺟﻪ ﺑﻴﺸﺘﺮ ﺑﻪ ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ و ﻣﺪل ﺳﺎزﯼ رﻓﺘﺎرﯼ ﺁن ﺷﺪﻩ اﺳﺖ. ﺗﺤﻘﻴﻘﺎت ﺑﺴﻴﺎرﯼ در اﻳﻦ زﻣﻴﻨﻪ ﺟﻬﺖ ﮔﺴﺘﺮش و ﺑﺮرﺳﯽ و ﺑﻬﺒﻮد اﻳﻨﮕﻮﻧﻪ ﺗﺎﺛﻴﺮات ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ اﻧﺠﺎم ﺷﺪﻩ اﺳﺖ.هﺪف اﻳﻦ ﭘﺎﻳﺎن ﻧﺎﻣﻪ ﻣﻄﺎﻟﻌﻪ و ﻣﻌﺮﻓﯽ ﻣﺪل هﺎﯼ ﻣﺨﺘﻠﻒ ﮔﺴﺘﺮش در ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ و ﺑﺮرﺳﯽ ﮔﺮوﻩ هﺎ و ﺗﺒﻠﻴﻐﺎت در ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ اﺳﺖ. ﮐﻠﻤﺎت ﮐﻠﻴﺪﯼ :ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ ،ﮔﺴﺘﺮش ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ، ﮔﺮوﻩ و اﺟﺘﻤﺎﻋﺎت در ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ ،ﺗﺒﻠﻴﻐﺎت در ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ 9 ﭘﻴﺸﻴﻨﻪ رﻳﺎﺿﯽ و ﻣﻘﺪﻣﺎﺗﯽ ﻧﻈﺮﻳﻪ ﻣﺠﻤﻮﻋﻪ هﺎ: در ﺑﺤﺚ ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ ﺑﻪ ﭘﻴﺶﻧﻴﺎزﯼ ﻣﺨﺘﺼﺮ درﺑﺎرﻩ ﻧﻈﺮﻳﻪ ﻣﺠﻤﻮﻋﻪهﺎ ﻧﻴﺎز دارﻳﻢ .در ﺑﺮرﺳﯽ ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ ﮔﺎﻩﺑﻪﮔﺎﻩ ﺑﻪ ﺗﻮاﺑﻌﯽ ﺑﺮﻣﯽﺧﻮرﻳﻢ ﮐﻪ ﺧﻮاص ﮐﺎهﺸﯽ 1 دارﻧﺪ .ﺑﻪ ﺁن ﻣﻌﻨﯽ ﮐﻪ زﻣﺎﻧﯽ ﮐﻪ ﺑﻪ ﻋﻨﻮان اوﻟﻴﻦ ﺑﺎر ﻳﮏ ﮐﺎﻻ در ﻳﮏ ﻣﮑﺎن ﻓﺮوﺧﺘﻪ ﻣﯽ ﺷﻮد ﺳﻮد ﺁن ﺑﺴﻴﺎر زﻳﺎد ﺧﻮاهﺪ ﺑﻮد و ﺑﻪ ﺗﺪرﻳﺞ ﮐﻪ در ﻣﮑﺎن هﺎﯼ دﻳﮕﺮ ﻧﻴﺰ اﻳﻦ ﮐﺎﻻ ﺑﻪ ﻓﺮوش ﺑﺮﺳﺪ ﺑﻪ ﺗﺪرﻳﺞ ﺳﻮد ﺁﻧﻬﺎ ﮐﻢ ﻣﯽ ﺷﻮد .ﻣﺜﻼ دوﻣﻴﻦ ﻣﮑﺎﻧﯽ ﮐﻪ ﮐﺎﻻ را ﻣﯽ ﻓﺮوﺷﺪ ﺑﻪ دﻟﻴﻞ وﺟﻮد رﻗﻴﺐ اول ﻓﺮوش ﺁن ﺑﻪ اﻧﺪازﻩ ﻣﮑﺎن اول ) اﮔﺮ ﺷﺮاﻳﻂ را ﺛﺎﺑﺖ ﻓﺮض ﮐﻨﻴﻢ ( ﻧﺨﻮاهﺪ ﺑﻮد .و اﻳﻦ روﻧﺪ ﺗﺎ ﺳﻮﻣﻴﻦ ﻣﮑﺎن و ... اداﻣﻪ ﻣﻴﺎﺑﺪ و ﺳﻮد ﮐﺎهﺶ ﭘﻴﺪا ﻣﯽ ﮐﻨﺪ .ﻣﺴﺎﺋﻞ ﻣﺸﺎﺑﻪ اﻳﻦ ﻣﻮﺿﻮع ﺑﻴﺸﺘﺮ در ﺗﻮاﺑﻊ ﻣﺠﻤﻮﻋﻪ اﯼ ﺑﺮرﺳﯽ ﻣﯽ ﺷﻮد ،ﺑﻪ ﻃﻮر ﺧﻼﺻﻪ در اﻳﻦ ﻗﺴﻤﺖ ﺑﻪ ﺑﺮرﺳﯽ ﺑﺮﺧﯽ از اﻳﻦ ﺗﻮاﺑﻊ ﺧﻮاهﻴﻢ ﭘﺮداﺧﺖ. در اﻳﻦ ﺑﺨﺶ Vرا ﻓﻀﺎﯼ ﺣﺎﻟﺖ در ﻧﻈﺮ ﻣﯽﮔﻴﺮم. ﺗﻌﺮﻳﻒ .1ﺗﻮاﺑﻊ ﻳﮑﻨﻮا :ﺗﺎﺑﻌﯽ ﮐﻪ ﻧﻪ ﻧﺰوﻟﯽ ﺑﺎﺷﺪ ﻧﻪ ﺻﻌﻮدﯼ را ﻳﮑﻨﻮا ﻣﯽﮔﻮﻳﻨﺪ ،ﭼﻮن ﺑﻪ ﺑﺮرﺳﯽ ﺗﻮاﺑﻊ ﻏﻴﺮ ﺻﻌﻮدﯼ ﻧﺨﻮاهﻴﻢ ﭘﺮداﺧﺖ ﭘﺲ ﻣﯽﺗﻮان ﺗﻌﺮﻳﻒ را ﺑﻪ ﺷﮑﻞ زﻳﺮ ﺑﺮرﺳﯽ ﮐﺮد ﮐﻪ ﺗﺎﺑﻊ → :2 را ﻳﮑﻨﻮا ﮔﻮﻳﻨﺪ اﮔﺮ و ﻓﻘﻂ اﮔﺮ ﺑﻪ ازاﯼ هﺮ داﺷﺘﻪ ﺑﺎﺷﻴﻢ ⊆ . Diminishing 1 10 ﺗﻌﺮﻳﻒ .2ﺗﻮاﺑﻊ ﺳﺎﺑﻤﺎدوﻻر : 2ﺗﺎﺑﻊ → :2 ﮔﻮﻳﻨﺪ اﮔﺮ و ﻓﻘﻂ اﮔﺮ ﺑﻪ ازاﯼ هﺮ ⊆ را ﺳﺎﺑﻤﺎدوﻻر ﻣﯽ و هﺮ ∈ ﮐﻪ ∉ داﺷﺘﻪ ﺑﺎﺷﻴﻢ: ﺑﻪ ﻃﻮر ﻣﻌﺎدل ﻣﯽ ﺗﻮان ﮔﻔﺖ ﮐﻪ: اﮔﺮ ﺑﺨﻮاهﻴﻢ ﺑﻪ ﻃﻮر ﺷﻬﻮدﯼ ﺑﻪ ﺑﺮرﺳﯽ اﻳﻦ ﻣﻮﺿﻮع ﺑﭙﺮدازﻳﻢ در ﺗﻮاﺑﻊ ﺳﺎﺑﻤﺎدوﻻر اﺿﺎﻓﻪ ﮐﺮدن ﻳﮏ ﻋﻀﻮ ﺑﻪ ﻣﺠﻤﻮﻋﻪ وﻗﺘﯽ ﺗﻌﺪاد اﻋﻀﺎﯼ ﻣﺠﻤﻮﻋﻪ ﮐﻢ هﺴﺘﻨﺪ ﺗﺎﺛﻴﺮ ﺑﻴﺸﺘﺮﯼ دارد ﺗﺎ زﻣﺎﻧﯽ ﮐﻪ ﺗﻌﺪادﺷﺎن زﻳﺎد اﺳﺖ. ﺗﻌﺮﻳﻒ :3ﺗﻮاﺑﻊ ﺳﻮﭘﺮ ﻣﺎدوﻻر 3 :ﺗﺎﺑﻊ → :2 ﻣﯽ ﮔﻮﻳﻨﺪ اﮔﺮ و ﻓﻘﻂ اﮔﺮ ﺑﻪ ازاﯼ هﺮ ∉ ⊆ را ﺳﻮﭘﺮﻣﺎدوﻻر و هﺮ ∈ ﮐﻪ داﺷﺘﻪ ﺑﺎﺷﻴﻢ: ﺑﻪ ﻃﻮر ﻣﻌﺎدل ﻣﯽ ﺗﻮان ﮔﻔﺖ ﮐﻪ: ﮐﻪ ﺑﻪ ﮔﻮﻧﻪ اﯼ ﺑﺮﻋﮑﺲ ﺗﻮاﺑﻊ ﺳﺎﺑﻤﺎدوﻻر اﺳﺖ. ﺗﻌﺮﻳﻒ :4ﺗﺎﺑﻊ ﻣﺎدوﻻ ر 4 :ﺗﺎﺑﻊ ﮔﻮﻳﻨﺪ اﮔﺮ و ﻓﻘﻂ اﮔﺮ ﺑﻪ ازاﯼ هﺮ → :2 و را ﺳﻮﭘﺮﻣﺎدوﻻر ﻣﯽ داﺷﺘﻪ ﺑﺎﺷﻴﻢ : 2 Submodular Functions Supermodular Functions 4 Modular Function 3 11 ∪ ﺗﻌﺮﻳﻒ :5ﺗﺎﺑﻊ ﻧﺮﻣﺎل :ﺗﺎﺑﻊ fرا ﻧﺮﻣﺎل ﻣﯽﮔﻮﻳﻴﻢ اﮔﺮ و ﺗﻨﻬﺎ اﮔﺮ 0 ﺑﺎﺷﺪ. ﺑﻴﺸﻴﻨﻪ ﮐﺮدن ﻳﮏ ﺗﺎﺑﻊ ﺳﺎﺑﻤﺎدوﻻر ﻓﺮض ﮐﻨﻴﺪ ﮐﻪ ﺗﺎﺑﻊ ﻳﮑﻨﻮاﯼ ،ﺳﺎﺑﻤﺎدوﻻر و ﻧﺮﻣﺎل ﺷﺪﻩ ﺑﺎﺷﺪ و kﻋﺪدﯼ ﻃﺒﻴﻌﯽ ﺑﺎﺷﺪ .ﺳﻮال اﺻﻠﯽ اﻳﻦ اﺳﺖ ﮐﻪ ﻣﺠﻤﻮﻋﻪ Sاﯼ را ﭘﻴﺪا ﮐﻨﻴﺪ ﮐﻪ را ﺑﻴﺸﻴﻨﻪ ﮐﻨﺪ و ﻣﺠﻤﻮﻋﻪ هﺎﯼ Kﻋﻀﻮﯼ ﻣﺴﺌﻠﻪاﯼ | | ﺑﺎﺷﺪ.ﺑﺮاﯼ اﺳﺖ ) ﻣﯽ ﺗﻮان ﻧﺸﺎن داد ﮐﻪ ﻣﺴﺌﻠﻪ ﭘﻮﺷﺶ راﺳﯽ ﻧﻤﻨﻮﻧﻪ ﮐﺎهﺶ دادﻩ ﺷﺪﻩ اﻳﻦ ﻣﺴﺌﻠﻪ اﺳﺖ ( .در ﻣﻘﺎﻟﻪ Error! Reference source not found.ﻧﺸﺎن دادﻩ ﺷﺪﻩ اﺳﺖ ﮐﻪ اﻟﮕﻮرﻳﺘﻢ ﺣﺮﻳﺼﺎﻧﻪ 1ﺑﺮاﯼ ﻣﺴﺎﻟﻪﯼ ﺑﻴﺸﻴﻨﻪ ﮐﺮدن ﺗﻮاﺑﻊ ﺳﺎﺑﻤﺎدوﻻر ﺿﺮﻳﺐ ﺗﻘﺮﻳﺐ 1 ﻣﯽدهﺪ. اﻟﮕﻮرﻳﺘﻢ 1اﻟﮕﻮرﻳﺘﻢ ﺣﺮﻳﺼﺎﻧﻪ ﺑﺮاﯼ ﺣﻞ ﻣﺴﺎﻟﻪ ﺑﻴﺸﻴﻨﻪ ﮐﺮدن ﺗﻮاﺑﻊ ﺳﺎﺑﻤﺎدوﻻر در ﻣﻘﺎﻟﻪ هﺎﯼ Error! Reference source not found.و Error! Reference source not found.ﻧﺸﺎن دادﻩ ﺷﺪﻩ ﮐﻪ اﻟﮕﻮرﻳﺘﻤﯽ ﺣﺮﻳﺼﺎﻧﻪ ﺑﺮاﯼ ﻣﺴﺌﻠﻪ ﺑﺎ ﺿﺮﻳﺐ ﺗﻘﺮﻳﺐ 1 ﻗﻀﻴﻪ زﻳﺮ را ﻧﺘﻴﺠﻪ ﻣﯽ دهﺪ: 12 ﻗﻀﻴﻪ .1ﺑﺮاﯼ ﺗﺎﺑﻊ ﺳﺎﺑﻤﺎدوﻻر ﻳﮑﻨﻮا و ﻧﺎﻣﻨﻔﯽ fﻣﺠﻤﻮﻋﻪ k ﻋﻀﻮﯼ Sرا اﻳﻨﮕﻮﻧﻪ ﺗﻌﺮﻳﻒ ﻣﯽ ﮐﻨﻴﻢ ﮐﻪ در kﻣﺮﺣﻠﻪ ﻋﻀﻮﯼ ﮐﻪ ﺑﻴﺸﺘﺮ از ﺑﻘﻴﻪ ﻣﻘﺪار fرا زﻳﺎدﯼ ﻣﯽﮐﻨﺪ را ﺑﻪ Sاﺿﺎﻓﻪ ﻣﯽﮐﻨﻴﻢ .اﮔﺮ * Sﻣﺠﻤﻮﻋﻪاﯼ kﻋﻀﻮﯼ ﺑﺎﺷﺪ ﮐﻪ ﻣﻘﺪار f را ﺑﻴﺸﻴﻨﻪ ﻣﯽﮐﻨﺪ ،ﺑﺮاﯼ ) f(Sدارﻳﻢ: 1 ﺗﻌﺮﻳﻒ .6ﻣﺴﺎﻟﻪ ﺗﻘﺮﻳﺐ ﺳﺨﺖ ﺑﺎ ﻓﺎﮐﺘﻮر ﺳﺨﺖ ﺑﺎ ﻓﺎﮐﺘﻮر :ﺑﻪ ﻣﺴﺎﻟﻪ Aﺗﻘﺮﻳﺐ- ﮔﻔﺘﻪ ﻣﯽﺷﻮد اﮔﺮ ﺑﺮاﯼ ﺁن اﻟﮕﻮرﻳﺘﻢ ﺗﻘﺮﻳﺒﯽ ﺑﺎ ﻓﺎﮐﺘﻮر وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ اﮔﺮ و ﻓﻘﻂ اﮔﺮ .P=NP ﺗﺤﻠﻴﻞ اﺟﺘﻤﺎﻋﯽ در → :2 ﺗﺎﺛﻴﺮ در ﺑﺮﺧﯽ از ﺷﺒﮑﻪهﺎﯼ ﺑﺎ ﺗﺎﺑﻊ ﺳﺮوﮐﺎر دارﻳﻢ: ﺗﻌﺮﻳﻒ .7ﻓﺮض ﮐﻨﻴﺪ در ﻳﮑﯽ از ﻣﺪلهﺎﯼ اﻧﺘﺸﺎر در ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ هﺴﺘﻴﻢ ) ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل در ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ ﻳﺎ ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﺧﻄﯽ ( و ﻓﺮض ﮐﻨﻴﺪ در اﺑﺘﺪاﯼ ﮐﺎر زﻳﺮﻣﺠﻤﻮﻋﻪﯼ از راسهﺎ ﻓﻌﺎل ﺷﺪﻩاﻧﺪ. ⊂ ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ﺗﻌﺪاد راﺳﻬﺎﻳﯽ ﮐﻪ از ﮔﺮاف ﮐﻪ ﭘﺲ از هﻤﮕﺮا ﺷﺪن رﻓﺘﺎر ﺷﺒﮑﻪ ﻓﻌﺎل هﺴﺘﻨﺪ. ﺗﻌﺮﻳﻒ .8ﻓﺮاﻳﻨﺪ ﺗﺼﺎدﻓﯽ :ﻓﺮض ﮐﻨﻴﺪ ﺑﺮ ﻃﺒﻖ ﻳﮏ ﻣﺪل اﺣﺘﻤﺎﻟﯽ اﻋﺪاد اﺣﺘﻤﺎﻟﯽ اﻳﺠﺎد ﻣﯽﮐﻨﻴﻢ .ﻳﮏ ﻓﺮاﻳﻨﺪ ﺗﺼﺎدﻓﯽ ﻣﺠﻤﻮﻋﻪاﯼ از اﻋﺪاد ﺗﺼﺎدﻓﯽ در زﻣﺎنهﺎﯼ 1ﺗﺎ Tاﺳﺖ . ﻗﺎﻧﻮن ﻗﺪرت: ﻧﺤﻮﻩ ﺗﺎﺛﻴﺮﮔﺬارﯼ اﻓﺮاد ﺑﺮ روﯼ ﻳﮑﺪﻳﮕﺮ در ﻳﮏ ﺷﺒﮑﻪ اﺟﺘﻤﺎﻋﯽ ﺑﺴﻴﺎر اهﻤﻴﺖ دارد ،ﺑﺮﺧﯽ اﻓﺮاد ﺑﻴﺸﺘﺮ و ﺑﺮﺧﯽ ﮐﻤﺘﺮ 13 اﺛﺮﮔﺬارﻧﺪ ،و از اﻳﻦ رو در ﺑﺮرﺳﯽ ﮔﺴﺘﺮش ﺷﺒﮑﻪ هﺎ اهﻤﻴﺖ ﭘﻴﺪا ﻣﯽﮐﻨﻨﺪ. در ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ ﻣﻮرد ﺑﺤﺚ ﻣﺎ ﮐﻪ اﮐﺜﺮا ﺷﺒﮑﻪهﺎﯼ ﺑﺰرگ هﺴﺘﻨﺪ ،ﺗﺎﺛﻴﺮﮔﺬارﯼ اﻓﺮاد روﯼ ﻳﮑﺪﻳﮕﺮ را ﻣﯽ ﺗﻮان ﺑﻪ ﺻﻮرﺗﯽ ﺑﻪ دو ﻋﺎﻣﻞ ﻣﺮﺗﺒﻂ داﻧﺴﺖ ،ﻳﮑﯽ ارﺗﺒﺎط ﺑﺎ ﻳﮑﺪﻳﮕﺮ و دﻳﮕﺮﯼ ﺷﻬﺮت اﻓﺮاد اﺳﺖ .ﮐﻪ در اﻳﻦ ﻣﻴﺎن ﺑﻪ دﻟﻴﻞ ﺑﺰرگ ﺑﻮدن ﺷﺒﮑﻪ ارﺗﺒﺎط اﻓﺮاد در زﻣﻴﻨﻪ ﺗﺎﺛﺮﮔﺬارﯼ ﮐﻢرﻧﮕﺘﺮ ﻧﺴﺒﺖ ﺑﻪ ﺷﻬﺮت ﺟﻠﻮﻩ ﻣﯽﮐﻨﺪ .ﺑﺮاﯼ ﺑﺮرﺳﯽ ﺷﻬﺮت ﻣﯽﺗﻮان ﺗﻌﺪاد ﺳﺎﻳﺖ هﺎﻳﯽ ﮐﻪ ﺑﻪ ﻳﮏ ﺷﺨﺺ اﺷﺎرﻩ ﮐﺮدﻩ اﻧﺪ را در ﻧﻈﺮ ﮔﺮﻓﺖ و ﭼﻨﺪ درﺻﺪ ﺑﻪ ﺻﻔﺤﺎت ﻣﺮﺗﺒﻂ ارﺟﺎع دادﻩ اﻧﺪ.در اﻳﻨﺠﺎ ﺗﺎﺑﻌﯽ از kدر ﻧﻈﺮ ﻣﻴﮕﻴﺮم ﮐﻪ ﺑﻪ ﮔﻮﻧﻪ اﯼ ﺑﺎ ﺷﻬﺮت در ارﺗﺒﺎط اﺳﺖ ﺣﺎل ﻣﯽ ﺧﻮاهﻴﻢ ﺑﻔﻬﻤﻴﻢ ﮐﻪ ﭼﻨﺪ درﺻﺪ ﺻﻔﺤﺎت وب ﺑﻪ ﺻﻔﺤﻪاﯼ ﻣﺮﺗﺒﻂ ﺑﻪ k ارﺟﺎع دادﻩ ﺷﺪﻩاﻧﺪ .ﻣﻤﮑﻦ اﺳﺖ ﭼﻮن اﻳﻦ ﻣﺴﺌﻠﻪ اﺟﺘﻤﺎﻋﯽ ﻃﺒﻴﻌﯽ اﺳﺖ اﻳﻦ ﻣﻮﺿﻮع ﺑﻪ ذهﻦ ﺑﺮﺳﺪ ﮐﻪ ﺑﻪ ﺻﻮرﺗﯽ از ﻣﻨﺤﻨﯽ ﻧﺮﻣﺎل ﭘﻴﺮوﯼ ﻣﯽﮐﻨﺪ وﻟﯽ ﺁزﻣﺎﻳﺸﺎت و ﺗﺤﻘﻴﻘﺎت ﭼﻴﺰﯼ ﻋﮑﺲ اﻳﻦ ﻣﻮﺿﻮع را ﻧﺸﺎن دادﻩ اﺳﺖ .در اﻳﻨﺠﺎ ﻗﺎﻧﻮن ﻗﺪرت ﻣﻄﺮح ﻣﯽﺷﻮد .ﻗﺎﻧﻮن ﻗﺪرت ﺑﻴﺸﺘﺮ در ﻣﻮاردﯼ ﮐﺎرﺑﺮد دارد ﮐﻪ ﻣﯽ ﺧﻮاهﻴﻢ ﺗﻌﺪاد رﺧﺪاد اﺗﻔﺎﻗﯽ ﺧﺎص را ﺑﺮرﺳﯽ ﻧﻤﺎﻳﻴﻢ ،در اﻳﻨﺠﺎ ﺑﻪ ﻧﻈﺮ ﻣﯽ رﺳﺪ ﮐﻪ ﺑﺎ زﻳﺎد ﺷﺪن ﺷﻬﺮت ﺗﻌﺪاد اﻓﺮادﯼ ﮐﻪ داراﯼ ﺁن ﺷﻬﺮت هﺴﺘﻨﺪ ﮐﺎهﺶ ﭘﻴﺪا ﻣﯽﮐﻨﻨﺪ و هﺮ ﭼﻪ ﺷﻬﺮت دﺳﺘﻪ اﻓﺮادﯼ ﺑﻴﺸﺘﺮ ﺑﺎﺷﺪ ﺗﻌﺪاد ﺁﻧﻬﺎ ﮐﻤﺘﺮ ﺧﻮاهﺪ ﺑﻮد. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﺎهﻴﺖ ﻣﻌﮑﻮس داﺷﺘﻦ اﻳﻦ رﺧﺪاد ﻣﯽ ﺗﻮان ﺗﺎﺑﻌﯽ ﺑﻪ در ﻧﻈﺮ ﮔﺮﻓﺖ ﮐﻪ ﺑﻪ ازاﯼ ﻳﮏ cﺧﺎص ﺑﻪ ﺟﻮاب ﺻﻮرت ﻣﻮرد ﻧﻈﺮ ﻣﺎ ﻧﺰدﻳﮏ ﺑﺎﺷﺪ .روﺷﯽ ﮐﻪ ﻣﯽﺗﻮاﻧﻴﻢ ﭘﯽ ﺑﺒﺮﻳﻢ ﮐﻪ از ﻗﺎﻧﻮن ﻗﺪرت ﭘﻴﺮوﯼ ﻣﯽﮐﻨﻴﻢ ﻳﺎ ﺧﻴﺮ ﺑﻪ اﻳﻦ ﺻﻮرت اﺳﺖ ﮐﻪ ﻧﻤﻮدار ﻟﮕﺎرﻳﺘﻢ-ﻟﮕﺎرﻳﺘﻢ را رﺳﻢ ﻣﯽ ﮐﻨﻴﻢ و ﻃﺒﻖ ﻓﺮﻣﻮل ﺑﻪ 14 دﺳﺖ ﺁﻣﺪﻩ از ﻟﮕﺎرﻳﺘﻢ ﮔﺮﻓﺘﻦ از راﺑﻄﻪ ﻗﺒﻞ ﻧﺘﻴﺠﻪ ﻣﯽ ﺷﻮد ﮐﻪ ﻧﻤﻮدار ﻟﮕﺎرﻳﺘﻢ ﻟﮕﺎرﻳﺘﻢ ﺑﺎﻳﺪ ﺧﻄﯽ ﺛﺎﺑﺖ ﺑﺎ ﺷﻴﺐ –cو ﻃﻮل از ﻣﺒﺪا –log aﺧﻮاهﻴﻢ داﺷﺖ. ﻣﺸﺎﺑﻪ ﻗﺎﻧﻮن ﻗﺪرت را در ﭘﺪﻳﺪﻩ هﺎﯼ ﻣﺨﺘﻠﻔﯽ ﻣﯽ ﺗﻮان ﻣﺸﺎهﺪﻩ ﮐﺮد ،ﻣﺜﻼ در » ﭘﺪﻳﺪﻩ ﭘﻮﻟﺪارﺗﺮ ﺷﺪن ﭘﻮﻟﺪار ه ﺎ 5 « ﻣﺸﺎهﺪﻩ ﻣﯽﺷﻮد ﮐﻪ ﻣﻴﺰان ﭘﻮﻟﺪار ﺷﺪن ﻳﮏ ﻓﺮد ﺑﺎ ﻣﻴﺰان ﭘﻮﻟﯽ ﮐﻪ در ﺣﺎل ﺣﺎﺿﺮ دارد ﻣﺘﻨﺎﺳﺐ اﺳﺖ ﻳﺎ ﻣﯽﺗﻮان رﺷﺪ ﺟﻤﻌﻴﺖ ﻧﻴﺰ از ﺗﻮﺟﻪ ﺑﻪ ﻗﺎﻧﻮن ﻗﺪرت ﭘﻴﺮوﯼ ﻣﯽﮐﻨﺪ ﮐﻪ ﻣﻴﺰان اﻓﺰاﻳﺶ ﺟﻤﻌﻴﺖ در اﺳﺖ. ﺷﻬﺮهﺎﯼ ﭘﺮﺟﻤﻌﻴﺖ ﺑﻴﺸﺘﺮ از دﻳﮕﺮ ﺷﻬﺮهﺎ ﻧﻈﺮﻳﻪ ﮔﺮاف: ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ: ﺧﻮاص ﮔﺮافهﺎﯼ ﻧﻤﺎﻳﺎﻧﮕﺮ .1ﭘﻴﺮوﯼ از ﻗﺎﻧﻮن ﻗﺪرت :در ﺗﺎﺑﻊ ﺗﻮزﻳﻊ درﺟﺎت ﮔﺮاف از ﻗﺎﻧﻮن ﻗﺪرت ﭘﻴﺮوﯼ ﻣﯽ ﮐﻨﺪ ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ ﺗﻌﺪاد رﺋﻮس از اﻳﻦ ﻗﺎﻧﻮن ﭘﻴﺮوﯼ ﻣﯽ ﮐﻨﺪ ﮐﻪ ﮐﻪ در ﺁن 0 ∝ γ اﺳﺖ . .2ﻗﻄﺮ ﮐﻢ :ﮔﺮاف هﺎﯼ ﻧﻤﺎﻳﺶ دهﻨﺪﻩ ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ اﮐﺜﺮا داراﯼ ﻗﻄﺮ ﮐﻤﯽ هﺴﺘﻨﺪ . در اﻳﻦ ﺑﺎرﻩ ﺟﺎﻟﺐ اﺳﺖ ﺑﻪ ﺗﺤﻘﻴﻘﺎت دﮐﺘﺮ ﻣﻴﻠﮕﺮام و هﻤﮑﺎراﻧﺶ اﺷﺎرﻩ ﮐﺮد Reference source not found. .Error! ﺁﻧﻬﺎ ﺑﻪ ﺑﺮرﺳﯽ اﻳﻦ ﺳﻮال ﭘﺮداﺧﺘﻨﺪ ﮐﻪ دو ﻓﺮدﯼ ﮐﻪ هﻤﺪﻳﮕﺮ را ﻧﻤﯽﺷﻨﺎﺳﻨﺪ ﻣﺘﻮﺳﻂ در و ﭼﻪ ﺑﻪ ﻃﻮر ﻓﺎﺻﻠﻪاﯼ ﺗﺼﺎدﻓﯽ از هﻢ اﻧﺘﺨﺎب در ﺷﺪﻩاﻧﺪ ﮔﺮاف ﺑﻪ ﺁﺷﻨﺎﻳﯽ ﻃﻮر ﻗﺮار Richer Get Richer Phenomena 5 15 دارﻧﺪ ،ﻋﺪدﯼ ﮐﻪ ﺑﻪ ﺁن رﺳﻴﺪﻧﺪ ﻋﺪد 3ﺑﻮد در ﺣﺎﻟﯽ ﮐﻪ ﺑﻌﺪهﺎ ﺛﺎﺑﺖ ﺷﺪ در ﻳﮏ ﺷﺒﮑﻪ اﺟﺘﻤﺎﻋﯽ ﺣﺪاﮐﺜﺮ ﻗﻄﺮ ﮔﺮاف 6 ﺧﻮاهﺪ ﺑﻮد و هﺮ ﻓﺮد ﺣﺪاﮐﺜﺮ ﺑﺎ ﻓﺎﺻﻠﻪ 6ﻧﻔﺮ ﺑﺎ ﻧﻔﺮ ﺗﺼﺎدﻓﯽ دﻳﮕﺮ ﻗﺮار دارد. ﻧﺘﻴﺠﺘﺎ ﻗﻄﺮ ﮔﺮاف ﻳﮏ ﺷﺒﮑﻪ اﺟﺘﻤﺎﻋﯽ ﺑﺴﻴﺎر ﺑﺰرگ) ﻣﺜﻞ ﻓﻴﺲﺑﻮﮎ ( هﻢ ﻣﻤﮑﻦ اﺳﺖ ﺑﺴﻴﺎر ﮐﻢ ﺑﺎﺷﺪ . ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ ﻃﺒﻖ ﺗﻌﺮﻳﻒ وﻳﮑﯽﭘﺪﻳﺎ ﺷﺒﮑﻪ اﺟﺘﻤﺎﻋﯽ ﺳﺎﺧﺘﺎرﯼ اﺟﺘﻤﺎﻋﯽ ﻣﺘﺸﮑﻞ از ﻣﺠﻤﻮﻋﻪ اﯼ رﺋﻮس اﺳﺖ ﮐﻪ ﺑﺎ هﻢ ارﺗﺒﺎط دارﻧﺪ اﺳﺖ .اﻳﻦ ارﺗﺒﺎط ﻣﻌﺎﻧﯽ ﻣﺘﻔﺎوﺗﯽ ﻣﻤﮑﻦ اﺳﺖ داﺷﺘﻪ ﺑﺎﺷﺪ ﻣﺎﻧﻨﺪ دوﺳﺘﯽ، رواﺑﻂ ﻣﺎﻟﯽ ،اﺷﺘﺮاﮎ هﺎﯼ ﻣﺮﺗﺒﻂ و ﻏﻴﺮﻩ .ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ ﺑﻪ ﮔﻮﻧﻪ اﯼ ﺑﺴﺘﺮ ﺗﻌﺎﻣﻠﯽ اﻧﺴﺎﻧﯽ هﺴﺘﻨﺪ ﮐﻪ اﻃﻼﻋﺎت ﺁن در ﻳﮏ ﭘﺎﻳﮕﺎﻩ دادﻩ ذﺧﻴﺮﻩ ﺷﺪﻩ اﺳﺖ .در ﻳﮏ ﺷﺒﮑﻪ اﺟﺘﻤﺎﻋﯽ اﻋﻀﺎ روﯼ هﻢ ﺗﺎﺛﻴﺮ ﻣﯽﮔﺬارﻧﺪ. ﺑﻪ اﻳﻦ ﻣﻌﻨﯽ ﮐﻪ ﻣﻤﮑﻦ اﺳﺖ ﻋﻤﻠﮑﺮد ﻳﮑﺪﻳﮕﺮ را ﺗﻐﻴﻴﺮ دهﻨﺪ ،ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل در ﻳﮏ ﮔﺮوﻩ دوﺳﺘﯽ ﺧﺮﻳﺪ ﻳﮏ ﺟﻨﺲ ﻣﻤﮑﻦ اﺳﺖ ﺳﻠﻴﻘﻪ دﻳﮕﺮ دوﺳﺘﺎن ﻳﺎ ﻧﻈﺮ ﺁﻧﻬﺎ را در ﻣﻮرد ﺁن ﺟﻨﺲ و ﺧﺮﻳﺪ ﺁن ﺗﻐﻴﻴﺮ دهﺪ . 16 ﺷﮑﻞ 1ﻧﻤﻮﻧﻪ ﻳﮏ ﺷﺒﮑﻪ اﺟﺘﻤﺎﻋﯽ ﻧﻤﻮﻧﻪ هﺎﯼ ﻣﺨﺘﻠﻔﯽ از ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ را در ﻃﻮل زﻣﺎن ﻣﺸﺎهﺪﻩ ﮐﺮدﻩ اﻳﻢ ﮐﻪ ﺑﺎ رﻓﺘﺎر هﺎ و ﻋﮑﺲاﻟﻌﻤﻞهﺎﯼ ﻣﺨﺘﻠﻔﯽ در ﺟﺎﻣﻌﻪ روﺑﺮو ﺷﺪﻩاﻧﺪ و ﺑﻌﻀﺎ رﺷﺪ ﺑﺴﻴﺎر ﺳﺮﻳﻌﯽ داﺷﺘﻪاﻧﺪ و در ﺳﻄﺢ ﺟﻬﺎﻧﯽ ﮔﺴﺘﺮدﻩ ﺷﺪﻩاﻧﺪ و ﺑﻪ ﮔﻮﻧﻪاﯼ ﻓﻀﺎﯼ اﻳﻨﺘﺮﻧﺖ و ﮐﺴﺐوﮐﺎر را ﮔﺎهﺎ ﻣﺘﺤﻮل ﮐﺮدﻩاﻧﺪ .ﺑﻪ دﻟﻴﻞ اﻳﻦ ﮔﺴﺘﺮدﮔﯽ و اهﻤﻴﺖ ﺑﺎﻋﺚ اﻳﺠﺎد زﻣﻴﻨﻪهﺎﯼ ﭘﮋوهﺸﯽ ﮔﺴﺘﺮدﻩاﯼ در ﻋﻠﻮم ﻣﺨﺘﻠﻒ ﺑﺮاﯼ ﺑﺮرﺳﯽ و ﺗﺤﻠﻴﻞ ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ در ﺟﻨﺒﻪ هﺎﯼ ﻣﺨﺘﻠﻒ ﺷﺪﻩ اﺳﺖ .از ﻃﺮﻓﯽ ﺳﺮﻣﺎﻳﻪﮔﺬارﯼهﺎﯼ ﺑﺴﻴﺎرﯼ ﻧﻴﺰ در اﻳﻦ زﻣﻴﻨﻪ ﺷﺪﻩ اﺳﺖ و ﺷﺮﮐﺖهﺎﯼ ﺑﺴﻴﺎرﯼ ﺑﻪ ﺗﺒﻠﻴﻐﺎت و ﺳﺮﻣﺎﻳﻪﮔﺬارﯼ در ﭼﻨﻴﻦ ﺷﺒﮑﻪهﺎﻳﯽ روﯼ ﺁوردﻩاﻧﺪ. 17 وﺟﻮد ﺗﻌﺪاد زﻳﺎد اﻋﻀﺎ و ﻗﻄﺮ ﮐﻢ ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ ﺑﺎﻋﺚ ﺑﻪ وﺟﻮد ﺁﻣﺪن ﻣﺪل هﺎﯼ ﺟﺪﻳﺪﯼ ﺑﺮاﯼ ﺑﺮرﺳﯽ ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ ﮐﺮد. ﮔﺴﺘﺮش در ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ در ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ اﻓﺮاد روﯼ ﻳﮑﺪﻳﮕﺮ ﺗﺎﺛﻴﺮ دارﻧﺪ و ﻋﻼﻳﻖ و ﺳﻠﻴﻘﻪهﺎﯼ اﻓﺮاد ﻣﻤﮑﻦ اﺳﺖ روﯼ ﻳﮑﺪﻳﮕﺮ ﺗﺎﺛﻴﺮ داﺷﺘﻪ ﺑﺎﺷﺪ ﺑﻪ اﻳﻦ دﻟﻴﻞ اﺳﺖ ﮐﻪ ﺑﺮرﺳﯽ ﮔﺴﺘﺮش و ﻣﺪل ﺳﺎزﯼ ﮔﺴﺘﺮش ﺷﺒﮑﻪ هﺎﯼ اﺟﺘﻤﺎﻋﯽ اهﻤﻴﺖ ﭘﻴﺪا ﻣﯽ ﮐﻨﺪ .از اﻳﻦ رو ﺑﺮرﺳﯽ روش هﺎ و ﻣﺪلهﺎﯼ اﺛﺮﮔﺬارﯼ اﻓﺮاد روﯼ ﻳﮑﺪﻳﮕﺮ و ﻣﺪلﺳﺎزﯼ ﮔﺴﺘﺮش ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ ﺑﺴﻴﺎر اهﻤﻴﺖ ﭘﻴﺪا ﻣﯽ ﮐﻨﺪ .در ﺷﺎﺧﻪ هﺎﯼ ﻣﺨﺘﻠﻒ ﻋﻠﻮم ﻣﺴﺌﻠﻪ ﮔﺴﺘﺮش ﺑﺮرﺳﯽ ﺷﺪﻩ اﺳﺖ .ﮐﺎرﺑﺮد هﺎﯼ ﻣﺨﺘﻠﻒ اﻳﻦ ﻣﻮﺿﻮع در ﻣﺴﺎﺋﻠﯽ ﻣﺎﻧﻨﺪ ﺑﺮرﺳﯽ ﮔﺴﺘﺮش اﻓﮑﺎر و ﻋﻘﺎﻳﺪ، ﭘﺬﻳﺮش ﺣﺮﮐﺎت ﺳﻴﺎﺳﯽ ،ﭘﺬﻳﺮش ﺗﮑﻨﻮﻟﻮژﯼ و ﺑﻪ ﺧﺼﻮص در اﻗﺘﺼﺎد و ﮔﺴﺘﺮش ﺑﺎزار و ﺗﺒﻠﻴﻐﺎت ﺑﺴﻴﺎر اهﻤﻴﺖ ﭘﻴﺪا ﻣﯽﮐﻨﺪ. ﻣﺪلهﺎﯼ ﺑﺮرﺳﯽ ﮔﺴﺘﺮش در ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ در اﻳﻦ ﻗﺴﻤﺖ اﺑﺘﺪا ﺑﻪ ﺑﺮرﺳﯽ ﺑﺮﺧﯽ روش هﺎﯼ ﻣﺪل ﺳﺎزﯼ ﻣﯽ ﭘﺮدازﻳﻢ و ﺳﭙﺲ ﻣﺴﺌﻠﻪ اﯼ ﮐﻪ ﭘﻴﺶ رو دارﻳﻢ اﻳﻦ ﺧﻮاهﺪ ﺑﻮد ﮐﻪ ﺁﻳﺎ ﻣﯽ ﺗﻮاﻧﻴﻢ ﺑﺎ داﺷﺘﻦ ﻣﺠﻤﻮﻋﻪ اوﻟﻴﻪ از اﻓﺮاد را ﭘﻴﺪا ﮐﻨﻴﻢ ﮐﻪ ﺑﺎ ﺗﺎﺛﻴﺮﮔﺬارﯼ ﺑﺮ روﯼ ﺁﻧﻬﺎ ﺑﻴﺸﺘﺮﻳﻦ ﮔﺴﺘﺮش را در ﺷﺒﮑﻪ داﺷﺘﻪ ﺑﺎﺷﻴﻢ؟ 18 ﺗﻌﺮﻳﻒ .9ﻣﺪل اﺛﺮﮔﺬار ﯼ : 6ﻓﺮض ﮐﻨﻴﺪ ﻳﮏ ﺷﺒﮑﻪ اﺟﺘﻤﺎﻋﯽ ﺑﺎ ﻣﺠﻤﻮﻋﻪ اﻋﻀﺎﻳﺶ ﺑﻪ هﻤﺮاﻩ اﻓﺮاد ﻓﻌﺎل اوﻟﻴﻪ دادﻩ ﺷﺪﻩ ﺑﺎﺑﺸﺪ. ﻣﺪل اﺛﺮﮔﺬارﯼ اﻣﻴﺪ رﻳﺎﺿﯽ اﻓﺮادﯼ ﮐﻪ در ﻧﻬﺎﻳﺖ اﻧﺘﺨﺎب ﻣﯽﺷﻮﻧﺪ را ﺑﻪ ﻣﺎ ﻣﯽدهﺪ .ﺑﻪ ﻃﻮر دﻗﻴﻖﺗﺮ اﮔﺮ اﻋﻀﺎﯼ ﻣﺠﻤﻮﻋﻪﯼ اوﻟﻴﻪ Vﺑﺎﺷﺪ و ﻣﺠﻤﻮﻋﻪ kﻋﻀﻮﯼ Aاز اﻳﻦ اﻓﺮاد را داﺷﺘﻪ σرا ﺑﻪ ﻣﺎ ﻣﯽدهﺪ ﮐﻪ اﻣﻴﺪ ﺑﺎﺷﻴﻢ ،ﻣﺪل اﺛﺮﮔﺬارﯼ ﻋﺪد رﻳﺎﺿﯽ اﻓﺮادﯼ اﺳﺖ ﮐﻪ در ﻧﻬﺎﻳﺖ ﻓﻌﺎل ﻣﯽﺷﻮﻧﺪ. دو ﻣﺪل اوﻟﻴﻪ ﺗﻮﺳﻂ رﻳﭽﺎردﺳﻮن و دوﻣﻴﻨﮕﻮس found. و Error! Reference source not found. Error! Reference source not اراﺋﻪ ﺷﺪ ﮐﻪ ﺑﻪ ﺁﻧﻬﺎ اﺷﺎرﻩ ﻣﯽﮐﻨﻴﻢ. ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ 7 در اﻳﻦ ﻣﺪل ﮐﻞ ﺷﺒﮑﻪ اﺟﺘﻤﺎﻋﯽ ﺑﻪ ﺻﻮرت ﻳﮏ ﮔﺮاف ﻧﻤﺎﻳﺶ دادﻩ ﻣﯽﺷﻮد ﮐﻪ در ﺁن رﺋﻮس ﻧﺸﺎندهﻨﺪﻩ اﻓﺮاد و ﻳﺎل هﺎ ﻧﺸﺎندهﻨﺪﻩ ارﺗﺒﺎط ﻣﻴﺎن ﺁﻧﻬﺎ هﺴﺘﻨﺪ .ﺑﺮﺧﯽ از راس هﺎ ﺑﻪ ﺻﻮرت ﭘﻴﺶ ﻓﺮض ﻓﻌﺎل و ﺑﻘﻴﻪ ﻏﻴﺮﻓﻌﺎل هﺴﺘﻨﺪ .وزن ﻳﺎلهﺎ ﻋﺪدﯼ ﻣﻴﺎن ﺻﻔﺮ و ﻳﮏ اﺳﺖ ﮐﻪ ﻧﺸﺎندهﻨﺪﻩ اﺣﺘﻤﺎل ﻓﻌﺎل ﺷﺪن ﺁﻧﻬﺎ اﺳﺖ. هﺮﮔﺎﻩ راﺳﯽ ﻣﺎﻧﻨﺪ vﻓﻌﺎل ﻣﯽ ﺷﻮد ﺑﺎ اﺣﺘﻤﺎﻟﯽ ﻣﯽ ﺗﻮاﻧﺪ راس هﺎﯼ هﻤﺴﺎﻳﻪ ﺧﻮد را ﻓﻌﺎل ﮐﻨﺪ .اﻳﻦ اﺣﺘﻤﺎل ﺑﺮاﺑﺮ وزن ﻳﺎل ارﺗﺒﺎﻃﯽ ﻣﻴﺎن راس vو راس ) uراﺳﯽ ﮐﻪ را ﻓﻌﺎل ﮐﻨﺪ ( , v ﺷﺎﻳﺪ ﺑﺘﻮاﻧﺪ ﺁن اﺳﺖ .اﻳﻦ ﻓﻌﺎل ﺳﺎزﯼ ﺑﺎ اﺣﺘﻤﺎﻟﯽ ﮐﻪ ﮔﻔﺘﻪ ﺷﺪ ﺗﻨﻬﺎ ﻳﻪ ﺑﺎر ﺻﻮرت ﻣﯽﮔﻴﺮد ،ﺑﻪ اﻳﻦ ﻣﻌﻨﯽ ﮐﻪ اﮔﺮ ﺑﺎ اﺣﺘﻤﺎل ﻣﺮﺑﻮط راس vﻧﺘﻮاﻧﺴﺖ راس uرا ﻓﻌﺎل ﮐﻨﺪ دﻳﮕﺮ راس v ﺷﺎﻧﺴﯽ ﺑﺮاﯼ اﺛﺮﮔﺬارﯼ ﺑﺮ راس uﻧﺨﻮاهﺪ داﺷﺖ. Influence Model Independent Cascade Model 6 7 19 ﻓﺮض ﮐﻨﻴﺪ در ﻗﺪم tاﺑﺘﺪا راس v ﻓﻌﺎل ﺷﻮد ،اﻳﻦ راس اﻳﻦ ﺷﺎﻧﺲ را دارد ﮐﻪ هﺮﮐﺪام از هﻤﺴﺎﻳﮕﺎن ﺧﻮد را ﺑﺎ اﺣﺘﻤﺎل ﮔﻔﺘﻪ ﺷﺪﻩ ﻓﻌﺎل ﮐﻨﺪ .اﮔﺮ vﻣﻮﻓﻖ ﺷﻮد ﺁﻧﮕﺎﻩ راس uدر ﻗﺪم t+1ﻓﻌﺎل ﻣﯽ ﺷﻮد وﻟﯽ ﭼﻪ در ﺻﻮرت ﻣﻮﻓﻘﻴﺖ راس vﭼﻪ در ﺻﻮرت ﺷﮑﺴﺖ ﺁن در ﻓﻌﺎلﺳﺎزﯼ راس ،uدﻳﮕﺮ ﺷﺎﻧﺲ ﻓﻌﺎل ﺳﺎزﯼ ﺁن را در دورﻩ هﺎﯼ ﺑﻌﺪﯼ از دﺳﺖ ﺧﻮاهﺪ داد .اﻳﻦ روﻧﺪ ﺗﺎ ﺟﺎﻳﯽ اداﻣﻪ ﭘﻴﺪا ﻣﯽ ﮐﻨﺪ ﮐﻪ دﻳﮕﺮ راس ﻓﻌﺎﻟﯽ ﻧﺪاﺷﺘﻪ ﺑﺎﺷﻴﻢ. ﻗﻀﻴﻪ زﻳﺮ ﺑﺮاﯼ درﮎ ﺑﻬﺘﺮ ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ found. Error! Reference source not ﺑﻴﺎن ﻣﯽ ﺷﻮد. ﻗﻀﻴﻪ. 2ﺑﺮاﯼ هﺮ ﻧﻤﻮﻧﻪ از ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ ،ﺗﺎﺑﻊ ﺧﺮوﺟﯽ σ 0ﺳﺎﺑﻤﺎدوﻻر اﺳﺖ. ﺑﺮاﯼ ﺷﺮوع اﺛﺒﺎت ﺑﺎﻳﺪ از ﻣﺠﻤﻮﻋﻪﯼ ∪ σﺑﻪ ازاﯼ هﺮ Aو vدﻟﺨﻮاﻩ ﮐﻪ در ﺁن Aﻣﺠﻤﻮﻋﻪ اﯼ از رﺋﻮس اوﻟﻴﻪ ﻓﻌﺎل و vراﺳﯽ ﺧﺎرج از اﻳﻦ ﻣﺠﻤﻮﻋﻪ اﺳﺖ ،ﺷﺮوع ﮐﻨﻴﻢ .ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ ﺗﻌﺪاد رﺋﻮس ﻓﻌﺎل ﺷﺪﻩ ﻣﺎ ﭼﻘﺪر ﺑﻴﺸﺘﺮ ﺧﻮاهﺪ ﺷﺪ زﻣﺎﻧﯽ ﮐﻪ راس vرا ﺑﻪ ﻣﺠﻤﻮﻋﻪ Aاﺿﺎﻓﻪ ﮐﻨﻴﻢ؟ ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ ﻣﺪل ﻣﺸﮑﻞ ﺳﺎزﯼ در اﻳﻦ ﻣﻮرد ﺧﻮاهﺪ ﺑﻮد ﺑﻪ اﻳﻦ دﻟﻴﻞ ﮐﻪ ﻣﺎ ﺗﺮﺗﻴﺒﯽ ﮐﻪ رﺋﻮس ﺟﺪﻳﺪ در هﺮ ﻗﺪم ﻓﻌﺎل ﻣﯽﺷﻮﻧﺪ و ﺳﻌﯽ ﻣﯽ ﮐﻨﻨﺪ رﺋﻮس هﻤﺴﺎﻳﻪ ﺧﻮد را ﻓﻌﺎل ﮐﻨﻨﺪ را ﻧﻤﯽ داﻧﻴﻢ از ﻃﺮﻓﯽ ﺑﺮرﺳﯽ راﺑﻄﻪ ﺑﻪ دﻟﻴﻞ اﻳﻨﮑﻪ ﻣﺎ ﻧﻤﯽ داﻧﻴﻢ رﺋﻮس ﺑﻪ ﭼﻪ ﺗﺮﺗﻴﺒﯽ ﻓﻌﺎل ﻣﯽﺷﻮﻧﺪ ،ﻣﺸﮑﻞ ﺧﻮاهﺪ ﺑﻮد .ﺑﻪ اﻳﻦ دﻟﻴﻞ از روﺷﯽ دﻳﮕﺮ ﺟﻬﺖ ﺁﺳﺎﻧﺘﺮ ﮐﺮدن اﻳﻦ ﻣﻮرد اﺳﺘﻔﺎدﻩ ﺧﻮاهﻴﻢ ﮐﺮد. 20 ﻓﺮض ﮐﻨﻴﺪ در ﻗﺪﻣﯽ هﺴﺘﻴﻢ ﮐﻪ راس vﻓﻌﺎل ﺷﺪﻩ و ﻗﺼﺪ دارد ﮐﻪ هﻤﺴﺎﻳﻪﯼ wرا ﺑﺎ اﺣﺘﻤﺎل ﻓﻌﺎل ﮐﻨﺪ .ﻧﮑﺘﻪ ﻣﻬﻢ اﻳﻦ اﺳﺖ , ﮐﻪ اﻳﻦ اﺗﻔﺎق ) ﻓﻌﺎلﺳﺎزﯼ ( ﻣﺴﺘﻘﻞ از زﻣﺎن اﻧﺠﺎم ﺷﺪﻧﺶ اﺳﺖ. ﺑﻪ اﻳﻦ ﻣﻌﻨﯽ ﮐﻪ ﻓﻌﺎلﺳﺎزﯼ راس wارﺗﺒﺎﻃﯽ ﺑﻪ ﻓﻌﺎل ﺷﺪن ﺑﻘﻴﻪ رﺋﻮس دﻳﮕﺮ ﻧﺪارد .درﺳﺖ ﻣﺎﻧﻨﺪ ﭘﺮﺗﺎب ﺳﮑﻪ اﺳﺖ ،دﻳﺮ ﻳﺎ زود ﻣﯽ ﺗﻮاﻧﺪ درخ ﺑﺪهﺪ اﻣﺎ در ﻧﺘﻴﺠﻪ ﺗﺎﺛﻴﺮﯼ ﻧﺪارد. ﻳﻌﻨﯽ اهﻤﻴﺘﯽ ﻧﺪارد ﮐﻪ ﺁﻳﺎ ﺳﮑﻪ در ﻟﺤﻈﻪاﯼ ﮐﻪ vﻓﻌﺎل ﺷﺪﻩ ﭘﺮﺗﺎب ﺷﺪﻩ اﺳﺖ ﻳﺎ اﻳﻨﮑﻪ ﺳﮑﻪ در اﺑﺘﺪاﯼ ﮐﻞ اﻳﻦ ﻓﺮاﻳﻨﺪ ﭘﺮﺗﺎب ﺷﺪﻩ اﺳﺖ و اﻻن ﻧﺘﻴﺠﻪ ﺁن ﻣﺸﺨﺺ ﻣﯽﺷﻮد .ﺑﻪ هﻤﻴﻦ ﺧﺎﻃﺮ ﻣﺎﻧﻨﺪ ﭘﺮﺗﺎب ﺳﮑﻪ ﻣﯽﺗﻮان ﺁن را ﭘﺮﺗﺎب ﮐﺮد و ﻧﺘﻴﺠﻪ را ذﺧﻴﺮﻩ ﮐﺮد ،در اﻳﻨﺠﺎ هﻢ ﻣﯽﺗﻮان ﺗﻤﺎم اﺣﺘﻤﺎﻻت را ﺣﺴﺎب ﮐﺮد و ذﺧﻴﺮﻩ ﮐﺮد ﮐﻪ ﻣﺜﻼ ﺁﻳﺎ ﺑﺎ ﻓﻌﺎل ﺷﺪن wراس vﻧﻴﺰ ﻓﻌﺎل ﻣﯽ ﺷﻮد ﻳﺎ ﺧﻴﺮ؟ ﺟﻮاب را ﺑﻪ ﺻﻮرت ) (w,vﻧﻤﺎﻳﺶ ﻣﯽدهﻴﻢ .در ﺣﻘﻴﻘﺖ ﻣﯽﺗﻮاﻧﻴﻢ ﺑﺮاﯼ هﺮ دوﺗﺎﻳﯽ ) (v,wرا در ﮔﺮاف ،ﻳﮏ ﺳﮑﻪ ﻧﺎﻣﺘﻘﺎرن ﺑﺎ اﺣﺘﻤﺎل , ﭘﺮﺗﺎب ﺷﺪﻩ اﺳﺖ) ﺑﻪ ﻃﻮر ﻣﺴﺘﻘﻞ ﻧﺴﺒﺖ ﺑﻪ ﺗﻤﺎم ﺳﮑﻪ هﺎ ﺑﺮاﯼ هﻤﻪ دوﺗﺎﻳﯽ هﺎﯼ هﻤﺴﺎﻳﻪ ( ،و ﻧﺘﻴﺠﻪ ﺑﻪ ﮔﻮﻧﻪ اﯼ ذﺧﻴﺮﻩ ﻣﯽﺷﻮد ﮐﻪ در زﻣﺎنهﺎﯼ ﺑﻌﺪﯼ ﺑﺘﻮان ﺑﺮرﺳﯽ ﮐﺮد ﮐﻪ ﺁﻳﺎ v ﻓﻌﺎل ﺷﺪﻩ در ﺣﺎﻟﯽ ﮐﻪ wهﻨﻮز ﻏﻴﺮ ﻓﻌﺎل اﺳﺖ. در ﺣﺎﻟﺘﯽ ﮐﻪ ﮐﻞ ﺳﮑﻪ هﺎﯼ ﭘﻴﺸﺎﭘﻴﺶ ﭘﺮﺗﺎب ﺷﻮﻧﺪ ،روﻧﺪ ﻣﺴﺌﻠﻪ ﺑﻪ اﻳﻦ ﺻﻮرت ﻣﯽﺷﻮد. ﻳﺎلهﺎﯼ Gرا ﺑﻪ دو دﺳﺘﻪ زﻧﺪ ﻩ 8 و ﻣﺴﺪو د 9 ﺗﻘﺴﻴﻢ ﻣﯽﮐﻨﻴﻢ و ﺁﻧﻬﺎ را ﺑﺮﭼﺴﺐﮔﺬارﯼ ﻣﯽﮐﻨﻴﻢ ﺑﻪ اﻳﻦ ﺻﻮرت ﮐﻪ ﻳﺎلهﺎﻳﯽ زﻧﺪﻩ هﺴﺘﻨﺪ ﮐﻪ ﻓﻌﺎلﺳﺎزﯼ در ﺁﻧﻬﺎ ﻣﻮﻓﻘﻴﺖﺁﻣﻴﺰ ﺑﻮدﻩ اﺳﺖ و ﻣﺴﺪود ﺑﻪ ﺁﻧﻬﺎﻳﯽ ﺗﻌﻠﻖ ﻣﯽﮔﻴﺮد ﮐﻪ ﻓﻌﺎلﺳﺎزﯼ در ﺁﻧﻬﺎ ﻣﻮﻓﻘﻴﺖﺁﻣﻴﺰ Live Blocked 8 9 21 ﻧﺒﻮدﻩ اﺳﺖ .ﺑﻪ هﻤﻴﻦ دﻟﻴﻞ اﮔﺮ ﻣﺠﻤﻮﻋﻪ Aرا داﺷﺘﻪ ﺑﺎﺷﻴﻢ ﻣﺸﺨﺺ اﺳﺖ ﮐﻪ در ﻧﻬﺎﻳﺖ ﭼﻪ ﻣﺠﻤﻮﻋﻪهﺎﻳﯽ ﻓﻌﺎل ﻣﯽﺷﻮﻧﺪ. ﺣﺎﻻ ﻣﯽ ﺗﻮاﻧﻴﻢ ادﻋﺎ ﮐﻨﻴﻢ ﮐﻪ راس xﻓﻌﺎل اﺳﺖ اﮔﺮ و ﻓﻘﻂ اﮔﺮ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ﻣﺴﻴﺮﯼ از راس Aﺑﻪ xﮐﻪ ﺗﻤﺎﻣﯽ ﻳﺎل هﺎ در ﺁن ﻣﺴﻴﺮ زﻧﺪﻩ ﺑﺎﺷﻨﺪ ) اﻳﻦ ﺑﻪ ﻣﺴﻴﺮ ﻣﺴﻴﺮ، ﻳﺎل-زﻧﺪ ﻩ 10 ﻣﯽﮔﻮﻳﻴﻢ ( .ﺣﺎﻻ ﻓﻀﺎﯼ ﺣﺎﻟﺘﯽ ﺗﻌﺮﻳﻒ ﻣﯽ ﮐﻨﻴﻢ ﮐﻪ هﺮ ﻧﻘﻄﻪ در ﺁن ﻓﻀﺎﯼ ﺣﺎﻟﺖ ،ﻣﺸﺨﺺ ﮐﻨﻨﺪﻩ ﻳﮏ ﻣﺠﻤﻮﻋﻪ ﻣﺤﺘﻤﻞ از ﺧﺮوﺟﯽ ﺑﺮﭼﺴﺐ ﻳﺎلهﺎ اﺳﺖ و ﻓﺮض ﻣﯽﮐﻨﻴﻢ ﮐﻪ Xﻧﻴﺰ ﻳﮏ ﻧﻘﻄﻪ در اﻳﻦ ﻓﻀﺎﯼ ﺣﺎﻟﺖ ﺑﺎﺷﺪ .ﺣﺎﻻ σ Aرا ﺗﻌﺪاد ﮐﻞ رﺋﻮﺳﯽ در ﻧﻈﺮ ﻣﯽﮔﻴﺮم ﮐﻪ ﺗﻮﺳﻂ ﻣﺠﻤﻮﻋﻪ ﻓﻌﺎل اوﻟﻴﻪ Aﻓﻌﺎل ﻣﯽﺷﻮﻧﺪ .ﻳﻌﻨﯽ Aﻓﻌﺎلﮐﻨﻨﺪﻩ اوﻟﻴﻪ ﺁﻧﻬﺎ ﺑﻮدﻩ اﺳﺖ ،و Xهﻢ ﻣﺠﻤﻮﻋﻪ ﺧﺮوﺟﯽ ﺗﻤﺎﻣﯽ ﭘﺮﺗﺎبهﺎﯼ ﺳﮑﻪ ﺑﺮاﯼ ﻳﺎلهﺎ اﺳﺖ .ﺑﻪ اﻳﻦ دﻟﻴﻞ ﮐﻪ ﻣﺎ ﻣﻘﺪارﯼ ﺛﺎﺑﺖ را ﺑﺮاﯼ Xدارﻳﻢ، σ Aدر ﺣﻘﻴﻘﺖ ﻳﮏ ﮐﻤﻴﺖ ﻗﻄﻌ ﯽ ﺑﺮاﯼ ﻧﻤﺎﻳﺶ ﻃﺒﻴﻌﯽ ﺁن وﺟﻮد دارد .ﺣﺎل , 11 اﺳﺖ و راهﯽ ﻧﺸﺎندهﻨﺪﻩ ﮐﻞ رﺋﻮﺳﯽ هﺴﺘﻨﺪ ﮐﻪ از ﻃﺮﻳﻖ vﻗﺎﺑﻞ دﺳﺘﺮﺳﯽ هﺴﺘﻨﺪ) ﻗﺎﺑﻞ دﺳﺘﺮﺳﯽ ﺑﻪ اﻳﻦ ﻣﻌﻨﯽ ﮐﻪ از ﻃﺮﻳﻖ ﻣﺴﻴﺮﯼ ﮐﻪ ﺗﻤﺎم ﻳﺎلهﺎﯼ ﺁن زﻧﺪﻩ هﺴﺘﻨﺪ ﻗﺎﺑﻞ دﺳﺘﺮﺳﯽ اﺳﺖ( .ﻃﺒﻖ ﺁﻧﭽﻪ ﺑﻴﺎن ﺷﺪ σ Aﺗﻌﺪاد رﺋﻮﺳﯽ اﺳﺖ ﮐﻪ ﻣﯽﺗﻮان در ﻣﺴﻴﺮهﺎﯼ ﻳﺎل-زﻧﺪﻩ از هﺮ راس در A ﺑﻪ ﺁﻧﻬﺎ رﺳﻴﺪ ﻳﻌﻨﯽ در واﻗﻊ ﺣﺎﻻ ﻣﯽﺗﻮاﻧﻴﻢ ﺑﻪ ﺑﺮرﺳﯽ , ∈ ∪ ﺳﺎﺑﻤﺎدوﻻرﻳﺘﯽ .σ A ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ ﺑﭙﺮدازﻳﻢ .اﺑﺘﺪا ﺛﺎﺑﺖ ﻣﯽﮐﻨﻴﻢ ﮐﻪ ﺑﺮاﯼ هﺮ ﻣﺠﻤﻮﻋﻪ ،X σ 0 ﺳﺎﺑﻤﺎدوﻻر اﺳﺖ.ﺑﺮاﯼ اﺛﺒﺎت اﻳﻦ ﻣﻮﺿﻮع ﻓﺮض ﮐﻨﻴﺪ ﮐﻪ Sو Tدو ﻣﺠﻤﻮﻋﻪ از رﺋﻮس ﺑﺎﺷﻨﺪ ﺑﻪ ﻃﻮرﯼ ﮐﻪ: ⊆ و ﻣﻘﺪار ∪ σ Live Edge Deterministic Quantity 10 11 22 σ S , را در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ .ﻣﺸﺨﺺ اﺳﺖ ﮐﻪ ﺗﻌﺪاد اﻋﻀﺎﯼ , را ﻧﺸﺎن ﻣﯽدهﺪ ﮐﻪ در اﺟﺘﻤﺎع ﻣﻘﺪار ﺑﻪ ﺣﺪاﻗﻞ اﻧﺪازﻩ , اﺟﺘﻤﺎع) ﺑﺰرﮔﺘﺮ ( ﺗﻌﺪاد ∈ ∈ ∪ ﻧﻴﺴﺘﻨﺪ و اﻳﻦ , اﻋﻀﺎﯼ ﮐﻪ اﺳﺖ در ∪ ﻧﻴﺴﺘﻨﺪ .ﭘﺲ ﻣﯽﺗﻮان ﻧﺘﻴﺠﻪ ﮔﺮﻓﺖ ﮐﻪ : ﮐﻪ دﻗﻴﻘﺎ هﻤﺎن ﻧﺎﻣﺴﺎوﯼ ﺳﺎﺑﻤﺎدوﻻرﻳﺘﯽ اﺳﺖ .در ﻧﻬﺎﻳﺖ دارﻳﻢ: و در ﻧﻬﺎﻳﺖ ﺗﻌﺪاد رﺋﻮﺳﯽ ﮐﻪ ﻓﻌﺎل ﺷﺪﻩاﻧﺪ ﻣﻴﺎﻧﮕﻴﻦ ﺗﻤﺎﻣﯽ ﺧﺮوﺟﯽ وﻟﯽ هﺴﺘﻨﺪ. ﻳﮏ ﺧﻄﯽ ﺗﺮﮐﻴﺐ از ﺳﺎﺑﻤﺎدوﻻر ﻧﻴﺰ ﺳﺎﺑﻤﺎدوﻻر اﺳﺖ و ﺑﻨﺎﺑﺮاﻳﻦ ﺗﻮاﺑﻊ ﻏﻴﺮﻣﻨﻔﯽ σ 0هﻢ ﺳﺎﺑﻤﺎدوﻻر اﺳﺖ. ﺣﺎل ﺑﻪ ﺑﺮرﺳﯽ ﭘﻴﭽﻴﺪﮔﯽ ﻣﺪل اراﺋﻪ ﺷﺪﻩ ﻣﯽﭘﺮدازﻳﻢ: ﻗﻀﻴﻪ .3ﻣﺴﺌﻠﻪ ﺑﻴﺸﻴﻨﻪ ﻧﻤﻮدن ﮔﺴﺘﺮش ﺑﺮاﯼ ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ NP‐Completeاﺳﺖ. 12 را در ﻣﺠﻤﻮﻋﻪ ﻣﺮﺟﻊ ﺑﺮهﺎن .ﻧﻤﻮﻧﻪاﯼ از ﻣﺴﺌﻠﻪ NP‐Completeﭘﻮﺷﺶ ﻣﺠﻤﻮﻋﻪا ﯼ ﺑﮕﻴﺮﻳﺪ ,…, ﮐﻪ , ﺷﺎﻣﻞ ﻣﺠﻤﻮﻋﻪهﺎﯼ اﺳﺖ. ﻣﯽﺧﻮاهﻴﻢ ,S ,…,S از ﺑﺪاﻧﻴﻢ ﺁﻳﺎ kﺗﺎ از اﻳﻦ زﻳﺮﻣﺠﻤﻮﻋﻪهﺎ وﺟﻮد دارﻧﺪ ﮐﻪ اﺟﺘﻤﺎﻋﺸﺎن ﺑﺮاﺑﺮ ﻣﺠﻤﻮﻋﻪﯼ ﻣﺮﺟﻊ ﺷﻮﻧﺪ؟ ﺣﺎل ﻧﺸﺎن ﻣﯽدهﻴﻢ ﮐﻪ اﻳﻦ ﻣﺴﺌﻠﻪ ﻳﮏ ﺣﺎﻟﺖ ﺧﺎص از ﻣﺴﺌﻠﻪﯼ ﺑﻴﺸﻴﻨﻪ ﮐﺮدن ﮔﺴﺘﺮش ﺧﻮاهﺪ ﺑﻮد. Set Cover 12 23 ﻓﺮض ﮐﻨﻴﺪ ﻳﮏ ﻧﻤﻮﻧﻪ از ﻣﺴﺌﻠﻪ ﭘﻮﺷﺶ ﻣﺠﻤﻮﻋﻪاﯼ ﺑﻪ ﻣﺎ دادﻩ ﺷﺪﻩ اﺳﺖ ،ﺣﺎل ﻳﮏ ﮔﺮاف ﻣﺘﻨﺎﻇﺮ ﺟﻬﺖ دار دوﺑﺨﺸﯽ ﺑﺎ n+mراس را ﺑﻪ اﻳﻦ ﺻﻮرت ﻣﯽﺳﺎزﻳﻢ ﮐﻪ ﺑﻪ ازاﯼ هﺮ ﻣﺠﻤﻮﻋﻪ در ﺑﺨﺶ اول و ﺑﻪ ازاﯼ هﺮ ﻋﻀﻮ دوم ﻣﯽدهﻴﻢ و ﻳﺎل ) (I,jرا ﺑﻪ ﺷﺮ ط 1 , ﻳﮏ راس ﻣﺘﻨﺎﻇﺮﯼ i ﻳﮏ راس ﻣﺘﻨﺎﻇﺮ در jدر ﺑﺨﺶ ∈ ﺑﺎ اﺣﺘﻤﺎل ﻓﻌﺎلﺳﺎزﯼ را رﺳﻢ ﻣﯽﮐﻨﻴﻢ. ﻣﺴﺌﻠﻪ ﭘﻮﺷﺶ ﻣﺠﻤﻮﻋﻪاﯼ ﻣﻌﺎدل اﻳﻦ اﺳﺖ ﮐﻪ ﺗﺼﻤﻴﻢ ﺑﮕﻴﺮﻳﻢ ﮐﻪ ﺁﻳﺎ ﻳﮏ ﻣﺠﻤﻮﻋﻪ Aﺑﺎ kراس در اﻳﻦ ﮔﺮاف ﺑﺎ وﻳﮋﮔﯽ وﺟﻮد دارد ﻳﺎ ﺧﻴﺮ .دﻗﺖ ﺷﻮد ﮐﻪ ﻣﺎ ﻓﺮاﻳﻨﺪ ﻓﻌﺎلﺳﺎزﯼ را ﻳﮏ ﻓﺮاﻳﻨﺪ ﻗﻄﻌﯽ درﻧﻈﺮ ﮔﺮﻓﺘﻴﻢ ) ﮐﻪ ﺗﻤﺎم اﺣﺘﻤﺎﻻت 0ﻳﺎ 1هﺴﺘﻨﺪ ( .ﻓﻌﺎلﺳﺎزﯼ kراس اوﻟﻴﻪ ﻣﺘﻨﺎﻇﺮ ﺑﺎ ﻣﺠﻤﻮﻋﻪهﺎ در ﻳﮏ راﻩﺣﻞ ﭘﻮﺷﺶ ﻣﺠﻤﻮﻋﻪاﯼ ﻣﻨﺠﺮ ﺑﻪ ﻓﻌﺎلﺳﺎزﯼ ﮐﻞ n راس ﻣﺘﻨﺎﻇﺮ ﺑﺎ ﻣﺠﻤﻮﻋﻪ اوﻟﻴﻪ Uﻣﯽ ﺷﻮد و اﮔﺮ هﺮ ﻣﺠﻤﻮﻋﻪ kﻋﻀﻮﯼ Aداراﯼ ﺧﺎﺻﻴﺖ ﺑﺎﺷﺪ ﺁﻧﮕﺎﻩ ﻣﺴﺌﻠﻪ ﭘﻮﺷﺶ راﺳﯽ ﺑﺎﻳﺪ ﻗﺎﺑﻞ ﺣﻞ ﺑﺎﺷﺪ. ﻣﺪل ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﺧﻄﯽ 13 در اﻳﻦ ﻣﺪل ﻧﻴﺰ ﻣﺎﻧﻨﺪ ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ ،ﺷﺒﮑﻪ اﺟﺘﻤﺎﻋﯽ ﺑﺎ ﻳﮏ ﮔﺮاف ﻣﺪل ﻣﯽﺷﻮد ﮐﻪ اﻓﺮاد ﺑﻪ ﺻﻮرت راس و ارﺗﺒﺎط ﻣﻴﺎن اﻓﺮاد ﺑﻪ ﺻﻮرت ﻳﺎل ﻧﻤﺎﻳﺶ دادﻩ ﻣﯽﺷﻮد .از ﻃﺮﻓﯽ هﺮ راس داراﯼ دو وﺿﻌﻴﺖ ﻓﻌﺎل و ﻏﻴﺮﻓﻌﺎل اﺳﺖ .اﺣﺘﻤﺎل اﺛﺮﮔﺬارﯼ ﻓﺮد Linear Threshold Model 13 24 vﺑﺮ ﻓﺮد uرا ﺑﺎ وزن ﺑﻴﻦ دو ﻳﺎل ،ﮐﻪ ﺑﺎ ﻧﻤﺎﻳﺶ ﻣﯽدهﻴﻢ، , ﺑﻴﺎن ﻣﯽﮐﻨﻴﻢ .اﻳﻦ وزن ﻳﺎ هﻤﺎن اﺣﺘﻤﺎل ﺑﻪ ﮔﻮﻧﻪاﯼ اﺳﺖ ﮐﻪ 1 , ∑ .روﻧﺪ اﻳﻦ ﻣﺪل ﺑﻪ اﻳﻦ ﺻﻮرت اﺳﺖ: θاﺳﺖ ﮐﻪ ﺑﻪ ﺻﻮرت ﻳﮑﻨﻮاﺧﺖ از هﺮ راس vداراﯼ ﻳﮏ ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﺑﺎزﻩ ] [0,1ﺑﻪ ﺻﻮرت ﺗﺼﺎدﻓﯽ اﻧﺘﺨﺎب ﻣﯽﺷﻮد ،اﻳﻦ ﻣﻘﺪار ﻧﺴﺒﺖ وزﻧﯽ هﻤﺴﺎﻳﮕﺎﻧﯽ از vات ﮐﻪ ﺑﺎﻳﺪ ﻓﻌﺎل ﺷﻮﻧﺪ ﺗﺎ ﻣﻨﺠﺮ ﺑﻪ ﻓﻌﺎل ﺷﺪن v ﺷﻮﻧﺪ. ﺑﺎ داﺷﺘﻦ اﻧﺘﺨﺎبهﺎﯼ ﺗﺼﺎدﻓﯽ ﺑﺮاﯼ ) ﮐﻪ در اﻳﻦ ﺁﺳﺘﺎﻧﻪهﺎ و ﻳﮏ ﻣﺠﻤﻮﻋﻪ از رﺋﻮس ﻓﻌﺎل اوﻟﻴﻪ ﺣﺎﻟﺖ ﺑﻘﻴﻪ رﺋﻮس ﮐﺎﻣﻼ ﻏﻴﺮﻓﻌﺎل هﺴﺘﻨﺪ ( ،ﻣﺮاﺣﻞ اﻧﺘﺸﺎر ﺑﻪ ﻃﻮر ﻗﻄﻌﯽ در ﻗﺪم هﺎﯼ ﻣﺠﺰاﯼ زﻳﺮ ﺧﻮاهﺪ ﺑﻮد: .1در ﻗﺪم ،tﮐﻞ رﺋﻮﺳﯽ ﮐﻪ در ﻗﺪم t‐1ﻓﻌﺎل ﺑﻮدﻧﺪ ،ﺑﻪ ﺻﻮرت ﻓﻌﺎل ﺑﺎﻗﯽ ﺧﻮاهﻨﺪ ﻣﺎﻧﺪ . .2راس v را در ﺻﻮرﺗﯽ ﻓﻌﺎل هﻤﺴﺎﻳﮕﺎن ﻓﻌﺎل ﺁن ﺣﺪاﻗﻞ از ﻃﺮف دﻳﮕﺮ ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﻣﯽﮐﻨﻴﻢ ﮐﻪ ﺟﻤﻊ وزنهﺎﯼ θﺑﺎﺷﺪ ﻳﻌﻨﯽ : ﺑﻪ ﺻﻮرت ﻃﻮر ﺷﻬﻮدﯼ ﮔﺮاﻳﺶ ﭘﻨﻬﺎن ﻣﺘﻔﺎوت راسهﺎ را ﺑﻪ اﺗﺨﺎذ ﺗﺼﻤﻴﻢهﺎﯼ ﺟﺪﻳﺪ و ﭘﺬﻳﺮﻓﺘﻦ ﻣﻮارد ﺟﺪﻳﺪﯼ ﮐﻪ هﻤﺴﺎﻳﮕﺎﻧﺸﺎن ﻣﯽ ﭘﺬﻳﺮﻧﺪ ،دارﻧﺪ .اﻳﻦ ﻣﻮﺿﻮع ﺗﺼﺎدﻓﯽ اﻧﺘﺨﺎب ﺷﺪن هﻢ ﺑﻪ اﻳﻦ دﻟﻴﻞ اﺳﺖ ﮐﻪ از ارزش واﻗﻌﯽ ﺁﻧﻬﺎ اﻃﻼﻋﯽ ﻧﺪارﻳﻢ ،در ﺣﻘﻴﻘﺖ ﻣﺎ ﻣﻴﺎﻧﮕﻴﻨﯽ روﯼ ﮐﻞ ﻣﻘﺎدﻳﺮ ﺁﺳﺘﺎﻧﻪ هﺎﯼ ﻣﻤﮑﻦ ﺑﺮاﯼ ﺗﻤﺎﻣﯽ رﺋﻮس ﻣﻴﮕﻴﺮﻳﻢ. 25 ﻗﻀﻴﻪ زﻳﺮ درﺑﺎرﻩ ﺳﺎﺑﻤﺎدوﻻر ﺑﻮدن ﺗﺎﺑﻊ ﺧﺮوﺟﯽ ﺑﺮاﯼ ﻣﺪل ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﺧﻄﯽ اﺳﺖ ﮐﻪ ﻣﺸﺎﺑﻪ ﺁن را ﺑﺮاﯼ ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ ﺑﻴﺎن ﮐﺮدﻳﻢ. ﻗﻀﻴﻪ . 4ﺑﺮاﯼ هﺮ ﻧﻤﻮﻧﻪ از ﻣﺪل ﺣﺪ ﺁﺳﺘﺎﻧﻪﯼ ﺧﻄﯽ ،ﺗﺎﺑﻊ ﺧﺮوﺟﯽ ﺳﺎﺑﻤﺎدوﻻر اﺳﺖ. ﺑﺮهﺎن .اﺛﺒﺎت اﻳﻦ ﻗﻀﻴﻪ ﮐﻤﯽ ﭘﻴﭽﻴﺪﻩﺗﺮ از ﻗﻀﻴﻪ ﻣﺸﺎﺑﻪ ﺁن ﺑﺮاﯼ ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ اﺳﺖ .وﻟﯽ از ﺑﻌﻀﯽ ﻣﻮارد ﻣﺸﺎﺑﻪ از ﺁن ﻗﻀﻴﻪ ﻣﯽﺗﻮان ﺑﻬﺮﻩ ﺑﺮد .ﺁﻧﭽﻪ ﺑﻬﺘﺮ ﺑﻪ ﻧﻈﺮ ﻣﯽرﺳﺪ اﻳﻦ اﺳﺖ ﮐﻪ ﺑﺮاﯼ ﻣﺪل ﺣﺪﺁﺳﺘﺎﻧﻪ ﺧﻄﯽ ،رﻓﺘﺎر ﻣﺪل را ﭘﺲ از اﻳﻨﮑﻪ ﮐﻞ ﺁﺳﺘﺎﻧﻪهﺎ ﺑﺮاﯼ رﺋﻮس ﺑﺮرﺳﯽ در ﺷﺪﻧﺪ ﻧﻈﺮ ﺑﮕﻴﺮﻳﻢ.وﻟﯽ در اﺛﺒﺎت اﻳﻦ ﻗﻀﻴﻪ ﺑﻪ دﻟﻴﻞ اﻳﻨﮑﻪ ﺣﺪﺁﺳﺘﺎﻧﻪ ﻣﻘﺪارﯼ ﺛﺎﺑﺖ ﻧﻴﺴﺖ و ﻧﻤﯽﺗﻮان ﺁن را ﺛﺎﺑﺖ ﻓﺮض ﮐﺮد و ﺑﺮاﯼ ﺗﻌﺪاد رﺋﻮس ﻓﻌﺎل داد ﻧﻈﺮﯼ و اﺳﺘﺪﻻل ﮐﺮد و در ﻧﺘﻴﺠﻪ ﻣﺠﻤﻮﻋﻪ اﻳﻦ رﺋﻮس ﻣﺠﻤﻮﻋﻪاﯼ ﺳﺎﺑﻤﺎدوﻻر را ﺗﺸﮑﻴﻞ ﻧﻤﯽدهﻨﺪ .ﭘﺲ اﺳﺘﺪﻻل را ﮐﻤﯽ ﺗﻐﻴﻴﺮ ﻣﯽدهﻴﻢ. ﻳﺎدﺁورﯼ ﻣﯽﮐﻨﻴﻢ ﮐﻪ هﺮ راس vداراﯼ وزن اﺛﺮ 0 از ﻃﺮف , هﺮﮐﺪاﻣﻴﮏ از هﻤﺴﺎﻳﮕﺎن wﺧﻮد اﺳﺖ ﮐﻪ ﻣﺤﺪودﻳﺖ 1 , ∑ را را ﺑﺎ ﻧﻮﺷﺘﻦ ﻧﻴﺰ 0 دارا , اﺳﺖ ) اﻟﺒﺘﻪ زﻣﺎﻧﯽ ﮐﻪ wهﻤﺴﺎﻳﻪ ﻣﯽﺗﻮان ﻧﻤﺎدﮔﺬارﯼ vﻧﻴﺴﺖ ﮐﺎﻣﻞ ﮐﺮد ( .ﻓﺮض ﻣﯽﮐﻨﻴﻢ vﺣﺪاﮐﺜﺮ ﻳﮑﯽ از ﻳﺎلهﺎﯼ ورودﯼاش را ﺑﺎ اﺣﺘﻤﺎل ﻣﯽﮐﻨﺪ و هﻴﭻ ﻳﺎﻟﯽ را ﺑﺎ اﺣﺘﻤﺎل , ∑ , اﻧﺘﺨﺎب 1اﻧﺘﺨﺎب ﻧﻤﯽﮐﻨﺪ. ﻳﺎل اﻧﺘﺨﺎب ﺷﺪﻩ را زﻧﺪﻩ و دﻳﮕﺮ ﻳﺎلهﺎ را ﻣﺴﺪود درﻧﻈﺮ ﻣﯽﮔﻴﺮﻳﻢ ).ﻣﯽﺗﻮاﻧﻴﻢ ﺗﻀﺎد اﺛﺒﺎت را ﺑﺎ اﺛﺒﺎت ﻗﻀﻴﻪ ﻣﺸﺎﺑﻪ ﺑﺮاﯼ ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ ﻣﻘﺎﻳﺴﻪ ﮐﻨﻴﺪ ،در ﺁﻧﺠﺎ ﻣﺎ زﻧﺪﻩ ﺑﻮدن ﻳﺎل را ﻣﺴﺘﻘﻞ از ﺗﺼﻤﻴﻢ ﺑﺮاﯼ دﻳﮕﺮ ﻳﺎلهﺎ ﻣﺸﺨﺺ ﻣﯽﮐﺮدﻳﻢ ،در 26 اﻳﻨﺠﺎ ﻣﺎ در ﻣﻘﺎﺑﻞ ﺗﺼﻤﻴﻤﺎت را ﻣﺮﺗﺒﻂ ﻣﯽداﻧﻴﻢ ﺑﻪ ﮔﻮﻧﻪاﯼ ﮐﻪ ﺣﺪاﮐﺜﺮ ﻳﮏ ﻳﺎل زﻧﺪﻩ ﺑﺮاﯼ هﺮ راس وﺟﻮد دارد(. ﻧﻘﻄﻪ ﺣﺴﺎس و ﭘﻴﭽﻴﺪﻩ اﺛﺒﺎت ﺑﺮ ﭘﺎﻳﻪﯼ ادﻋﺎ اﯼ اﺳﺖ ﮐﻪ در اداﻣﻪ ﻣﯽﺁﻳﺪ و در ﺁن ﺑﻴﺎن ﺷﺪﻩ اﺳﺖ ﮐﻪ ﻣﺪل ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﺧﻄﯽ ﻣﻌﺎدل ﻣﺴﻴﺮ دﺳﺘﺮﺳﯽ از ﻃﺮﻳﻖ ﻳﮏ ﺳﺮﯼ ﻳﺎل زﻧﺪﻩ اﺳﺖ .وﻗﺘﯽ ﺁن ﺑﺮاﺑﺮﯼ اﺛﺒﺎت ﺷﻮد ،اﺛﺒﺎت ﺳﺎﺑﻤﺎدوﻻر ﺑﻮدن ﻧﻴﺰ ﻣﺎﻧﻨﺪ اﺛﺒﺎت ﺳﺎﺑﻤﺎدوﻻر ﺑﻮدن ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ ﺧﻮاهﺪ ﺑﻮد .ﻣﯽﺗﻮان ﻣﺎﻧﻨﺪ , ﻗﺒﻞ را ﺗﻌﺮﻳﻒ ﮐﺮد و ﺧﻮاهﺪ ﺷﺪ و در ﻧﺘﻴﺠﻪ σ A ﻧﻴﺰ ﺑﺮاﺑﺮ ﺑﺎ , σ 0ﮐﻪ ﺗﺮﮐﻴﺐ ﺧﻄﯽ ﻏﻴﺮ ﻣﻨﻔﯽ از ∈ ∪ σ 0 اﺳﺖ ،ﺳﺎﺑﻤﺎدوﻻر ﺧﻮاهﺪ ﺑﻮد. ادﻋﺎ . 1ﺑﺮاﯼ ﻳﮏ ﻣﺠﻤﻮﻋﻪ هﺪف 14 ،Aدو ﺗﻮزﻳﻊ زﻳﺮ روﯼ ﻣﺠﻤﻮﻋﻪ رﺋﻮس ﺁﻧﻬﺎ ﻳﮑﺴﺎن هﺴﺘﻨﺪ i ﺗﻮزﻳﻊ روﯼ ﻣﺠﻤﻮﻋﻪهﺎﯼ ﻓﻌﺎﻟﯽ ﮐﻪ ﺑﺎ اﺟﺮاﯼ ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﺧﻄﯽ ﺑﻪ دﺳﺖ ﺁﻣﺪﻩاﻧﺪ و iiﺗﻮزﻳﻊ روﯼ ﻣﺠﻤﻮﻋﻪهﺎﯼ ﻗﺎﺑﻞ دﺳﺘﺮﺳﯽ از Aاز ﻃﺮﻳﻖ ﻣﺴﻴﺮهﺎﯼ ﻳﺎل-زﻧﺪﻩ ،ﺑﺎ اﻧﺘﺨﺎب ﺗﺼﺎدﻓﯽ ﻳﺎلهﺎﯼ زﻧﺪﻩ اﺷﺎرﻩ ﺷﺪﻩ. اﺛﺒﺎت. ﺑﺎﻳﺪ اﺛﺒﺎت ﮐﻨﻴﻢ ﮐﻪ دﺳﺘﺮﺳﯽ ﻣﺎ ﺗﺤﺖ اﻧﺘﺨﺎب ﺗﺼﺎدﻓﯽ ﻳﺎلهﺎﯼ زﻧﺪﻩ و ﻣﺴﺪود ﻓﺮاﻳﻨﺪﯼ را ﻣﺸﺎﺑﻪ ﻣﺪل ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﺧﻄﯽ اﻳﺠﺎد ﻣﯽﮐﻨﺪ .ﺑﺮاﯼ ﺑﻪ دﺳﺖ ﺁوردن ﺷﻬﻮدﯼ ﻣﻨﺎﺳﺐ ﻧﺴﺒﺖ ﺑﻪ اﻳﻦ ﻣﻮﺿﻮع ﺑﻬﺘﺮ اﺳﺖ ﻳﮏ ﻣﻮرد ﺧﺎص را ﺑﺮرﺳﯽ ﮐﻨﻴﻢ ﮐﻪ در ﺁن ﮔﺮاف Gﮔﺮاﻓﯽ ﺟﻬﺖدار و ﺑﺪون ﺣﻠﻘﻪ اﺳﺖ .در اﻳﻦ ﻣﻮرد ﻣﯽﺗﻮاﻧﻴﻢ ,…, روﻧﺪ ﻣﮑﺎﻧﯽ رﺋﻮس را ﺑﻪ ﺻﻮرت , ) ﮐﻪ ﺗﻤﺎم ﻳﺎلهﺎ از رﺋﻮس ﺟﻠﻮﺗﺮ ﺧﻮد ﺑﻪ رﺋﻮس ﺑﺎﻻﺗﺮ ﺑﺮوﻧﺪ ﺑﻪ ﺗﺮﺗﻴﺐ ( و ﻳﮏ Targeted set 14 27 ﺗﻮزﻳﻊ از ﻣﺠﻤﻮﻋﻪهﺎﯼ ﻓﻌﺎل را ﺑﺎ دﻧﺒﺎل ﮐﺮدن اﻳﻦ روﻧﺪ ﺑﻪ دﺳﺖ ﺑﻴﺎورﻳﻢ .ﻓﺮض ﮐﻨﻴﺪ ﺑﺮاﯼ هﺮ راس ،ﻣﺎ ﺗﻮزﻳﻊ را روﯼ زﻳﺮﻣﻮﺟﻤﻮﻋﻪهﺎﯼ ﻓﻌﺎل هﻤﺴﺎﻳﮕﺎﻧﺶ ﺗﻌﻴﻴﻦ ﮐﺮدﻩاﻳﻢ .ﺳﭙﺲ ﺗﺤﺖ ﻣﺪل ﺣﺪﺁﺳﺘﺎﻧﻪ ﺧﻄﯽ، اﺣﺘﻤﺎل اﻳﻨﮑﻪ ﻓﻌﺎل از هﻤﺴﺎﻳﮕﺎن ﻓﻌﺎﻟﺶ ،ﺑﺮاﺑﺮ زﻳﺮﻣﺠﻤﻮﻋﻪﯼ ﺷﻮد، , ﺑﺎ ∈ ﺗﻮﺟﻪ ﺑﻪ ∑ اﺳﺖ .اﻳﻦ ﻣﻘﺪار دﻗﻴﻘﺎ ﺑﺮاﺑﺮ اﺣﺘﻤﺎل ﺁن اﺳﺖ ﮐﻪ ﻳﺎل ورودﯼ زﻧﺪﻩاﯼ ﮐﻪ اﻧﺘﺨﺎب ﺷﺪﻩ در ﺗﻮﺳﻂ ﺑﺎﺷﺪ و ﺑﺎ اﺳﺘﻘﺮا ﻣﯽﺑﻴﻨﻴﻢ ﮐﻪ هﺮ دو روﻧﺪﯼ ﻣﺸﺎﺑﻪ را در ﺗﻮزﻳﻊ ﺑﺮ روﯼ ﻣﺠﻤﻮﻋﻪهﺎﯼ ﻓﻌﺎل ﻧﺸﺎن ﻣﯽدهﻨﺪ. ﺑﺮاﯼ اﺛﺒﺎت ادﻋﺎ ،ﮔﺮاف Gرا در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ ﮐﻪ ﺑﺪون دور ﻧﻴﺴﺖ .از ﻃﺮﻓﯽ ﻧﺸﺎن دادن ﻳﮑﺴﺎﻧﯽ ﻣﺸﮑﻞﺗﺮ ﻧﻴﺰ ﺧﻮاهﺪ ﺷﺪ ﺑﻪ اﻳﻦ دﻟﻴﻞ ﮐﻪ ﺗﺮﺗﻴﺒﯽ ﻃﺒﻴﻌﯽ از رﺋﻮس وﺟﻮد ﻧﺪارد ﮐﻪ ﺑﺘﻮان ﺑﻪ راﺣﺘﯽ از اﺳﺘﻘﺮا اﺳﺘﻔﺎدﻩ ﮐﺮد .در ﻋﻮض ،ﻣﺎ ﺑﺎ اﺳﺘﻘﺮا روﯼ ﺗﮑﺮارهﺎﯼ روﻧﺪ ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﺧﻄﯽ اﺛﺒﺎت را ﭘﻴﺶ ﻣﯽﺑﺮﻳﻢ. را ﻣﺠﻤﻮﻋﻪاﯼ از رﺋﻮس ﻓﻌﺎل در اﻧﺘﻬﺎﯼ هﺮ ﺗﮑﺮار ،tﺑﻪ ازاﯼ … t 0,1,2,در ﻧﻈﺮ ﻣﯽﮔﻴﺮﻳﻢ ) ﻣﺠﻤﻮﻋﻪ اوﻟﻴﻪاﯼ هﺪف اﺳﺖ ( .اﮔﺮ راس vدر اﻧﺘﻬﺎﯼ ﺗﮑﺮار tﻓﻌﺎل ﻧﺸﺪﻩ ﺑﺎﺷﺪ ،ﺁﻧﮕﺎﻩ اﺣﺘﻤﺎل ﺁﻧﮑﻪ در ﺗﮑﺮار t 1ﻓﻌﺎل ﺷﻮد ﺑﺮاﺑﺮ اﺣﺘﻤﺎﻟﯽ اﺳﺖ ﮐﻪ وزنهﺎﯼ \ اﺛﺮ در ﻣﻘﺪار ﺁن را از ﺁﺳﺘﺎﻧﻪ ﺑﮕﺬراﻧﻨﺪ ،ﺑﺎ اﻳﻦ ﻓﺮض ﮐﻪ ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﺁن هﻨﻮز رد ﻧﺸﺪﻩ اﺳﺖ .ﺁن اﺣﺘﻤﺎل ﺑﺮاﺑﺮ , / ∈ , ∈ ∑ ∑ اﺳﺖ. در ﻃﺮف دﻳﮕﺮ ،ﻣﯽﺗﻮاﻧﻴﻢ روﻧﺪ ﻳﺎل-زﻧﺪﻩ را ﺑﺎ ﻣﺸﺨﺺ ﮐﺮدن ﻳﺎل هﺎﯼ زﻧﺪﻩ ﺑﻪ ﺗﺪرﻳﺞ ﺑﻪ ﺻﻮرت زﻳﺮ ﻧﺸﺎن دهﻴﻢ .ﺑﺎ ﻣﺠﻤﻮﻋﻪ هﺪف Aﺷﺮوع ﻣﯽﮐﻨﻴﻢ ،ﺗﻌﻴﻴﻦ ﻣﯽﮐﻨﻴﻢ ﮐﻪ ﺁﻳﺎ ﻳﺎل زﻧﺪﻩ vﻋﻀﻮ Aاﺳﺖ ﻳﺎ ﺧﻴﺮ .اﮔﺮ هﺴﺖ ﺁﻧﮕﺎﻩ vﻗﺎﺑﻞ دﺳﺘﺮﺳﯽ اﺳﺖ وﻟﯽ اﮔﺮ ﻧﻴﺴﺖ ﻣﺎ 28 ﻣﻨﺒﻊ ﻳﺎل زﻧﺪﻩ vرا ﻧﺎﻣﺸﺨﺺ ﻧﮕﻪ ﻣﯽدارﻳﻢ ) ﻳﻌﻨﯽ ﻳﺎﻟﯽ اﺳﺖ ﮐﻪ از ﺧﺎرج ﺁﻣﺪﻩ اﺳﺖ ( .ﺣﺎل دﺳﺘﻪاﯼ ﺟﺪﻳﺪ از راسهﺎﯼ ﻗﺎﺑﻞ دﺳﺘﺮﺳﯽ را در ﻣﺮﺣﻠﻪ اول دارﻳﻢ ،ﺑﺮاﯼ ﺑﻪ دﺳﺖ ﺁوردن راسهﺎﯼ ﻗﺎﺑﻞ دﺳﺘﺮﺳﯽ ﺑﻴﺸﺘﺮ اﻳﻦ ﻓﺮاﻳﻨﺪ را ﺑﻪ ﺻﻮرت ﻣﺸﺎﺑﻪ روﯼ ﻳﺎلهﺎﯼ اﺟﺮا ﻣﯽﮐﻨﻴﻢ و ﺑﻪ اﻳﻦ ﺻﻮرت …, , را ﻣﯽﺳﺎزﻳﻢ .ﺣﺎل اﮔﺮ راس vدر اﻧﺘﻬﺎﯼ ﮔﺎم tﻗﺎﺑﻞ دﺳﺘﺮﺳﯽ ﻧﺒﻮد، ﺁﻧﮕﺎﻩ اﺣﺘﻤﺎل اﻳﻨﮑﻪ در ﻗﺪم t 1ﺑﻪ ﻋﻨﻮان ﻳﮏ راس ﻗﺎﺑﻞ دﺳﺘﺮﺳﯽ ﺷﻨﺎﺳﺎﻳﯽ ﺷﻮد ﺑﺮاﺑﺮ اﺣﺘﻤﺎل ﺁن اﺳﺖ ﮐﻪ ﻳﺎلهﺎﯼ زﻧﺪﻩ \ ﺁن از ﻣﺠﻤﻮﻋﻪهﺎﯼ , / ∈ , ∈ ∑ ∑ ﺑﻴﺎﻳﻨﺪ ،ﺑﺎ اﻳﻦ ﻓﺮض ﮐﻪ ﻳﺎلهﺎﯼ زﻧﺪﻩ ﺁن از ﻗﺒﻞ از ﺁن ﻧﻴﺎﻣﺪﻩ ﺑﺎﺷﻨﺪ. اﻳﻦ ﻣﻘﺪار ﺑﺮاﺑﺮ اﺳﺖ ﮐﻪ ﺑﺎ اﺣﺘﻤﺎل ﺑﻴﺎن ﺷﺪﻩ در ﭘﺎراﮔﺮاف ﻗﺒﻞ ﺑﺮاﯼ ﺣﺪﺁﺳﺘﺎﻧﻪ ﺧﻄﯽ ﺑﺮاﺑﺮ اﺳﺖ. ﺑﻨﺎﺑﺮاﻳﻦ ﺑﺎ اﺳﺘﻘﺮا روﯼ ﻗﺪمهﺎ ،دﻳﺪﻩ ﻣﯽﺷﻮدﮐﻪ روﻧﺪ ﻳﺎل- زﻧﺪﻩ ﺗﻮزﻳﻌﯽ ﻣﺸﺎﺑﻪ روﻧﺪ ﺣﺪﺁﺳﺘﺎﻧﻪ ﺧﻄﯽ روﯼ ﻣﺠﻤﻮﻋﻪهﺎﯼ ﻓﻌﺎل اﻳﺠﺎد ﻣﯽﮐﻨﺪ. ﻗﻀﻴﻪ زﻳﺮ دراداﻣﻪ ﺑﻪ ﭘﻴﭽﻴﺪﮔﯽ ﻣﺪل ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﺧﻄﯽ ﻣﯽﭘﺮدازد. ﻗﻀﻴﻪ . 5ﻣﺴﺎﻟﻪﯼ ﺑﻴﺸﻴﻨﻪ ﻧﻤﻮدن ﮔﺴﺘﺮش ﺑﺮاﯼ ﻣﺪل ﺣﺪ ﺁﺳﺘﺎﻧﻪﯼ ﺧﻄﯽ NP‐Completeاﺳﺖ. ﺑﺮهﺎن .ﻳﮏ ﻧﻤﻮﻧﻪ از ﻣﺴﺎﻟﻪﯼ NP‐Completeﭘﻮﺷﺶ راﺳﯽ 15 ﺑﻪ هﻤﺮاﻩ ﮔﺮاف Gﺑﻪ ﻣﺎ دادﻩ ﺷﺪﻩ اﺳﺖ ،ﻳﮏ ﻣﺠﻤﻮﻋﻪﯼ ﻣﺘﻨﺎﻇﺮ ﺑﺎ ﺟﻬﺖ دار ﮐﺮدن ﺗﻤﺎﻣﯽ ﻳﺎلهﺎﯼ Gﺑﻪ ﺻﻮرت دوﻃﺮﻓﻪ ،از ﻣﺴﺎﻟﻪﯼ ﺑﻴﺸﻴﻨﻪ ﮐﺮدن ﮔﺴﺘﺮش ﺑﺪﻳﻦ ﺻﻮرت ﺗﻌﺮﻳﻒ ﻣﯽﻧﻤﺎﻳﻴﻢ .اﮔﺮ ﭘﻮﺷﺶ راﺳﯽ ﺑﺎ اﻧﺪازﻩﯼ kوﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ ،ﺁﻧﮕﺎﻩ ﻣﯽﺗﻮان ﺑﻪ ﺻﻮرت ﻗﻄﻌﯽ ﺑﺎ Set cover 15 29 , ﻗﺮار دادن σرا ﺣﻞ ﮐﻨﻴﻢ .ﻋﮑﺲ اﻳﻦ ﻣﺴﺎﻟﻪ ﻧﻴﺰ ﺗﻨﻬﺎ راﻩ ﺑﻪدﺳﺖﺁوردن ﻣﺠﻤﻮﻋﻪﯼ Aﺑﺎ اﺳﺖ .ﺁوردن ﻣﺜﺎل ﺑﺮاﯼ ﮐﺎﻣﻞ ﻧﻤﻮدن اﺛﺒﺎت ﻧﻴﺰ ﺑﺪﻳﻬﯽ ﺑﻪ ﻧﻈﺮ ﻣﯽرﺳﺪ. دو ﻣﺪل ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﺧﻄﯽ و اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ از ﺟﻤﻠﻪ ﭘﺎﻳﻪاﯼ ﺗﺮﻳﻦ ﻣﺪلهﺎﯼ اﻧﺘﺸﺎرﯼ هﺴﺘﻨﺪ ﮐﻪ ﻣﻄﺎﻟﻌﺎت ﮔﺴﺘﺮدﻩاﯼ روﯼ ﺁﻧﻬﺎ اﻧﺠﺎم ﺷﺪﻩ اﺳﺖ ،هﺮﭼﻨﺪ ﺑﺎ ﺗﻐﻴﻴﺮاﺗﯽ ﻣﯽﺗﻮان ﺁﻧﻬﺎ را ﺑﺴﻴﺎر ﮔﺴﺘﺮش داد. در اداﻣﻪ ﺑﻪ ﺑﺮرﺳﯽ ﻣﺪل هﺎﯼ دﻳﮕﺮ ﺑﺮرﺳﯽ ﺷﺪﻩ ﻣﯽ ﭘﺮدازﻳﻢ. ﻣﺪل ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﻋﻤﻮﻣﯽ در ﻣﺪل ﺣﺪ ﺁﺳﺘﺎﻧﻪﯼ ﻋﻤﻮﻣﯽ 16 ﺑﻪ هﺮ راس vﻳﮏ ﺗﺎﺑﻊ ﻧﺴﺒﺖ ﻣﯽ دهﻨﺪ ﮐﻪ ﻣﺠﻤﻮﻋﻪ هﻤﺴﺎﻳﻪ هﺎﯼ vرا ﺑﺮ روﯼ ﻋﺪدﯼ ﺣﻘﻴﻘﯽ درﺑﺎزﻩ 0,1 ﻧﮕﺎﺷﺖ ﻣﯽﮐﻨﺪ .در ﺣﻘﻴﻘﺖ ﻣﺎ ﻣﯽﺧﻮاهﻴﻢ ﻣﻔﻬﻮﻣﯽ را ﺑﻴﺎن ﮐﻨﻴﻢ ﮐﻪ ﺗﺼﻤﻴﻢ راس vﺑﺮاﯼ ﻓﻌﺎل ﺷﺪن را ﺑﺮ ﭘﺎﻳﻪ ﻳﮏ ﺗﺎﺑﻊ دﻟﺨﻮاﻩ ﻳﮑﻨﻮاﺧﺖ از هﻤﺴﺎﻳﮕﺎن vﮐﻪ ﻓﻌﺎل ﺑﻮدﻩاﻧﺪ ،ﺑﻴﺎن ﺷﻮد. و ﺑﻪ اﻳﻦ ﺗﺎﺑﻊ ،ﺗﺎﺑﻊ ﺣﺪﺁﺳﺘﺎﻧﻪ ﻣﯽﮔﻮﻳﻴﻢ ﮐﻪ زﻳﺮﻣﺠﻤﻮﻋﻪهﺎﯼ هﻤﺴﺎﻳﮕﺎن vرا ﺑﻪ ﻣﺠﻤﻮﻋﻪاﯼ از اﻋﺪاد ﺣﻘﻴﻘﯽ درﺑﺎزﻩ 0,1 ﻧﮕﺎﺷﺖ ﻣﯽﮐﻨﺪ. روﻧﺪ اﻧﺘﺸﺎر ﺳﺎﺧﺘﺎر ﮐﻠﯽ ﻣﺪل ﻣﯽﮐﻨﺪ .هﺮ راس vﻳﮏ ﻣﻘﺪار ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﺧﻄﯽ را دﻧﺒﺎل را ﺑﻪ ﺻﻮرت ﺗﺼﺎدﻓﯽ در ﺑﺎزﻩ 0,1اﻧﺘﺨﺎب ﻣﯽﮐﻨﺪ .ﺣﺎل vدر ﺻﻮرﺗﯽ ﻓﻌﺎل ﻣﯽﺷﻮد ﮐﻪ در ﻗﺪم t داﺷﺘﻪ ﺑﺎﺷﻴﻢ ﮐﻪ Sﻧﻴﺰ ﻣﺠﻤﻮﻋﻪ هﻤﺴﺎﻳﮕﺎن vاﺳﺖ ﮐﻪ در ﻗﺪم t‐1ﻓﻌﺎل ﺷﺪﻩاﻧﺪ. General Threshold Model 16 30 دﻗﺖ ﮐﻨﻴﺪ ﮐﻪ ﻣﺪل ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﺧﻄﯽ ﻧﻤﻮﻧﻪ ﺧﺎﺻﯽ از ﻣﺪل ﺣﺪﺁﺳﺘﺎﻧﻪ ﻋﻤﻮﻣﯽ اﺳﺖ ﮐﻪ هﺮ ﺗﺎﺑﻊ ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﺁن ﺑﻪ ﺣﺎﻟﺖ ﮐﻪ ﭘﺎراﻣﺘﺮ , , ∈ ∑ ﺑﻪ ﻃﻮرﯼ اﺳﺖ ﮐﻪ : ﻣﺪل اﻧﺘﺸﺎر ﻋﻤﻮﻣﯽ ﻣﺪل اﻧﺘﺸﺎر ﻋﻤﻮﻣ ﯽ 17 ﺣﺎﻟﺖ ﻋﻤﻮﻣﯽ ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ اﺳﺖ .ﻣﺎ در ﺣﻘﻴﻘﺖ ﻣﺪل اﻧﺘﺸﺎر را ﻋﻤﻮﻣﻴﺖ ﻣﯽدهﻴﻢ ﺗﺎ ﺑﻪ اﺣﺘﻤﺎل اﺟﺎزﻩ دهﻴﻢ ﮐﻪ راس uدر ﻓﻌﺎل ﮐﺮدن هﻤﺴﺎﻳﻪاش vﻣﻮﻓﻖ ﺑﺎﺷﺪ ،ﺑﺴﺘﮕﯽ ﺑﻪ هﻤﺴﺎﻳﮕﺎن vدارد ﮐﻪ ﺗﺎﮐﻨﻮن ﺳﻌﯽ ﮐﺮدﻩاﻧﺪ ﺁن را ﻓﻌﺎل ﮐﻨﻨﺪ .ﺑﻪ هﻤﻴﻦ دﻟﻴﻞ ﻣﺎ ﺗﺎﺑﻊ اﻓﺰاﻳﺸﯽ u ﻣﯽﮐﻨﻴﻢ ﮐﻪ در ﺁن Sو ∈ 0,1 , را ﺗﻌﺮﻳﻒ هﻤﺴﺎﻳﮕﺎن ﻣﺠﺰاﯼ vهﺴﺘﻨﺪ .در ﺣﺎﻟﺖ ﮐﻠﯽ وﻗﺘﯽ uﺗﻼش ﻣﯽﮐﻨﺪ ﮐﻪ vرا ﻓﻌﺎل ﮐﻨﺪ ،اﺣﺘﻤﺎل ﻣﻮﻓﻘﻴﺘﺶ , ﺑﺮاﺑﺮ اﺳﺖ ﮐﻪ Sﻣﺠﻤﻮﻋﻪ هﻤﺴﺎﻳﻪهﺎﻳﯽ از vاﺳﺖ ﮐﻪ ﺗﺎﮐﻨﻮن ﺗﻼش ﮐﺮدﻩاﻧﺪ)اﻣﺎ ﺷﮑﺴﺖ ﺧﻮردﻩاﻧﺪ( ﺁن را ﻓﻌﺎل ﮐﻨﻨﺪ. ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ ﺣﺎﻟﺘﯽ ﺧﺎص از اﻳﻦ ﻣﺪل اﺳﺖ ﮐﻪ در ﺁن , , و در ﻧﺘﻴﺠﻪ ﻣﺴﺘﻘﻞ از Sاﺳﺖ .در اﻳﻨﺠﺎ ﺑﻪ ﺑﺮرﺳﯽ ﻣﺪلهﺎﯼ اﻧﺘﺸﺎرﯼ ﻣﯽﭘﺮدازﻳﻢ ﮐﻪ ﺗﻮﺳﻂ ﺗﻮاﺑﻊ اﻓﺰاﻳﺸﯽ ﺗﻌﺮﻳﻒ ﺷﺪﻩاﻧﺪ ﮐﻪ ﻣﺴﺘﻘﻞ از ﺗﺮﺗﻴﺐ اﮔﺮ هﻤﺴﺎﻳﻪهﺎﯼ ,…, , 18 هﺴﺘﻨﺪ ﺑﻪ ﺻﻮرﺗﯽ ﮐﻪ: ﺳﻌﯽ ﺑﺮ ﻓﻌﺎل ﮐﺮدن vداﺷﺘﻪ ﺑﺎﺷﻨﺪ، ﺁﻧﮕﺎﻩ اﺣﺘﻤﺎل اﻳﻨﮑﻪ vدر ﻧﻬﺎﻳﺖ اﻳﻦ lﺗﻼش ﻓﻌﺎل ﺷﻮد ﺑﺴﺘﮕﯽ ﺑﻪ ﺗﺮﺗﻴﺐ اﻧﺠﺎم lﺗﻼش ﻧﺨﻮاهﺪ داﺷﺖ. General Cascade Model Order Independent 17 18 31 ﻣﯽﺗﻮان ﺛﺎﺑﺖ ﮐﺮد ﮐﻪ ﻣﺪلهﺎﯼ ﺣﺪﺁﺳﺘﺎﻧﻪ ﻋﻤﻮﻣﯽ و اﻧﺘﺸﺎر ﻋﻤﻮﻣﯽ ﻣﻌﺎدلاﻧﺪ .در اﻳﻨﺠﺎ روﺷﯽ ﺑﺮاﯼ ﺗﺒﺪﻳﻞ اﻳﻦ دو ﺑﻪ ﻳﮑﺪﻳﮕﺮ اراﺋﻪ ﻣﯽدهﻴﻢ .اﺑﺘﺪا ،ﻧﻤﻮﻧﻪاﯼ از ﻣﺪل ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﻋﻤﻮﻣﯽ را در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ .ﺑﺮاﯼ ﻧﺸﺎن دادن ﺑﺎ ﺗﺎﺑﻊ ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﻣﺘﻌﺎدل ﺑﻮدن ﺑﺎ ﻣﺪل اﻧﺘﺸﺎر ،ﺑﺎﻳﺪ اﺣﺘﻤﺎﻟﯽ را ﭘﻴﺪا ﮐﻨﻴﻢ ﮐﻪ ﻳﮏ هﻤﺴﺎﻳﻪ اﺿﺎﻓﻪ uﻣﯽ ﺗﻮاﻧﺪ vرا ﻓﻌﺎل ﮐﻨﺪ ،ﺑﺎ اﻳﻦ ﻓﺮض ﮐﻪ راسهﺎ در ﻣﺠﻤﻮﻋﻪ Sﺳﻌﯽ ﮐﺮدﻩاﻧﺪ و ﺷﮑﺴﺖ ﺧﻮردﻩاﻧﺪ .اﮔﺮ رﺋﻮﺳﯽ ﮐﻪ در Sهﺴﺘﻨﺪ ﺷﮑﺴﺖ ﺧﻮردﻩاﻧﺪ ،ﺁﻧﮕﺎﻩ ﺣﺪ ﺁﺳﺘﺎﻧﻪ ،v ﺑﺎﻳﺪ در ﻣﺤﺪودﻩ ,1 ∈ ﺑﺎﺷﺪ .هﺮ ﭼﻨﺪ ،ﺑﺎ اﻳﻦ ﻣﺤﺪودﻳﺖ روﺑﺮو هﺴﺘﻴﻢ وﻟﯽ ﺑﻪ ﺻﻮرت ﻳﮑﻨﻮاﺧﺖ ﺗﻮزﻳﻊ ﺷﺪﻩاﻧﺪ .ﺑﻨﺎﺑﺮاﻳﻦ، اﺣﺘﻤﺎل اﻳﻨﮑﻪ ﻳﮏ هﻤﺴﺎﻳﻪ ﻣﺎﻧﻨﺪ ،u ∉ Sدر ﻓﻌﺎلﺳﺎزﯼ vﻣﻮﻓﻖ ﺷﻮد ) در ﺣﺎﻟﺘﯽ ﮐﻪ راسهﺎﯼ Sﺷﮑﺴﺖ ﺧﻮردﻩاﻧﺪ ( ﺑﺮاﺑﺮ: ∪ . , ﺣﺎل اﺛﺒﺎت اﻳﻨﮑﻪ ﻓﺮاﻳﻨﺪ اﻧﺘﺸﺎر ﺑﺎ اﻳﻦ ﺗﻮاﺑﻊ ﻣﻌﺎدل ﻓﺮاﻳﻨﺪ در ﺣﺪﺁﺳﺘﺎﻧﻪ اﺻﻠﯽ اﺳﺖ. ,…, ﺑﻪ ﻋﮑﺲ ،راس vدر ﻣﺪل اﻧﺘﺸﺎر ،و ﻣﺠﻤﻮﻋﻪ , از هﻤﺴﺎﻳﮕﺎﻧﺶ را در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ .ﻓﺮض ﮐﻨﻴﺪ ﮐﻪ راسهﺎﯼ Sﺳﻌﯽ ﺑﺮ ﻓﻌﺎل ,…, ﮐﺮدن , v ﺑﻪ ﺗﺮﺗﻴﺐ ,…, , را دارﻧﺪ و .ﺣﺎل اﺣﺘﻤﺎل اﻳﻨﮑﻪ vدر اﻳﻦ روﻧﺪ ﻓﻌﺎل ﻧﺸﻮد ﺑﻨﺎﺑﺮ ﺗﻌﺮﻳﻒ ﺑﺮاﺑﺮ , 1 ﻓﺮض ﮐﺮدﻳﻢ ﺗﺮﺗﻴﺐ اﻳﻨﮑﻪ ﮐﺪام ﻳﮏ از ∏ اﺳﺖ .ﺑﻪ ﻳﺎد دارﻳﻢ ﮐﻪ هﺎ ﺑﺮاﯼ ﻓﻌﺎل ﮐﺮدن v ﺳﻌﯽ ﻣﯽﮐﻨﻨﺪ روﯼ اﺣﺘﻤﺎل ﮐﻠﯽ ﻣﻮﻓﻘﻴﺖ ﺗﺎﺛﻴﺮﯼ ﻧﺪارد .ازاﻳﻨﺮو، اﻳﻦ ﻣﻘﺪار ﺗﻨﻬﺎ ﺑﻪ ﻣﺠﻤﻮﻋﻪ Sﺑﺴﺘﮕﯽ دارد و ﻣﺎ ﻣﯽﺗﻮاﻧﻴﻢ: 32 ﺗﻌﺮﻳﻒ ﮐﻨﻴﻢ .ﺑﻪ ﻃﻮر ﻣﺸﺎﺑﻪ ،ﻣﯽﺗﻮان ﻧﺸﺎن داد ﮐﻪ اﻳﻦ ﻧﻤﻮﻧﻪ از ﻣﺪل ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﻣﻌﺎدل روﻧﺪ ﮐﻠﯽ اﻧﺘﺸﺎر ﻋﻤﻮﻣﯽ اﺳﺖ. ﻣﺪل راﯼدهﻨﺪﻩ ﻣﺪل راﯼدهﻨﺪﻩ اﺑﺘﺪا ﺗﻮﺳﻂ Error! Error! Reference source not found. Reference source not found.ﻣﻌﺮﻓﯽ ﺷﺪﻩ اﺳﺖ و از ﭘﺎﻳﻪاﯼ ﺗﺮﻳﻦ و ﻃﺒﻴﻌﯽﺗﺮﻳﻦ ﻣﺪلهﺎﯼ اﺣﺘﻤﺎﻟﯽ ﺑﺮاﯼ ﻧﻤﺎﻳﺶ ﮔﺴﺘﺮش ﻧﻈﺮات در ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ اﺳﺖ .اﻳﻦ ﻣﺪل ﺑﻪ اﻳﻦ ﺻﻮرت اﺳﺖ ﮐﻪ :در هﺮ ﮔﺎم ،هﺮ ﺷﺨﺺ ﻧﻈﺮ ﺧﻮد را ﻋﻮض ﻣﯽﮐﻨﺪ ﺑﻪ ﺻﻮرﺗﯽ ﮐﻪ ﻧﻈﺮ ﻳﮑﯽ از هﻤﺴﺎﻳﮕﺎن ﺧﻮد را ﺑﻪ ﺻﻮرت ﺗﺼﺎدﻓﯽ اﻧﺘﺨﺎب ﻣﯽﮐﻨﺪ و ﻧﻈﺮ ﺧﻮد ﻣﯽﮐﻨﺪ. درﺣﺎﻟﯽ ﮐﻪ ﻣﺪل راﯼدهﻨﺪﻩ ﺑﺎ ﻣﺪلهﺎﯼ ﺣﺪﺁﺳﺘﺎﻧﻪ ﻣﺘﻔﺎوت اﺳﺖ وﻟﯽ وﻳﮋﮔﯽهﺎﯼ ﮐﻠﻴﺪﯼ ﻣﺸﺎﺑﻪاﯼ ﺑﺎ ﺁﻧﻬﺎ دارد ﮐﻪ ﻣﺜﻼ اﻳﻦ اﺳﺖ ﮐﻪ ﻳﮏ ﺷﺨﺺ ﺑﻴﺸﺘﺮ ﻋﻼﻗﻪ دارد ﮐﻪ ﻧﻈﺮ ﺧﻮد را ﺑﻪ ﻧﻈﺮﯼ ﮐﻪ ﻳﮑﯽ از هﻤﺴﺎﻳﮕﺎﻧﺶ دارد ﺗﻐﻴﻴﺮ دهﺪ ﺗﺎ ﺷﺨﺺ دﻳﮕﺮﯼ. در ﺣﻘﻴﻘﺖ ﻣﺪلهﺎﯼ ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﻳﮑﻨﻮاﺧﺖ هﺴﺘﻨﺪ از اﻳﻦ ﻧﻈﺮ ﮐﻪ اﮔﺮ ﻳﮏ ﻳﺎل ﻓﻌﺎل ﺷﻮد دﻳﮕﺮ هﻤﻴﺸﻪ ﻓﻌﺎل ﺧﻮاهﺪ ﻣﺎﻧﺪ .اﻳﻦ ﻣﻮﺿﻮع اﻳﻦ ﻣﺪلهﺎ را ﻣﻨﺎﺳﺐ ﻣﻄﺎﻟﻌﺎت در زﻣﻴﻨﻪهﺎﯼ ﺳﺮاﻳ ﺖ 19 ﻣﯽﮐﻨﺪ .از ﻃﺮف دﻳﮕﺮ ﺑﻪ ﻋﻨﻮان ﻣﺜﻞ زﻣﺎﻧﯽ ﮐﻪ ﻳﮏ ﮐﺎرﺑﺮ ﻳﺎ ﻣﺼﺮفﮐﻨﻨﺪﻩ ﮐﺎﻻﻳﯽ را اﺳﺘﻔﺎدﻩ ﻣﯽﮐﻨﺪ، دﻳﮕﺮ در اﻳﻦ ﺣﺎﻟﺖ ﻳﮑﻨﻮاﺧﺖ ﻧﻴﺴﺘﻨﺪ .ﺑﻨﺎﺑﺮاﻳﻦ ﻣﺪل راﯼدهﻨﺪﻩ ﮐﻪ در ﺁن اﺟﺎزﻩ ﻏﻴﺮﻓﻌﺎل ﮐﺮدن ﻳﺎلهﺎ را دارﻳﻢ ﺷﺎﻳﺪ ﺑﺮاﯼ ﻓﺮاﻳﻨﺪهﺎﯼ ﻏﻴﺮﻳﮑﻨﻮاﺧﺖ ﻣﻨﺎﺳﺐ ﺑﺎﺷﺪ. Infection 19 33 در ﻣﺪل راﯼدهﻨﺪﻩ هﺮ راس در هﺮ ﮔﺎم ﺑﻪ اﺣﺘﻤﺎل ﻣﺴﺎوﯼ ﻳﮑﯽ از هﻤﺴﺎﻳﻪهﺎﻳﺶ را اﻧﺘﺨﺎب ﻣﯽﮐﻨﺪ و ﻧﻈﺮش را ﺑﺮاﺑﺮ ﻧﻈﺮ او ﻗﺮار ﻣﯽدهﺪ.ﻣﺪل راﯼدهﻨﺪﻩ در ﻣﻘﺎﻟﻪ Error! Reference source not found. ﻣﻄﺮح و ﺑﺮرﺳﯽ ﺷﺪﻩ اﺳﺖ ،در اداﻣﻪ ﺑﻴﺸﺘﺮ ﺣﻮل ﻗﻀﺎﻳﺎ و ﺗﻌﺎرﻳﻒ ﻣﻄﺮح ﺷﺪﻩ در اﻳﻦ ﻣﻘﺎﻟﻪ ﺧﻮاهﻴﻢ ﭘﺮداﺧﺖ. ﺗﻌﺮﻳﻒ .10 ﻣﺪل راﯼدهﻨﺪﻩ :ﻓﺮض ﮐﻨﻴﺪ ﺟﻬﺖ ﺑﺎﺷﺪ .ﺑﺮاﯼ ﻳﮏ راس ∈ ،ﻣﺎ , ﻳﮏ ﮔﺮاف ﺑﺪون را ﻣﺠﻤﻮﻋﻪ هﻤﺴﺎﻳﮕﺎن v در Gﻣﯽﮔﻴﺮﻳﻢ .ﺑﺎ ﺷﺮوع از اﺧﺘﺼﺎص اوﻟﻴﻪ دﻟﺨﻮاﻩ 0/1ﺑﻪ ﻳﺎلهﺎﯼ ﮔﺮاف ،Gدر هﺮ زﻣﺎن 1 ،هﺮ راس ﺑﻪﻃﻮر ﻳﮑﻨﻮاﺧﺖ ﺗﺼﺎدﻓﯽ ﻳﮑﯽ از هﻤﺴﺎﻳﮕﺎﻧﺶ را اﻧﺘﺨﺎب ﻣﯽﮐﻨﺪ و ﻧﻈﺮش را ﻗﺒﻮل ﻣﯽﮐﻨﺪ .ﺑﻪ ﻃﻮر رﺳﻤﯽﺗﺮ ﺑﺎ ﺷﺮوع از اوﻟﻴﻦ ﺗﺨﺼﻴﺺ ﺑﻪ ﺻﻮرت → 0,1 ، :ﻗﺪم هﺎﯼ ﺑﻌﺪﯼ را ﺑﻪ ﺻﻮرت: ﺑﻪ ﻳﺎد داﺷﺘﻪ ﺑﺎﺷﻴﻢ ﮐﻪ ﻣﺪل راﯼدهﻨﺪﻩ ﻓﺮاﻳﻨﺪﯼ ﺗﺼﺎدﻓﯽ اﺳﺖ ﮐﻪ رﻓﺘﺎر ﺁن ﺑﺴﺘﻪ ﺑﻪ ﻣﻘﺪار دهﯽ اوﻟﻴﻪ اﺳﺖ .اﮔﺮ 1 ﻓﺮض ﮐﻨﻴﻢ ﺑﻪ ﻋﻨﻮان اﻳﻨﮑﻪ ﻧﺸﺎن دهﺪ ﺁﻳﺎ vاز ﻣﺤﺼﻮﻟﯽ ﮐﻪ ﻣﺎ ﺗﺒﻠﻴﻎ ﺁن را ﻣﯽﮐﻨﻴﻢ اﺳﺘﻔﺎدﻩ ﻣﯽﮐﻨﺪ ﻳﺎ ﺧﻴﺮ ،ﺁﻧﮕﺎﻩ ﻣﻘﺪار ﻃﺒﻴﻌﯽاﯼ ﮐﻪ ﻣﺎ ﺑﻪ دﻧﺒﺎل ﺁن هﺴﺘﻴﻢ ﺗﻌﺪاد رﺋﻮس ﻣﻮرد اﻧﺘﻈﺎرﯼ اﺳﺖ ﮐﻪ در راﺑﻄﻪ 1 در هﺮ زﻣﺎن tﺻﺪق ﻣﯽﮐﻨﻨﺪ .ﺁﻧﭽﻪ در ﻧﮕﺎﻩ اول ﺑﺮاﯼ ﺣﺪاﮐﺜﺮ ﮐﺮدن ﺗﻌﺪاد ﭼﻨﻴﻦ رﺋﻮﺳﯽ ﺑﻪ ﻧﻈﺮ ﻣﯽرﺳﺪ اﻳﻦ اﺳﺖ ﮐﻪ از ﻳﮏ ﻣﻘﺪار اوﻟﻴﻪ vﺑﺮاﯼ ﺁن راﺑﻄﻪ 1 ﺷﺮوع ﮐﻨﻴﻢ ﮐﻪ ﺑﻪ ازاﯼ هﺮ را داﺷﺘﻪ ﺑﺎﺷﻴﻢ .هﺮﭼﻨﺪ در دﻧﻴﺎﯼ 34 واﻗﻌﯽ ﻣﻤﮑﻦ اﺳﺖ ﻧﺘﻮاﻧﻴﻢ از ﭼﻨﻴﻦ ﻣﻘﺎدﻳﺮ اوﻟﻴﻪاﯼ ﺷﺮوع ﮐﻨﻴﻢ ﺑﺮاﯼ ﻣﻘﺪار 1 ﺑﻪ دﻟﻴﻞ وﺟﻮد هﺰﻳﻨﻪ ﺑﺮاﯼ اﻳﻦ ﮐﺎر .ﺑﺮاﯼ ﻣﺜﺎل، و ﺑﻮدﺟﻪ ﻣﺤﺪود B ﻣﯽﺗﻮاﻧﺪ هﺰﻳﻨﻪ ﻣﺘﻘﺎﻋﺪ ﮐﺮدن ﻳﮏ وبﺳﺎﻳﺖ ﺟﻬﺖ اﺳﺘﻔﺎدﻩ از ﻳﮏ ﺑﺮﻧﺎﻣﻪ ﺧﺎص ﺑﺎﺷﺪ ﮐﻪ ﻣﺎ ﻣﯽﺧﻮاهﻴﻢ ﺳﺎﻳﺖهﺎﯼ دﻳﮕﺮ ﻧﻴﺰ از ﺁن اﺳﺘﻔﺎدﻩ ﮐﻨﻨﺪ .ﺣﺎل ﺑﺎزﻣﯽﮔﺮدﻳﻢ ﺑﻪ ﻣﺴﺌﻠﻪ ﻣﻄﺮح ﺷﺪﻩ ﺗﻮﺳﻂ دوﻣﻴﻨﮕﻮس و رﻳﭽﺎردﺳﻮن Error! Reference ،sourcenotfound.ﮐﻪ ﺣﻞ ﻣﺴﺌﻠﻪ ﺣﺪاﮐﺜﺮ ﺳﺎزﯼ ﮔﺴﺘﺮش اﺳﺖ. ﻣﺴﺌﻠﻪ ﺣﺪاﮐﺜﺮﺳﺎزﯼ ﮔﺴﺘﺮش ﻣﺠﻤﻮﻋﻪ را در ﻣﺪل راﯼدهﻨﺪﻩ ﺑﻪ ﺻﻮرت زﻳﺮ ﺗﻌﺮﻳﻒ ﻣﯽﮐﻨﻴﻢ. ﺗﻌﺮﻳﻒ .11ﻣﺴﺎﻟﻪ ﺣﺪاﮐﺜﺮﺳﺎزﯼ ﮔﺴﺘﺮش :ﮔﺮاف Gﻧﺸﺎندهﻨﺪﻩ ﺷﺒﮑﻪ اﺟﺘﻤﺎﻋﯽ اﺳﺖ و ﺑﺮاﯼ 1 اﺳﺖ و Bﺑﻮدﺟﻪ و tزﻣﺎن هﺪف اﺳﺖ .ﻣﺴﺎﻟﻪ ﺣﺪاﮐﺜﺮﺳﺎزﯼ اﻣﻴﺪ ∈̅ ﺑﺮدارﯼ از هﺰﻳﻨﻪهﺎ اﺳﺖ ﮐﻪ هﺰﻳﻨﻪ را ﮔﺴﺘﺮش رﻳﺎﺿﯽ : ﻣﺴﺎﻟﻪ ∈ ∑ ﻳﺎﻓﺘﻦ را ﺑﺎ → 0,1 ﺗﻮﺟﻪ ﺑﻪ ∶ هﺎﻳﯽ ﻣﺤﺪودﻳﺖ اﺳﺖ ﮐﻪ ﺑﻮدﺟﻪﯼ ∑ ،را ﺣﺪاﮐﺜﺮ ﮐﻨﺪ .ﺣﺎل ﻣﯽﺗﻮاﻧﻴﻢ ﺑﻪ ﺳﺮاغ ﺣﻞ ﻣﺴﺎﻟﻪ ﺑﺮوﻳﻢ. در ﻣﺪل راﯼدهﻨﺪﻩ اﺣﺘﻤﺎل اﻳﻨﮑﻪ راس ،vﻧﻈﺮ هﻤﺴﺎﻳﻪﯼ uاش را ﺑﭙﺬﻳﺮد ﺑﺮاﺑﺮ اﺣﺘﻤﺎل اﺳﺖ ﮐﻪ اﻳﻦ ﻋﺪد ﻣﻌﺎدل ﻳﮏ ﻗﺪمزدن ﺗﺼﺎدﻓﯽ ﺑﻪ ﻃﻮل 1اﺳﺖ ﮐﻪ از vﺷﺮوع و ﺑﻪ uﺧﺘﻢ ﻣﯽﮔﺮدد .اﮔﺮ ﺑﺨﻮاهﻴﻢ اﻳﻦ ﻣﺸﺎهﺪﻩ را ﺑﻪ ﺻﻮرت ﻋﻤﻮﻣﯽ ﺑﻴﺎن ﮐﻨﻴﻢ در ﻗﺪمهﺎﯼ ﺑﻴﺸﺘﺮ ،ﻣﯽﺗﻮاﻧﻴﻢ ﺑﺎ اﺳﺘﻘﺮا ﺑﺮ روﯼ tاﻳﻦ ﮐﺎر را اﻧﺠﺎم دهﻴﻢ. ﻗﻀﻴﻪ .6اﮔﺮ ﻓﺮض ﮐﻨﻴﺪ ﮐﻪ , pﻧﺸﺎندهﻨﺪﻩ اﺣﺘﻤﺎ اﻳﻦ ﺑﺎﺷﺪ ﮐﻪ ﻗﺪم زدن ﺗﺼﺎدﻓﯽ ﺑﻪ ﻃﻮل tﺑﺎ ﺷﺮوع از uو ﺑﻪ vﺧﺘﻢ ﺷﻮد، 35 ﺁﻧﮕﺎﻩ اﺣﺘﻤﺎل اﻳﻦ ﮐﻪ ﭘﺲ از tﻣﺮﺣﻠﻪ اﺟﺮاﯼ ﻣﺪل ،راس uﻧﻈﺮ راس vدر زﻣﺎن t 0را ﺑﭙﺬﻳﺮد ﺑﺮاﺑﺮ ﺑﺎ , pﺧﻮاهﺪ ﺑﻮد. ﺑﺮهﺎن :هﻤﺎﻧﻄﻮر ﮐﻪ در ﺑﺎﻻ ﺑﻴﺎن ﺷﺪ ﺑﻪ راﺣﺘﯽ ﺗﻮﺳﻂ اﺳﺘﻘﺮا اﺛﺒﺎت ﻣﯽﺷﻮد. از ﻗﻀﻴﻪ ﺑﺎﻻ ﻧﺘﻴﺠﻪ ﻓﺮﻋﯽ زﻳﺮ ﻧﻴﺰ ﻧﺘﻴﺠﻪ ﻣﯽﺷﻮد: اﮔﺮ ﻣﺠﻤﻮﻋﻪ Sرا ﺑﻪ ﺻﻮرت 1 1 : ﺑﺎﺷﺪ ،اﺣﺘﻤﺎل ﺁﻧﮑﻪ ﺑﺎﺷﺪ اﺣﺘﻤﺎل ﻗﺪم زدن ﺗﺼﺎدﻓﯽ ﺑﻪ ﻃﻮل tﮐﻪ از vﺷﺮوع ﺷﻮد و ﺑﻪ ﻳﮑﯽ از اﻋﻀﺎﯼ Sﺧﺘﻢ ﺷﻮد اﺳﺖ. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺁﻧﭽﻪ ﺑﻴﺎن ﺷﺪ ﻣﯽﺗﻮاﻧﻴﻢ اﻟﮕﻮرﻳﺘﻤﯽ ﺳﺎدﻩ ﺑﺮاﯼ ﺣﻞ ﻣﺴﺎﻟﻪ اراﺋﻪ دهﻴﻢ .ﻣﺴﺎﻟﻪ در دوﺣﺎﻟﺖ ﮐﻮﺗﺎﻩ ﻣﺪت و ﺑﻠﻨﺪ ﻣﺪت ﻣﻄﺮح ﻣﯽﺷﻮد ،در اداﻣﻪ ﺑﻴﺸﺘﺮ ﺑﻪ اﻳﻦ ﻣﻮﺿﻮع ﻣﯽﭘﺮدازﻳﻢ. ﺣﺎﻟﺖ ﮐﻮﺗﺎﻩ ﻣﺪت ﻣﺎ ﺣﺎل ﻣﺴﺎﻟﻪ را ﺑﺎ ﻧﺸﺎندادن ﺁن در ﺣﺎﻟﺖ ﮐﻮﺗﺎﻩ ﻣﺪت ﺷﺮوع ﻣﯽﮐﻨﻴﻢ ﮐﻪ زﻣﺎﻧﯽ اﺳﺖ ﮐﻪ tﻳﮏ ﭼﻨﺪ ﺟﻤﻠﻪاﯼ)هﺮ ﭼﻨﺪ ﺟﻤﻠﻪاﯼ( در nاﺳﺖ .ﺑﺎﻳﺪ اذﻋﺎن ﮐﻨﻴﻢ ﮐﻪ ﻣﻄﺎﻟﻌﻪ ﻣﺴﺎﻟﻪ ﺣﺪاﮐﺜﺮﺳﺎزﯼ ﮔﺴﺘﺮش ﺑﺮاﯼ دورﻩ ﮐﻮﺗﺎﻩ زﻣﺎﻧﯽ ﺑﺮاﯼ ﻣﺮاﺣﻞ اوﻟﻴﻪ ﻣﻌﺮﻓﯽ ﻓﻨﺎورﯼ ﺟﺪﻳﺪ ﺑﻪ ﺑﺎزار ﺑﺴﻴﺎر ﺗﻌﻴﻴﻦﮐﻨﻨﺪﻩ اﺳﺖ. در اﻳﻨﺠﺎ Mﻣﺎﺗﺮﻳﺲ اﻧﺘﻘﺎل ﻧﺮﻣﺎلﺷﺪﻩ ﺑﺮاﯼ ﮔﺮاف Gاﺳﺖ ) ﻣﺜﻼ ﺑﺮاﯼ دو راس زﻳﺮﻣﺠﻤﻮﻋﻪﯼ u , v ، ⊆ 1, … , داﺷﺘﻪ ﺑﺎﺷﻴﻢ : , ﺑﺮاﯼ 1ﻧﺸﺎندهﻨﺪﻩﯼ ﺑﺮدار 0/1در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ ﮐﻪ iاﻣﻴﻦ ﻋﻨﺼﺮش 1اﺳﺖ اﮔﺮ و ﺗﻨﻬﺎ اﮔﺮ ∈ ﺑﺎﺷﺪ. 36 ﻟﻢ .1ﺑﺮاﯼ هﺮ ﮔﺮاف Gﮐﻪ ﻣﺎﺗﺮﻳﺲ اﻧﺘﻘﺎلاش Mﺑﺎﺷﺪ ،ﻣﺴﺎﻟﻪ ﺑﻴﺸﻴﻨﻪ ﻧﻤﻮدن ﮔﺴﺘﺮش اﺛﺮﮔﺬارﯼ در ﺷﺒﮑﻪﯼ اﺟﺘﻤﺎﻋﯽ ﺑﺎ ﻣﺠﻤﻮﻋﻪ ﻓﻌﺎل اوﻟﻴﻪ Sﻣﻌﺎدل اﺳﺖ ﺑﺎ ﺑﻴﺸﻴﻨﻪ ﻧﻤﻮدن ﮔﺮﻓﺘﻦ ﻣﺤﺪودﻳﺖ ∈ 1ﺑﺎ در ﻧﻈﺮ ∑. ﺑﺮهﺎن .ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺁﻧﭽﻪ ﺑﻴﺎن ﺷﺪ ﮐﻪ , ﻧﺸﺎندهﻨﺪﻩﯼ اﺣﺘﻤﺎل ﺁن اﺳﺖ ﮐﻪ ﻳﮏ ﻗﺪم زدن ﺗﺼﺎدﻓﯽ ﺑﺎ ﺷﺮوع از uو tﻗﺪم در ﻧﻬﺎﻳﺖ ﺑﻪ vﺑﺮﺳﺪ ﮐﻪ هﺴﺘﻨﺪ. ∈ ﺣﺎل ∑ ﻣﺴﺎﻟﻪ u,v ﺑﻴﺸﻴﻨﻪ دوﺗﺎﻳﯽ ﻋﻨﺎﺻﺮ ﻋﻀﻮ ﻣﺎﺗﺮﻳﺲ ﮔﺴﺘﺮش ﮐﺮدن ﺑﺎ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ﻣﺤﺪودﻳ ﺖ اﺛﺮﮔﺬارﯼ ∈ ﻣﻌﺎدل ∑ ﺧﻮاهﺪ ﺑﻮد. ﺣﺎل ﺧﻮاهﻴﻢ داﺷﺖ: در ﻧﺘﻴﺠﻪ ،اﮔﺮ 1 ﺑﺮاﯼ هﺮ ∈ ﺧﻮاهﻴﻢ داﺷﺖ: ﺑﻨﺎﺑﺮاﻳﻦ: ﻧﺘﻴﺠﻪ اﻳﻦ ﻣﯽﺷﻮد ﮐﻪ ﻣﺠﻤﻮﻋﻪ ﺑﻬﻴﻨﻪ Sدر واﻗﻊ هﻤﺎن ﺑﻴﺸﻴﻨﻪ ﮐﺮدن 1ﺑﺎ اﻋﻤﺎل ﻣﺤﺪودﻳﺖ ∈ ∑ﺧﻮاهﺪ ﺑﻮد. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ رواﺑﻂ ﺑﻴﺎن ﺷﺪﻩ ﻣﯽﺗﻮان ﻗﻀﺎﻳﺎﯼ دﻳﮕﺮﯼ ﮐﻪ ﺣﻞ ﻣﺴﺎﻟﻪ ﺑﻴﺸﻴﻨﻪ ﻧﻤﻮدن ﮔﺴﺘﺮش را روﺷﻨﺘﺮ ﻣﯽﺳﺎزد ﺑﻴﺎن ﮐﺮد. 37 ﻗﻀﻴﻪ .7اﮔﺮ ﺑﺮدار هﺰﻳﻨﻪ cﻳﮑﻨﻮاﺧﺖ ﺑﺎﺷﺪ ﮐﻪ ﺑﻪ اﻳﻦ ﻣﻌﻨﯽ اﺳﺖ ﮐﻪ اﮔﺮ ﺑﺮاﯼ هﻤﻪ vهﺎ داﺷﺘﻪ ﺑﺎﺷﻴﻢ ،cﺁﻧﮕﺎﻩ ﻣﺴﺎﻟﻪ c ﺑﻴﺸﻴﻨﻪ ﻧﻤﻮدن ﮔﺴﺘﺮش اﺛﺮﮔﺬارﯼ ﺑﺮاﯼ هﺮ زﻣﺎن ﭼﻨﺪﺟﻤﻠﻪاﯼ tدر poly n زﻣﺎن ﭼﻨﺪ ﺟﻤﻠﻪاﯼ tﻗﺎﺑﻞ ﺣﻞ ﺧﻮاهﺪ ﺑﻮد. ﺑﺮهﺎن .اﺑﺘﺪا ﺑﻪ ﻳﺎد داﺷﺘﻪ ﺑﺎﺷﻴﻢ ﮐﻪ ﻋﻨﺎﺻﺮ ﺑﻪ راﺣﺘﯽ در زﻣﺎن ﻣﺤﺎﺳﺒﻪ ﮐﺮد .از ﻃﺮﻓﯽ ﺑﻪ ازاﯼ هﺮ tﺑﺮاﯼ ﻣﺤﺎﺳﺒﻪ ﺑﺎﻻ، ﻣﯽ ﻣﺤﺪودﻳﺖ ∈ log ﻧﻴﺎز ﺑﻪ اﻧﺠﺎم 1 دارﻳﻢ .ﺑﺮاﯼ هﺮ راس vدارﻳﻢ داﻧﻴﻢ را ﻣﯽﺗﻮان ﮐﻪ ﻣﻌﺎدل ﻣﺴﺎﻟﻪ ﺿﺮب ﻣﺎﺗﺮﻳﺴﯽ .ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻟﻢ ﺑﻴﺸﻴﻨﻪ ∑اﺳﺖ .از ﺁﻧﺠﺎﻳﯽ ﮐﻪ ∈ 1ﺑﺎ ﻧﻤﻮدن ∑ 1و هﺰﻳﻨﻪ ﻓﻌﺎلﺳﺎزﯼ اوﻟﻴﻪ ﺗﻤﺎم رﺋﻮس ﺑﺮاﺑﺮ اﺳﺖ ،اﻧﮕﺎﻩ ﺑﺮاﯼ هﺮ ﺑﻮدﺟﻪ / Bﻣﺠﻤﻮﻋﻪ ﺑﻬﻴﻨﻪ اوﻟﻴﻦ راس ﺧﻮاهﺪ ﺑﻮد ﮐﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﺮﺗﺐ ﺷﺪﻩاﻧﺪ. ﺗﻌﺮﻳﻒ.12 :FPTAS FPTAS ﮐﻮﺗﺎﻩ Fully Polynomial Time ﺷﺪﻩ Approximation Schemeاﺳﺖ ﮐﻪ اﻟﮕﻮرﻳﺘﻤﯽ اﺳﺖ ﮐﻪ ﺑﺮاﯼ هﺮ ϵراﻩ ϵ ﺣﻞ ﺑﻬﻴﻨﻪ را ﺗﺎ ﺣﺪاﮐﺜﺮ ﺧﻄﺎﯼ 1 در زﻣﺎن ﭼﻨﺪﺟﻤﻠﻪاﯼ ﺗﺨﻤﻴﻦ ﻣﯽزﻧﺪ. ﻗﻀﻴﻪ .8ﻳﮏ FPTASﺑﺮاﯼ ﻣﺴﺎﻟﻪ ﺑﻴﺸﻴﻨﻪ ﮐﺮدن ﮔﺴﺘﺮش اﺛﺮﮔﺬارﯼ، اﺳﺖ ،وﺟﻮد دارد. ﺑﻪ ازاﯼ هﺮ ﺑﺮهﺎن .دوﺑﺎرﻩ ﺑﺮاﯼ هﺮ راس vﺑﻴﺎن ﻣﯽﮐﻨﻴﻢ ﮐﻪ هﺪف ﻣﺎ ﺑﻴﺸﻴﻨﻪ ﮐﺮدن ∈ ∑ 1ﺑﺎ ﺗﻮﺟﻪ 1 ﺑﻪ . ﻣﺤﺪودﻳﺖ ∈ ∑اﺳﺖ .ﺗﻮﺟﻪ ﻣﯽﮐﻨﻴﻢ ﮐﻪ اﻳﻦ ﻣﺴﺎﻟﻪ ﻧﻤﻮﻧﻪاﯼ از ﻣﺴﺎﻟﻪ Knapsack FPTAS اﺳﺖ و ﺑﻨﺎﺑﺮاﻳﻦ ﻣﯽﺗﻮاﻧﻴﻢ از زﻣﺎن ﺧﻄﯽ 38 اﻟﮕﻮرﻳﺘﻢ Error! Reference source not found. Knapsackﺑﺮاﯼ ﺑﻪ دﺳﺖ ﺁوردن ﻳﮏ FPTASﺑﺮاﯼ ﻣﺴﺎﻟﻪ ﺑﻴﺸﻴﻨﻪ ﻧﻤﻮدن ﮔﺴﺘﺮش اﺛﺮﮔﺬارﯼ، اﺳﺘﻔﺎدﻩ ﮐﺮد. ﻓﺮاﻣﻮش ﻧﮑﻨﻴﻢ ﮐﻪ در ﺣﺎﻟﺖ ﮐﻠﯽ ﻧﺒﺎﻳﺪ اﻧﺘﻈﺎر داﺷﺘﻪ ﺑﺎﺷﻴﻢ ﮐﻪ ﺑﺘﻮاﻧﻴﻢ ﻣﺴﺎﻟﻪ ﺑﻴﺸﻴﻨﻪ ﮐﺮدن ﮔﺴﺘﺮش اﺛﺮﮔﺬارﯼ را دﻗﻴﻘﺎ ﺣﻞ ﮐﻨﻴﻢ ﺑﻪ اﻳﻦ دﻟﻴﻞ ﮐﻪ زﻣﺎﻧﯽ ﮐﻪ t 0ﻣﺴﺎﻟﻪ ﻣﺸﺎﺑﻪ ﻣﺴﺎﻟﻪ Knapsackاﺳﺖ ﮐﻪ ﺁن ﻣﺴﺎﻟﻪ NP‐hardاﺳﺖ. ﺣﺎﻟﺖ ﺑﻠﻨﺪ ﻣﺪت در ﻗﺴﻤﺖ ﻗﺒﻞ را ﻣﺴﺎﻟﻪ ﺣﺎﻟﺘﯽ در در ﻧﻈﺮ ﮔﺮﻓﺘﻴﻢ ﮐﻪ t ﭼﻨﺪﺟﻤﻠﻪاﯼ از درﺟﻪ nاﺳﺖ .ﺣﺎل اﻳﻦ ﻣﻮرد را ﺑﺮاﯼ tهﺎﯼ ﺑﺰرگ ﺑﺎﺷﺪ .ﺑﻪ ﻳﺎد دارﻳﻢ در ﻧﻈﺮ ﻣﯽﮔﻴﺮﻳﻢ ،ﺑﻪ اﻳﻦ ﻣﻌﻨﯽ ﮐﻪ ﮐﻪ ﺑﺮاﯼ هﺮ ﮔﺮاف Gﺑﺎ ﺣﻠﻘﻪ ،ﻗﺪمزدن ﺗﺼﺎدﻓﯽ ﮐﻪ از هﺮ راس v ﻗﺪم ﺑﻪ ﺣﺎﻟﺖ ﺗﻮزﻳﻊ ﺛﺎﺑﺘﯽ هﻤﮕﺮا ﺷﺮوع ﺷﻮد ﭘﺲ از ﺣﺪود | ﻣﯽﺷﻮد .ﺑﻪﻋﻼوﻩ اﮔﺮ ﻣﺎ ﻣﻘﺪار | ﺗﻌﺮﻳﻒ ﮐﻨﻴﻢ ﺁﻧﮕﺎﻩ ﻳﮏ ﺣﺎﻟﺖ ﺧﺎص ﺗﻮزﻳﻊ ﺛﺎﺑﺖ زﻣﺎﻧﯽ اﺳﺖ ﮐﻪ اﺣﺘﻤﺎل اﻳﻨﮑﻪ راس u ﺑﺎﺷﺪ ﺑﺮاﺑﺮ ﺁﻧﮕﺎﻩ | |/2 | |/2 اﺳﺖ .ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ ،اﮔﺮ 1 1 , ≫ ﺑﺎﺷﺪ ﺧﻮاهﺪ ﺑﻮد. ﻗﻀﻴﻪ .9در زﻣﺎن ﺧﻄﯽ ﻳﮏ FPTASﺑﺮاﯼ ﻣﺴﺎﻟﻪ ﺑﻴﺸﻴﻨﻪ ﮐﺮدن ﮔﺴﺘﺮش اﺛﺮﮔﺬارﯼ ،زﻣﺎﻧﯽ ﮐﻪ ﺑﺮهﺎن .اﮔﺮ ﻣﻄﺮح ﺷﺪ ﻣﺎ ﻋﻨﺎﺻﺮ اﺳﺖ ،وﺟﻮد دارد. ﺁﻧﮕﺎﻩ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺁﻧﭽﻪ در ﻗﻀﺎﻳﺎﯼ ﺑﺎﻻ را ﺑﺪون ﻣﺤﺎﺳﺒﻪ ﮐﺎﻣﻞ در هﺮ ﻋﻨﺼﺮ ﻣﻀﺮﺑﯽ از ﻣﯽداﻧﻴﻢ .ﺧﻄﺎ 1ﻣﻘﺪار واﻗﻌﯽ اﺳﺖ .ﺑﻨﺎﺑﺮاﻳﻦ 39 ﻣﯽﺗﻮاﻧﻴﻢ از زﻣﺎن ﺧﻄﯽ FPTASﮐﻪ در Knapsackدر ﻗﻀﻴﻪ دوماش ﻣﻄﺮح ﺷﺪﻩ ،اﺳﺘﻔﺎدﻩ ﮐﻨﻴﻢ. ﻳﮏ ﺣﺎﻟﺖ ﺧﺎص از ﻗﻀﻴﻪ ﺑﺎﻻ زﻣﺎﻧﯽ اﺳﺖ ﮐﻪ ﺗﻤﺎﻣﯽ راسهﺎ داراﯼ هﺰﻳﻨﻪ ﺛﺎﺑﺖ cﺑﺎﺷﻨﺪ .ﻣﺸﺎهﺪﻩ ﻣﯽﺷﻮد ﮐﻪ در اﻳﻦ ﺣﺎﻟﺖ راﻩﺣﻞ ﺑﻬﻴﻨﻪ زﻣﺎﻧﯽ اﺳﺖ ﮐﻪ ﺑﻪ ﺳﺎدﮔﯽ / ﻳﺎلهﺎﯼ Gرا ﺑﺎ ﺑﺎﻻﺗﺮﻳﻦ درﺟﻪ اﻧﺘﺨﺎب ﮐﻨﻴﻢ .اﻳﻦ ﻣﻮرد ﻳﮏ ﺗﻮﺟﻴﻪ رﺳﻤﯽ ﺑﻪ دﻳﺪﮔﺎﻩ ذهﻨﯽ اﻧﺘﺨﺎب رﺋﻮس ﺑﺎ ﺑﺎﻻﺗﺮﻳﻦ ﺁﺷﻨﺎﻳﯽ ﻣﯽدهﺪ. log اﻳﻨﮑﻪ ﻣﺪل راﯼدهﻨﺪﻩ در زﻣﺎن ﺑﻪ اﺣﺘﻤﺎل ﺑﺎﻻﻳﯽ ﺑﻪ اﺟﻤﺎع ﻣﯽرﺳﺪ)ﺑﻪ اﺟﻤﺎع رﺳﻴﺪن ﺑﻪ ﻣﻌﻨﯽ هﻤﺪﻳﮕﺮ را ﻣﻼﻗﺎت ﮐﺮدن اﺳﺖ( ﮐﻪ زﻣﺎﻧﯽ اﺳﺖ ﮐﻪ ﺑﻪ ﺻﻮرت 1 log .ﻗﻀﻴﻪ زﻳﺮ ﺑﻪ ﺟﻬﺖ ﺗﮑﻤﻴﻞ اﻳﻦ ﺑﺨﺶ اﺳﺖ. ﻗﻀﻴﻪ .10ﺑﺎ اﺣﺘﻤﺎل 1 ،1ﻣﺪل راﯼدهﻨﺪﻩ ﭘﺲ از ﻗﺪم ﺑﻪ اﺟﻤﺎع ﻣﯽرﺳﺪ. ﺑﺮهﺎن .ﺑﻪ ﻳﺎد دارﻳﻢ ﮐﻪ ﻧﻈﺮ راس vدر زﻣﺎن tﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻗﺪمزدن ﺗﺼﺎدﻓﯽاﯼ اﺳﺖ ﮐﻪ از vﺑﺎ ﻃﻮل tﺷﺮوع ﻣﯽﺷﻮد .ﺣﺎل ﺑﺮاﯼ هﺮ دو زوج راس ) u,vﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺁﻧﭽﻪ در ﮐﺘﺎب Error! Reference source not found.ﺑﻴﺎن ﺷﺪﻩاﺳﺖ( ﺑﺎ اﺣﺘﻤﺎل 1دو ﻗﺪمزدن ﺗﺼﺎدﻓﯽ ﮐﻪ از uو vﺷﺮوع ﻣﯽﺷﻮﻧﺪ ﻳﮑﺪﻳﮕﺮ را ﺑﺎ اﺣﺘﻤﺎل 1ﭘﺲ از ﮐﻪ ﺑﺎ اﺣﺘﻤﺎل log ﻗﺪم ﻣﻼﻗﺎت ﻣﯽﮐﻨﻨﺪ .اﻳﻦ ﺑﺪان ﻣﻌﻨﯽ اﺳﺖ 1رﺋﻮس u,vداراﯼ ارزش ﺑﺮاﺑﺮﯼ ﺧﻮاهﻨﺪ ﺑﻮد .ﭘﺲ ﺑﺎ اﺳﺘﻔﺎدﻩ از اﺗﺤﺎد ﻣﻠﺘﺰم 20 ﻧﺘﻴﺠﻪ ﻣﯽﮔﻴﺮﻳﻢ ﮐﻪ ﭘﺲ Union Bound 20 40 log از 1 ﻗﺪم ﮐﻞ رﺋﻮس داراﯼ ﻣﻘﺪار ﻳﮑﺴﺎن ﺑﺎ اﺣﺘﻤﺎل 1هﺴﺘﻨﺪ. اﻳﻦ ﻗﻀﻴﻪ در ﺣﻘﻴﻘﺖ ﺑﻴﺎن ﻣﯽﮐﻨﺪ ﮐﻪ زﻣﺎﻧﯽ ﮐﻪ log اﺳﺖ ﺗﻤﺎﻣﯽ رﺋﻮس ﻳﺎ هﻤﻪ ﻣﻘﺪار 1دارﻧﺪ ﻳﺎ هﻴﭻ ﮐﺪام ﻧﺪارﻧﺪ. ﺑﺮرﺳﯽ ﻣﺪلهﺎﯼ ﭘﻴﺶروﻧﺪﻩ و ﻏﻴﺮ ﭘﻴﺶروﻧﺪﻩ ﺗﺎ ﺑﻪ ﺣﺎل ﺑﻪ ﺑﺮرﺳﯽ ﻣﺴﺎﻟﻪهﺎﻳﯽ ﭘﺮداﺧﺘﻴﻢ ﮐﻪ ﺣﺎﻟﺖ ﭘﻴﺶروﻧﺪﻩ داﺷﺘﻪاﻧﺪ ،ﺑﻪ ﻣﺪلهﺎﻳﯽ ﮐﻪ در ﺁن اﻣﮑﺎن ﻏﻴﺮﻓﻌﺎل ﺷﺪن اﻓﺮاد ﭘﺲ از ﻓﻌﺎل ﺷﺪنﺷﺎن وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ، ﻏﻴﺮ ﭘﻴﺶروﻧﺪ ﻩ 21 ﻣﯽﮔﻮﻳﻴﻢ و اﮔﺮ اﻣﮑﺎن ﻏﻴﺮ ﻓﻌﺎلﺷﺪن وﺟﻮد ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ ﺑﻪ ﺁن ﻣﺪل ﭘﻴﺶروﻧﺪ ﻩ 22 ﻣﯽﮔﻮﻳﻴﻢ .ﻧﮑﺘﻪاﯼ ﮐﻪ در ﻣﻮرد ﻣﺪل هﺎﯼ ﻏﻴﺮ ﭘﻴﺶروﻧﺪﻩ وﺟﻮد دارد اﻳﻦ اﺳﺖ ﮐﻪ ﻣﻤﮑﻦ اﺳﺖ ﺑﻪ دﻟﻴﻞ اﻳﻨﮑﻪ اﻓﺮاد ﻏﻴﺮﻓﻌﺎل ﻣﯽﺷﻮﻧﺪ ﺑﻪ ﺣﺎﻟﺖ ﺗﻌﺎدل ﻧﺮﺳﻨﺪ.اﻳﻦ ﻣﺪلهﺎ در اﻧﺘﻬﺎﯼ ﻣﻘﺎﻟﻪ Error!Referencesourcenotfound.ﻣﻄﺮح ﺷﺪﻩ اﺳﺖ. ﻣﺪل ﺣﺪﺁﺳﺘﺎﻧﻪ ﻏﻴﺮ ﭘﻴﺶروﻧﺪﻩ ﻣﺎﻧﻨﺪ ﭘﻴﺶروﻧﺪﻩ اﺳﺖ ،ﺑﻪ ﺟﺰ اﻳﻨﮑﻪ در هﺮ ﻗﺪم ،tهﺮ راس vﻳﮏ ﻣﻘﺪار ﺟﺪﻳﺪ ﻳﮑﻨﻮاﺧﺖ و ﺗﺼﺎدﻓﯽ در ﺑﺎزﻩ 0,1 ﺑﻪ ﺻﻮرت ﺑﻪ ﺧﻮد ﻣﯽﮔﻴﺮد .راس vدر ﻗﺪم tدر ﺻﻮرﺗﯽ ﻓﻌﺎل ﻣﯽﺷﻮد ﮐﻪ ﺷﻮد ،ﮐﻪ Sﻣﺠﻤﻮﻋﻪ هﻤﺴﺎﻳﮕﺎﻧﯽ از vاﺳﺖ ﮐﻪ در ﻗﺪم t‐1ﻓﻌﺎل ﺷﺪﻩاﻧﺪ. از ﻣﻨﻈﺮ ﺑﻴﺸﻴﻨﻪ ﮐﺮدن اﺛﺮﮔﺬارﯼ، ﻣﯽﺗﻮاﻧﻴﻢ ﺳﻮاﻻﺗﯽ ﻣﻄﺮح ﮐﻨﻴﻢ .ﻓﺮض ﮐﻨﻴﺪ ﮐﻪ ﻣﺪﻟﯽ ﻏﻴﺮ ﭘﻴﺶروﻧﺪﻩ دارﻳﻢ ﮐﻪ ﻗﺮار اﺳﺖ ﺑﺮاﯼ ﻗﺪم اﺟﺮا ﺷﻮد ،و در ﺣﻴﻦ اﺟﺮاﯼ ﺁن ،اﺟﺎزﻩ دارﻳﻢ ﮐﻪ k Non Progressive Progressive 21 22 41 دﺧﺎﻟ ﺖ 23 را اﻧﺠﺎم دهﻴﻢ .ﺑﻪ اﻳﻦ ﺻﻮرت ﮐﻪ در ﻳﮏ زﻣﺎن ، ﻣﯽﺗﻮاﻧﻴﻢ vرا ﺑﺮاﯼ ﻓﻌﺎلﺳﺎزﯼ در زﻣﺎن tهﺪف ﻗﺮار دهﻴﻢv ) . ﻣﻤﮑﻦ اﺳﺖ ﺑﻪ ﺳﺮﻋﺖ ﻏﻴﺮ ﻓﻌﺎل ﺷﻮد وﻟﯽ اﻣﻴﺪوارﻳﻢ ﮐﻪ ﺑﺘﻮاﻧﻴﻢ ﻳﮏ اﺛﺮ ﻣﻮﺟﯽ 24 اﻳﺠﺎد ﮐﻨﻴﻢ (.ﭼﻪ kدﺧﺎﻟﺖهﺎﻳﯽ را ﺑﺎﻳﺪ اﻧﺠﺎم دهﻴﻢ؟ ﻣﺜﺎلهﺎﻳﯽ ﺳﺎدﻩ از ﭼﮕﻮﻧﮕﯽ ﺑﻴﺸﻴﻨﻪﮐﺮدن اﺛﺮﮔﺬارﯼ ﻧﺸﺎن ﻣﯽدهﺪ ﮐﻪ ﻟﺰوﻣﺎ ﻧﺒﺎﻳﺪ kدﺧﺎﻟﺖ را در زﻣﺎن 0اﻧﺠﺎم دهﻴﻢ، ﻣﺜﻼ ﻣﻤﮑﻦ اﺳﺖ Gهﻨﻮز kراس ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ. ﻓﺮض ﻣﯽﮐﻨﻴﻢ Aﻣﺠﻤﻮﻋﻪ kدﺧﺎﻟﺖ ﻣﺎ اﺳﺖ .اﺛﺮ اﻳﻦ kدﺧﺎﻟﺖ ﺑﺮاﺑﺮ ﺟﻤﻊ روﯼ ﮐﻞ رﺋﻮس vاﺳﺖ ﺑﻪ ﺗﻌﺪاد ﺑﺎرﯼ ﮐﻪ vﻓﻌﺎل اﺳﺖ. ﻣﺴﺎﻟﻪ ﺑﻴﺸﻴﻨﻪﻧﻤﻮدن اﺛﺮﮔﺬارﯼ در ﻣﺪل ﻏﻴﺮ ﭘﻴﺶروﻧﺪﻩ در ﺣﻘﻴﻘﺖ ﻳﺎﻓﺘﻦ kدﺧﺎﻟﺖ ﺑﺎ ﺑﻴﺸﺘﺮﻳﻦ اﺛﺮﮔﺬارﯼ اﺳﺖ. ﻣﯽﺗﻮاﻧﻴﻢ ﻧﺸﺎن دهﻴﻢ ﻣﺴﺎﻟﻪ ﮐﻪ ﺑﻴﺸﻨﻪﻧﻤﻮدن اﺛﺮﮔﺬارﯼ ﻏﻴﺮ ﭘﻴﺶروﻧﺪﻩ ﺑﻪ ﺣﺎﻟﺘﯽ ﭘﻴﺶروﻧﺪﻩ ﺑﺎ ﮔﺮاﻓﯽ ﻣﺘﻔﺎوت ﻗﺎﺑﻞ ﺗﻐﻴﻴﺮ اﺳﺖ .ﺑﺎ داﺷﺘﻦ ﮔﺮاف ﻻﻳﻪا ﯼ را روﯼ | | . , و زﻣﺎن ﻣﺤﺪود راس ﻣﯽﺳﺎزﻳﻢ .ﻳﮏ ﻧﺴﺨﻪ از راس vدر ﮔﺮاف Gوﺟﻮد دارد و در هﺮ ﻗﺪم زﻣﺎﻧﯽ ،ﻣﺎ ﮔﺮاف ﺑﺮاﯼ هﺮ .ﻣﺎ هﺮ راس اﻳﻦ ﮔﺮاف را ﺑﺎ هﻤﺴﺎﻳﮕﺎﻧﺶ در Gﮐﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻗﺪم زﻣﺎﻧﯽ ﻗﺒﻠﯽ ﻓﻬﺮﺳﺖ ﺷﺪﻩاﻧﺪ ﻣﺘﺼﻞ ﻣﯽﮐﻨﻴﻢ. ﻗﻀﻴﻪ .11ﻣﺴﺎﻟﻪ ﻏﻴﺮ ﭘﻴﺶروﻧﺪﻩ ﺑﻴﺸﻴﻨﻪ ﻧﻤﻮدن ﮔﺴﺘﺮش اﺛﺮﮔﺬارﯼ در اﻓﻖ زﻣﺎﻧﯽ ﻣﻌﺎدل ﻣﺴﺎﻟﻪ ﭘﻴﺶروﻧﺪﻩ ﺑﻴﺸﻴﻨﻪ ﻧﻤﻮدن ﮔﺴﺘﺮش اﺳﺖ .راس vدر روﻧﺪ ﻏﻴﺮ اﺛﺮﮔﺬارﯼ روﯼ ﮔﺮاف ﻻﻳﻪاﯼ K Intervention Ripple Effect 23 24 42 ﭘﻴﺶروﻧﺪﻩ در زﻣﺎن tﻓﻌﺎل اﺳﺖ اﮔﺮ و ﺗﻨﻬﺎ اﮔﺮ در روﻧﺪ ﭘﻴﺶروﻧﺪﻩ ﻓﻌﺎل ﺷﺪﻩ ﺑﺎﺷﺪ. ﺑﺮهﺎن .ﺑﺎﻳﺪ ﻳﮏ ﮐﺎهﺶ از ﮔﻮﻧﻪﯼ ﻏﻴﺮ ﭘﻴﺶروﻧﺪﻩﯼ ﻣﺴﺎﻟﻪ ﺑﻪ ﮔﻮﻧﻪﯼ ﭘﻴﺶروﻧﺪﻩﯼ ﺁن اﻧﺠﺎم دهﻴﻢ .ﻓﺮض ﮐﻨﻴﺪ ﮐﻪ ﻳﮏ ﻣﺴﺎﻟﻪﯼ ﺑﻬﻴﻨﻪﺳﺎزﯼ ﮔﺴﺘﺮش ﻣﺠﻤﻮﻋﻪ ﺷﺎﻣﻞ Gو راس vدر 1 ،G روﯼ ﻣﺠﻤﻮﻋﻪ G دادﻩ ﺷﺪﻩ ﺑﺎﺷﺪ. ﻳﮏ ﺗﮑﺮار ﺁن اﺳﺖ ) ,…, ( ﺑﻪ ﻃﻮرﯼ ﮐﻪ هﺮ ,…, در ﺗﮑﺮار ﺷﺪﻩ اﺳﺖ. ﺑﺎر ﺑﻪ ﺻﻮرت ﻣﺴﺎﻟﻪﯼ ﻏﻴﺮ ﭘﻴﺶروﻧﺪﻩ را ﻃﻮرﯼ ﻃﺮاﺣﯽ ﻣﯽﮐﻨﻴﻢ ﮐﻪ ﺗﺎﺛﻴﺮات ﻣﺮﺣﻠﻪاﯼ tام ﺣﺎﻟﺖ ﻏﻴﺮﭘﻴﺶروﻧﺪﻩ از ﻃﺮف زﻳﺮ ﻣﺠﻤﻮﻋﻪﯼ از روﯼ زﻳﺮﻣﺠﻤﻮﻋﻪ اﻋﻤﺎل ﺷﻮد .در اﻳﻦ ﺣﺎﻟﺖ واﺿﺢ اﺳﺖ ﮐﻪ در ﻣﺮﺣﻠﻪﯼ tﻓﺮد ∈ از ∈ ﻓﻌﺎل اﺳﺖ ،اﮔﺮ و ﻓﻘﻂ اﮔﺮ ﻓﻌﺎل ﺑﺎﺷﺪ. ﺗﻘﺮﻳﺐ و ﭘﻴﭽﻴﺪﮔﯽ ﻣﺴﺎﻟﻪ ﮔﺴﺘﺮش اﺛﺮﮔﺬارﯼ ﻗﻀﻴﻪ .12در ﺣﺎﻟﺖ ﮐﻠﯽ ﺑﻴﺸﻴﻨﻪ ﮐﺮدن ﮔﺴﺘﺮش اﺛﺮﮔﺬارﯼ ،ﺗﻘﺮﻳﺐ ﺳﺨﺖ 25 ﺑﺎ ﻓﺎﮐﺘﻮر اﺳﺖ . ﺑﺮاﯼ هﺮ0 ﺑﺮهﺎن .ﻣﯽﺗﻮاﻧﻴﻢ ﻣﺴﺎﻟﻪ ﺑﻪ ﻳﮏ ﻣﺴﺎﻟﻪ ﭘﻮﺷﺶ راﺳﯽ ﮐﺎهﺶ دهﻴﻢ. از ﻣﻮارد ﺑﻴﺎن ﺷﺪﻩ در اﺛﺒﺎت ﭘﻴﭽﻴﺪﮔﯽ ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ ﮐﻤﮏ …, ﻧﺸﺎندهﻨﺪﻩ راسهﺎﯼ ﻣﺘﻨﺎﻇﺮ ﺑﺎ n ﻋﻀﻮ ﺑﺎﺷﻨﺪ .ﺑﺮاﯼ ﻣﺜﺎل راس زﻣﺎﻧﯽ ﻓﻌﺎل ﻣﯽﺷﻮد ﮐﻪ ﺣﺪاﻗﻞ ﻣﯽﮔﻴﺮﻳﻢ .ﻓﺮض ﮐﻨﻴﺪ ﮐﻪ ﻳﮑﯽ از رﺋﻮس ﻣﺘﻨﺎﻇﺮ ﺑﺎ ﻣﺠﻤﻮﻋﻪﯼ درﺑﺮﮔﻴﺮﻧﺪﻩاش ﻓﻌﺎل ﺷﻮد. ﺳﭙﺲ ﺑﺮاﯼ ﻳﮏ ﻋﺪد ﺑﺰرگ ﺛﺎﺑﺖ دﻟﺨﻮاﻩ ، cﺗﻌﺪاد …, را اﺿﺎﻓﻪ ﻣﯽﮐﻨﻴﻢ ﮐﻪ در ﺁن هﺮ راس ﺑﻪ ﺗﻤﺎم رﺋﻮس NP‐hard 25 43 هﺎ ﻓﻌﺎل ﻣﺘﺼﻞ اﺳﺖ و ﺗﻨﻬﺎ زﻣﺎﻧﯽ ﻓﻌﺎل ﻣﯽﺷﻮد ﮐﻪ ﺗﻤﺎﻣﯽ ﺑﺎﺷﻨﺪ. ﺣﺎل اﮔﺮ ﺣﺪاﮐﺜﺮ kﻣﺠﻤﻮﻋﻪ ﺑﺎﺷﻨﺪ ﮐﻪ ﺗﻤﺎﻣﯽ رﺋﻮس را ﭘﻮﺷﺶ دهﻨﺪ ،ﻓﻌﺎل ﮐﺮدن اﻳﻦ kﻣﺠﻤﻮﻋﻪ ﺗﻤﺎﻣﯽ رﺋﻮس ﻧﻤﻮد و هﻤﻴﻦﻃﻮر ﺗﻤﺎﻣﯽ را ﻓﻌﺎل ﺧﻮاهﺪ هﺎ را و در ﻧﻬﺎﻳﺖ ﺣﺪاﻗﻞ راس ﻓﻌﺎل ﺧﻮاهﻨﺪ ﺑﻮد .ﺑﻪ ﻃﻮر ﻋﮑﺲ ﻓﺮض ﮐﻨﻴﺪ ﮐﻪ هﻴﭻ ﭘﻮﺷﺶ راﺳﯽ ﺑﺎ اﻧﺪازﻩ kﻣﻮﺟﻮد ﻧﺒﺎﺷﺪ ﺁﻧﮕﺎﻩ هﻴﭻ ﻣﺠﻤﻮﻋﻪاﯼ ﺗﻤﺎﻣﯽ هﺎ را ﻓﻌﺎل ﻧﺨﻮاهﺪ ﻧﻤﻮد و هﻴﭻ ﮐﺪام از هﺎ ﻓﻌﺎل ﻧﺨﻮاهﺪ ﺷﺪ ) ﻣﮕﺮ اﻳﻨﮑﻪ اﻧﺘﺨﺎب ﺷﻮﻧﺪ ( و در ﻧﻬﺎﻳﺖ ﮐﻤﺘﺮ از راس ﻓﻌﺎل ﺧﻮاهﻨﺪ ﺑﻮد. اﮔﺮ اﻟﮕﻮرﻳﺘﻤﯽ ﺑﺘﻮاﻧﺪ ﻣﺴﺎﻟﻪ را ﺑﺎ ﺗﻘﺮﻳﺐ ﺑﺮاﯼ هﺮ ﻧﻬﺎﻳﺖ از ﺗﻘﺮﻳﺐ ﺑﺰﻧﺪ ﺁﻧﮕﺎﻩ ﻣﯽﺗﻮاﻧﺪ ﺗﻤﺎﻳﺰ ﻗﺎﺋﻞ ﺷﻮد ﺑﻴﻦ زﻣﺎﻧﯽ ﮐﻪ در راس ﻓﻌﺎل هﺴﺘﻨﺪ و زﻣﺎﻧﯽ ﮐﻪ در ﻧﻬﺎﻳﺖ ﮐﻤﺘﺮ راس ﻓﻌﺎل هﺴﺘﻨﺪ .اﻣﺎ اﻳﻦ ﻣﯽﺗﻮاﻧﺪ ﻣﺴﺎﻟﻪ ﭘﻮﺷﺶ راﺳﯽ ﻣﺘﻨﺎﻇﺮش را ﺣﻞ ﻧﻤﺎﻳﺪ و اﻳﻦ ﻧﮑﺘﻪ ﻧﺸﺎندهﻨﺪﻩ اﻳﻦ ﺧﻮاهﺪ ﺑﻮد ﮐﻪ ﻓﺮض ﻏﻠﻂ ﺑﻮدﻩ اﺳﺖ. ﮐﺎوش ﻣﺮزهﺎﯼ ﺗﻘﺮﻳﺐ ﺗﺎ ﺑﻪ اﻳﻨﺠﺎ دو ﻣﺪل ﺣﺪﺁﺳﺘﺎﻧﻪ ﻋﻤﻮﻣﯽ و ﻣﺪل اﻧﺘﺸﺎر ﻣﺪلهﺎﻳﯽ ﺑﺴﻴﺎر ﮔﺴﺘﺮدﻩ هﺴﺘﻨﺪ و اﻳﻦ ﮔﺴﺘﺮﮔﯽ ﺑﺎﻋﺚ ﻣﯽﺷﻮد ﮐﻪ ﻧﺘﻮاﻧﻨﺪ ﺗﻘﺮﻳﺐ ﻣﻨﺎﺳﺒﯽ را در ﻋﻴﻦ ﻋﻤﻮﻣﻴﺖ ﺧﻮد ﺿﻤﺎﻧﺖ ﮐﻨﻨﺪ .از ﻃﺮف 44 دﻳﮕﺮ اﻟﮕﻮرﻳﺘﻢ ﺣﺮﻳﺼﺎﻧﻪ ﺿﻤﺎﻧﺖ ﺑﺴﻴﺎر ﻗﺪرﺗﻤﻨﺪﯼ ﺑﺮاﯼ ﺗﻌﺪادﯼ از ﻣﻮارد ﻣﻄﺎﻟﻌﻪ در ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ ﻧﺸﺎن دادﻩ اﺳﺖ .ﺣﺎل ﻣﯽﺗﻮاﻧﻴﻢ ﻣﺪﻟﯽ اراﺋﻪ دهﻴﻢ و اﻟﺒﺘﻪ هﺮ ﻧﻤﻮﻧﻪ از اﻳﻦ ﻣﺪل ﻳﮏ ﺗﺎﺑﻊ اﺛﺮﮔﺬارﯼ ﺳﺎﺑﻤﺎدوﻻر ﺧﻮاهﺪ داﺷﺖ.اﻳﻦ ﻣﺪل در ﻣﻘﺎﻟﻪ Error!Referencesourcenotfound.ﻣﻄﺮح ﺷﺪﻩ اﺳﺖ. ﻣﺪل رهﺎﺳﺎزﯼ . 26هﺮ راس vﺑﻪ ﻃﻮر ﻣﺴﺘﻘﻞ و ﺗﺼﺎدﻓﯽ ﻳﮏ ﻣﺠﻤﻮﻋﻪ رهﺎﺳﺎز ﯼ 27 را ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﻮزﻳﻌﯽ ﮐﻪ در هﻤﺴﺎﻳﮕﺎﻧﺶ وﺟﻮد دارد ،اﻧﺘﺨﺎب ﻣﯽﮐﻨﺪ .ﺑﺮاﯼ ﺷﺮوع ﻓﺮاﻳﻨﺪ ﻣﺎ ﻣﺠﻤﻮﻋﻪ Aرا ﺑﺮاﯼ ﻓﻌﺎل ﺳﺎزﯼ اوﻟﻴﻪ اﻧﺘﺨﺎب ﻣﯽﮐﻨﻴﻢ .ﺑﻌﺪ از ﺗﮑﺮار اول، راس vﻏﻴﺮﻓﻌﺎل در ﻗﺪم tﻓﻌﺎل ﻣﯽﺷﻮد ،در ﺻﻮرﺗﯽ ﮐﻪ هﻤﺴﺎﻳﻪاﯼ در ﻣﺠﻤﻮﻋﻪ رهﺎﺳﺎزﯼ اﻧﺘﺨﺎب ﺷﺪﻩاش ﮐﻪ در ﻗﺪم t‐1ﻓﻌﺎل ﺷﺪﻩ اﺳﺖ ،داﺷﺘﻪ ﺑﺎﺷﺪ ).ﺑﻨﺎﺑﺮاﻳﻦ ،ﺁﺳﺘﺎﻧﻪ vﺑﺎ ﻳﮏ زﻳﺮﻣﺠﻤﻮﻋﻪ از هﻤﺴﺎﻳﻪهﺎﻳﺶ ﮐﻪ رﻓﺘﺎرﺷﺎن ﺑﻪ واﻗﻊ ﺑﺮ روﯼ vاﺛﺮ دارد، ﺟﺎﻳﮕﺰﻳﻦ ﺷﺪﻩاﻧﺪ ( اﮔﺮ ﺑﻪ ﻣﺠﻤﻮﻋﻪهﺎﯼ رهﺎﺳﺎزﯼ ﺑﻪ ﺻﻮرت ﻳﺎلهﺎﯼ زﻧﺪﻩ و ﻣﺴﺪود ﻧﮕﺎﻩ ﮐﻨﻴﻢ ﻣﻔﻴﺪﺗﺮ ﺧﻮاهﺪ ﺑﻮد ،اﮔﺮ راس uﻋﻀﻮﯼ از ﻣﺠﻤﻮﻋﻪ رهﺎﺳﺎزﯼ از vﺑﺎﺷﺪ ،ﺁﻧﮕﺎﻩ ﻣﺎ ﻳﺎل u,v را زﻧﺪﻩ در ﻧﻈﺮ ﻣﯽﮔﻴﺮﻳﻢ و در ﻏﻴﺮ اﻳﻦ ﺻﻮرت ﺁن را ﻣﺴﺪود در ﻧﻈﺮ ﻣﯽﮔﻴﺮﻳﻢ. در ﻣﻘﺎﻟﻪ )اﺻﻠﻴﻪ( اﺛﺒﺎت ﺷﺪﻩ اﺳﺖ ﮐﻪ ﺗﺎﺑﻊ 0 ﮐﻪ ﻧﻤﻮﻧﻪاﯼ از ﻣﺪل رهﺎﺳﺎزﯼ اﺳﺖ ﺳﺎﺑﻤﺎدوﻻر اﺳﺖ. Triggering Triggering Set 26 27 45 ﻣﺴﺎﻟﻪ اﻧﺘﺨﺎب ﻣﺠﻤﻮﻋﻪ هﺪف 28 ﺳﺎزﯼ و ﮐﺎرهﺎﯼ اوﻟﻴﻦ ﻣﺮﺑﻮط ﺑﻬﻴﻨﻪ ﺑﻪ ﻣﺪل ﺳﺎزﯼ ﮔﺴﺘﺮش اﺛﺮﮔﺬارﯼ در ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ در ﺳﺎلهﺎﯼ 2003و 2005ﺗﻮﺳﻂ ﮐﻤﭗ ،ﮐﻼﻳﻨﺒﺮگ و ﺗﺎردوس ﻃﯽ دو ﻣﻘﺎﻟﻪ Error! Reference source not found.و Error! Reference source not found.اراﺋﻪ ﺷﺪ .هﻤﺎﻧﻄﻮر ﮐﻪ دﻳﺪﻳﻢ ﺛﺎﺑﺖ ﺷﺪ ﮐﻪ ﻣﺴﺎﻟﻪ ﺑﻬﻴﻨﻪﺳﺎزﯼ ﮔﺴﺘﺮش اﺛﺮﮔﺬارﯼ در ﺣﺎﻟﺖ ﻋﻤﻮﻣﯽ ﺗﻘﺮﻳﺐ ﺑﺎ ﻓﺎﮐﺘﻮر اﺳﺖ .اﻳﻦ ﻣﺴﺎﻟﻪ در ﻣﻘﺎﻟﻪهﺎﻳﯽ ﮐﻪ ﭘﺲ از اﻳﻦ دو ﻣﻘﺎﻟﻪ ﻣﻄﺮح ﺷﺪ ﻣﺴﺎﻟﻪ TARGET‐SELECTION ﻧﺎﻣﻴﺪﻩ ﺷﺪ. ﻣﺴﺎﻟﻪ .TARGET‐SELECTION V,E ﻳﮏ ﺷﺒﮑﻪ اﺟﺘﻤﺎﻋﯽ ﺑﻪ ﺻﻮرت ﻳﮏ ﮔﺮاف Gدادﻩ ﺷﺪﻩ اﺳﺖ .ﺣﺎل ﻣﺠﻤﻮﻋﻪ ∗ ﮐﻨﻴﺪ ﮐﻪ داﺷﺘﻪ ﺑﺎﺷﻴﻢ ∗ را ﺑﻪ ﮔﻮﻧﻪاﯼ اﻧﺘﺨﺎب σو ﺗﻌﺪاد اﻋﻀﺎﯼ ∗ ﮐﻤﻴﻨﻪ ﺑﺎﺷﺪ. در ﻣﻘﺎﻟﻪ ﺷﺒﮑﻪهﺎﯼ ﮐﺎهﺸﯽ 29 4 ﻣﺪﻟﯽ اﺟﺘﻤﺎﻋﯽ دﻳﮕﺮ ﻣﻄﺮح از ﺷﺪﻩ ﻣﺪلهﺎﯼ اﺳﺖ، اﻳﻦ ﮔﺴﺘﺮش ﻣﺪل، اﺛﺮﮔﺬارﯼ ﻣﺪل در اﻧﺘﺸﺎر ﻧﺎم دارد .اﻳﻦ ﻣﺪل ﺗﻮﺳﻂ ﮐﻤﭗ ،ﮐﻼﻳﻨﺒﺮگ و ﺗﺎردوس در اداﻣﻪ ﮐﺎرهﺎﯼ ﻗﺒﻠﻴﺸﺎن در ﻣﻘﺎﻟﻪ 4در ﺳﺎل 2005ﻣﻄﺮح ﺷﺪ .از ﻃﺮف دﻳﮕﺮ در اداﻣﻪ اﻳﻦ ﻣﻘﺎﻟﻪ ﺑﻪ ﺑﺮرﺳﯽ ﻳﮏ اﻟﮕﻮرﻳﺘﻢ ﺗﻘﺮﻳﺒﯽ ﺣﺮﻳﺼﺎﻧﻪ ﻧﻴﺰ ﭘﺮداﺧﺘﻪ ﻣﯽﺷﻮد. ﻣﺪل اﻧﺘﺸﺎر ﮐﺎهﺸﯽ وﻳﮋﮔﯽهﺎﯼ اﻳﻦ ﻣﺪل: Target Set Selection The Decreasing Cascade Model 28 29 46 ﺑﻪ اﺷﺨﺎص)رﺋﻮس( ﻓﻌﺎل ﮔﻔﺘﻪ ﻣﯽﺷﻮد در ﺻﻮرﺗﯽ ﮐﻪ اﮔﺮ ﻣﺤﺼﻮل ﻳﺎ ﺗﺼﻤﻴﻢ ﻳﺎ ﻋﻘﻴﺪﻩ را ﻗﺒﻮل ﮐﻨﻨﺪ و در ﻏﻴﺮ اﻳﻦ ﺻﻮرت ﻏﻴﺮﻓﻌﺎل ﻣﯽﮔﻮﻳﻴﻢ . ﻓﺮض ﻣﯽﮐﻨﻴﻢ زﻣﺎﻧﯽ ﮐﻪ ﻳﮏ راس ﻓﻌﺎل ﺷﺪ ،هﻤﻴﺸﻪ ﻓﻌﺎل ﺧﻮاهﺪ ﻣﺎﻧﺪ . ﻣﺪلهﺎﯼ اﻧﺘﺸﺎر ،ﻗﺪم ﺑﻪ ﻗﺪم ﺟﻠﻮ ﻣﯽروﻧﺪ .زﻣﺎﻧﯽ ﮐﻪ راس uدر اﺑﺘﺪا ﻓﻌﺎل ﻣﯽﺷﻮد ،ﺑﺮ ﻓﺮض در زﻣﺎن ،tﺁن را ﻣﺴﺮ ﯼ 30 در ﻧﻈﺮ ﻣﯽﮔﻴﺮﻳﻢ .اﻳﻦ راس ﺷﺎﻧﺲ اﺛﺮﮔﺬارﯼ هﺮ هﻤﺴﺎﻳﻪ ﻏﻴﺮﻓﻌﺎل ﻗﺒﻠﯽ ﺧﻮد vرا دارا اﺳﺖ . ﻳﮏ ﺗﻼش ﻣﻮﻓﻖ در ﺟﻬﺖ ﻓﻌﺎل ﺳﺎزﯼ ﺑﺎﻋﺚ ﻣﯽﺷﻮد ﮐﻪ vدر ﻗﺪم t 1ﻓﻌﺎل ﺷﻮد . اﮔﺮ ﭼﻨﺪﻳﻦ هﻤﺴﺎﻳﻪ ﻣﺎﻧﻨﺪ vﻓﻌﺎل در زﻣﺎن tﻓﻌﺎل ﺷﺪﻧﺪ، ﺁﻧﮕﺎﻩ ﺗﻼش ﺑﺮاﯼ ﻓﻌﺎل ﺳﺎزﯼ ﺁﻧﻬﺎ ﺑﻪ ﺗﺮﺗﻴﺐ دﻟﺨﻮاﻩ ﺻﻮرت ﻣﯽﮔﻴﺮد وﻟﯽ ﻣﺎ ﻓﺮض ﻣﯽﮐﻨﻴﻢ ﮐﻪ هﻤﻪ در ﻗﺪم tاﺗﻔﺎق اﻓﺘﺎﻩ اﺳﺖ . زﻣﺎﻧﯽ ﮐﻪ راس uﺗﻤﺎم ﺗﻼش ﺧﻮد را ﺟﻬﺖ ﻓﻌﺎلﺳﺎزﯼ رﺋﻮس دﻳﮕﺮ ﮐﺮد ،ﻓﻌﺎل ﺑﺎﻗﯽ ﺧﻮاهﺪ ﻣﺎﻧﺪ وﻟﯽ دﻳﮕﺮ ﻣﺴﺮﯼ ﻧﺨﻮاهﺪ ﺑﻮد . ﻓﺮاﻳﻨﺪ زﻣﺎﻧﯽ ﺗﻤﺎم ﻣﯽﺷﻮد ﮐﻪ هﻴﭻ راس ﻣﺴﺮﯼ وﺟﻮد ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ . ﺑﺮاﯼ اﻳﻨﮑﻪ ﻣﺪل را ﺑﻪ ﻃﻮر ﮐﺎﻣﻞ ﺷﺮح دهﻴﻢ ،ﺑﺎﻳﺪ اﺣﺘﻤﺎل اﻳﻨﮑﻪ راس uدر ﻓﻌﺎل ﮐﺮدن راس vﻣﻮﻓﻖ ﻣﯽﺷﻮد را ﻣﺤﺎﺳﺒﻪ ﮐﻨﻴﻢ .در ﺳﺎدﻩﺗﺮﻳﻦ ﺣﺎﻟﺖ ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ ،اﻳﻦ اﺣﺘﻤﺎل ﻣﻘﺪار ﺛﺎﺑﺖ اﺳﺖ ،ﮐﻪ از ﺗﺎرﻳﺨﭽﻪ ﻓﺮاﻳﻨﺪ ﻣﺴﺘﻘﻞ اﺳﺖ .در Contagious 30 47 ﺣﺎﻟﺖ ﮐﻠﯽ ،هﺮﭼﻨﺪ ،ﺗﻤﺎﻳﻞ راس vﺑﺮاﯼ ﻓﻌﺎل ﺷﺪن ﻣﻤﮑﻦ اﺳﺖ ﺑﺎ ﺗﺎﺑﻌﯽ ﻣﺘﺎﺛﺮ از هﻤﺴﺎﻳﮕﺎﻧﯽ از او ﮐﻪ ﺳﻌﯽ ﮐﺮدﻩاﻧﺪ او را ﻓﻌﺎل ﮐﻨﻨﺪ ،ﺗﻐﻴﻴﺮ ﮐﻨﺪ .اﮔﺮ Sﻧﺸﺎندهﻨﺪﻩ ﻣﺠﻤﻮﻋﻪ هﻤﺴﺎﻳﮕﺎن v ﺑﺎﺷﺪ ﮐﻪ ﺳﻌﯽ ﺧﻮد را ﻣﺒﻨﯽ ﺑﺮ اﺛﺮﮔﺬارﯼ ﺑﺮ vﮐﺮدﻩاﻧﺪ ،ﺁﻧﮕﺎﻩ , اﺣﺘﻤﺎل ﻣﻮﻓﻘﻴﺖ uرا ﺑﺎ ﻧﻤﺎﻳﺶ ﻣﯽدهﻴﻢ .ﺑﺮاﯼ اﻳﻨﮑﻪ اﻳﻦ ﻣﺪل را ﺑﻪ درﺳﺘﯽ ﺗﻌﺮﻳﻒ ﮐﻨﻴﻢ ،ﺑﺎﻳﺪ ﻓﺮض اﺳﺘﻘﻼل از ﺗﺮﺗﻴ ﺐ 31 داﺷﺘﻪ ﺑﺎﺷﻴﻢ ﮐﻪ ﻳﻌﻨﯽ اﮔﺮ هﻤﻪ راسهﺎ از ﻣﺠﻤﻮﻋﻪ T ﺳﻌﯽ ﮐﺮدﻧﺪ ﮐﻪ ﺑﺮ vاﺛﺮ ﺑﮕﺬارﻧﺪ ،ﺁﻧﮕﺎﻩ ﺗﺮﺗﻴﺐ اﺛﺮﮔﺬارﯼ ﺁﻧﻬﺎ ﺗﺎﺛﻴﺮﯼ در اﺣﺘﻤﺎل اﻳﻨﮑﻪ vدر ﻧﻬﺎﻳﺖ ﻓﻌﺎل ﺷﻮد ﻧﺪارد. ﺑﻪ ﻃﻮر رﺳﻤﯽ ،اﮔﺮ ,…, ,…, و ́ ́ ,…, و ﺑﻪ هﻤﻴﻦ ﺗﺮﺗﻴﺐ دو ﺟﺎﻳﮕﺸﺖ از Tﺑﺎﺷﻨﺪ و ́ ́ ,…, ،ﺁﻧﮕﺎﻩ ﻣﺴﺘﻘﻞ از ﺗﺮﺗﻴﺐ ﻳﻌﻨﯽ: ﺑﻪ ازاﯼ ﺗﻤﺎم ﻣﺠﻤﻮﻋﻪهﺎﯼ Sﮐﻪ ﮔﺴﺴﺘﻪ از .T از دﻳﺪ ﺑﻴﺸﻴﻨﻪﻧﻤﻮدن اﺛﺮﮔﺬارﯼ ،ﻣﺎ ﻣﺠﻤﻮﻋﻪ اﻓﺮاد Aرا هﺪف ﻣﯽﮔﺬارﻳﻢ ﺑﺮاﯼ اﻳﻨﮑﻪ در زﻣﺎن 1ﻓﻌﺎل ﺷﻮﻧﺪ و ﻣﺴﺮﯼ ﺷﻮﻧﺪ. ﺳﭙﺲ ،ﺑﻪ اﻳﻦ ﺻﻮرت ﻣﻄﺮح ﺷﺪﻩ در ﺑﺎﻻ ﭘﻴﺶ ﺧﻮاهﻴﻢ رﻓﺖ ﺗﺎ دﻳﮕﺮ راس ﻣﺴﺮﯼ ﻧﺒﺎﺷﺪ .اﻳﻦ اﺗﻔﺎق ﺣﺪاﮐﺜﺮ در n 1دور ﻣﯽاﻓﺘﺪ .در ﺁن ﻧﻘﻄﻪ ،ﻣﺎ ﻣﺠﻤﻮﻋﻪ را از رﺋﻮس ﻓﻌﺎل دارﻳﻢ ،ﮐﻪ ﻣﻘﺪارﯼ ﺗﺼﺎدﻓﯽ اﺳﺖ .هﺪف اﻧﺘﺨﺎب Aﺑﻪ ﺻﻮرﺗﯽ اﺳﺖ ﮐﻪ اﻣﻴﺪ رﻳﺎﺿﯽ | | ≔ ﺑﺮاﯼ اﻳﻦ ﻣﺠﻤﻮﻋﻪ ﻧﻬﺎﻳﯽ رﺋﻮس ﻓﻌﺎل ،ﺣﺪاﮐﺜﺮ ﺷﻮد .ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﺸﮑﻼت و ﭘﻴﭽﻴﺪﮔﯽهﺎﯼ ﻣﺤﺎﺳﺒﺎﺗﯽ اﻳﻦ هﺪف ،ﻣﺎ Order‐Independence 31 48 اﻟﮕﻮرﻳﺘﻢ هﺎﯼ ﺗﻘﺮﻳﺐ را ﻧﻈﺮ در ﻣﯽﮔﻴﺮﻳﻢ. ﺑﺮاﺑﺮ ﺑﻪ ﺑﺰرﮔﯽ ﺁن ﺣﺪاﻗﻞ 1/ ﺑﺮاﯼ ﻣﯽﺧﻮاهﻴﻢ ﻣﺠﻤﻮﻋﻪ Aاﯼ را اﻧﺘﺨﺎب ﮐﻨﻴﻢ ﮐﻪ ∗ ﺛﺎﺑﺖ ،c ﺑﻪ ازاﯼ هﺮ ﻣﺠﻤﻮﻋﻪ kراﺳﯽ ∗ ﺑﺎﺷﺪ .در ﻧﺘﻴﺠﻪ ﮐﻤﻴﺖ cﺿﻤﺎﻧﺖ ﺗﻘﺮﻳﺐ اﻟﮕﻮرﻳﺘﻢ ﻣﺎ اﺳﺖ. ﻣﺪل ﻣﺴﺘﻘﻞ از ﺗﺮﺗﻴﺐ اﻧﺘﺸﺎر ﺑﺴﻴﺎر ﻋﻤﻮﻣﻴﺖ دارد ،اﻳﻦ ﻣﺪل ﻣﺸﺨﺺ ﻣﯽﮐﻨﺪ ﮐﻪ هﺮ راس ﭼﮕﻮﻧﻪ ﺑﺮ راس دﻳﮕﺮ اﺛﺮ ﻣﯽ ﮔﺬارد و ﭼﮕﻮﻧﻪ اﻳﻦ اﺛﺮﮔﺬارﯼ ﺑﺎ ﺗﻌﺎﻣﻞهﺎﯼ ﻗﺒﻠﯽاﯼ ﮐﻪ راس داﺷﺘﻪ اﺳﺖ، ﺗﻀﻌﻴﻒ ﻣﯽﺷﻮد. ﮔﺮﻧﻮوﺗ ﺮ 32 از ﻣﻨﻈﺮﯼ اﻳﻦ ﻣﻮﺿﻮع ﻣﺸﺎﺑﻪ ﻣﺪل ﺣﺪﺁﺳﺘﺎﻧﻪ ) ﻣﻘﺎﻟﻪ 10از ﻣﻘﺎﻟﻪ 5ﻓﻮﻟﺪر ( ﺑﺮاﯼ ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ اﺳﺖ. در اﻳﻨﺠﺎ ﻣﺤﺪودﻳﺘﯽ ﻃﺒﻴﻌﯽ را ﻣﻄﺮح ﻣﯽﺳﺎزﻳﻢ ﺑﻪ ﻋﻨﻮان ﻣﺪل , اﻧﺘﺸﺎر ﮐﺎهﺸﯽ .در ﻣﺪل اﻧﺘﺸﺎر ﮐﺎهﺸﯽ ،ﺗﻮاﺑﻊ اﻓﺰاﻳﺸﯽ هﺴﺘﻨﺪ ،ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، زﻣﺎﻧﯽ ﮐﻪ ⊆ , , در Sﻏﻴﺮ ﺑﻪ ازاﯼ هﺮ ﺑﺎﺷﺪ .ﺑﻪ وﺿﻮح ،اﻳﻦ ﻣﺤﺪودﻳﺖ ﺑﻴﺎن ﻣﯽﮐﻨﺪ ﮐﻪ اﺣﺘﻤﺎل ﻳﮏ راس ﻣﺴﺮﯼ ﺑﻪ ازاﯼ ﻓﻌﺎل ﮐﺮدن هﺮ راس ∈ ﮐﺎهﺶ ﻣﯽﻳﺎﺑﺪ ،در ﺻﻮرﺗﯽ ﮐﻪ رﺋﻮس ﺑﻴﺸﺘﺮﯼ ﺳﻌﯽ ﺑﺮ ﻓﻌﺎل ﮐﺮدن v داﺷﺘﻪ ﺑﺎﺷﻨﺪ و ﺑﻪ ﻋﺒﺎرت دﻳﮕﺮ vدر اﻳﻨﺠﺎ اﺷﺒﺎع ﺑﺎزارﻳﺎﺑﯽ 33 اﺳﺖ .ﻣﺪل اﻧﺘﺸﺎر ﮐﺎهﺸﯽ ﺷﺎﻣﻞ ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ ﺑﻪ ﻋﻨﻮان ﻳﮏ ﺣﺎﻟﺖ ﺧﺎص اﺳﺖ. اﻟﮕﻮرﻳﺘﻢ ﺗﻘﺮﻳﺐ در ﻣﻘﺎﻟﻪ Error! Reference source not found. اﻟﮕﻮرﻳﺘﻢ ﺳﺎدﻩ ﺣﺮﻳﺼﺎﻧﻪاﯼ ﺑﺮاﯼ ﺑﻴﺸﻴﻨﻪﻧﻤﻮدن اﺛﺮﮔﺬارﯼ ﻣﻄﺮح ﺷﺪﻩ اﺳﺖ .ﺿﻤﺎﻧﺖ ﺗﻘﺮﻳﺐ اﻳﻦ اﻟﮕﻮرﻳﺘﻢ اﺻﻠﯽﺗﺮﻳﻦ ﺑﺤﺚ ﻣﻄﺮح ﺷﺪﻩ در ﻣﻘﺎﻟﻪ اﺳﺖ: Granovetter’s Threshold Model Marketing Saturated 32 33 49 اﻟﮕﻮرﻳﺘﻢ 1اﻟﮕﻮرﻳﺘﻢ ﺗﻘﺮﻳﺐ ﺣﺮﻳﺼﺎﻧﻪ اﺑﺘﺪا ﺑﻬﺘﺮ اﺳﺖ در ﺣﻠﻘﻪ forاﻟﮕﻮرﻳﺘﻢ ﺑﻴﺸﺘﺮ در ﻣﻮرد ﺗﻌﻴﻴﻦ راس را ﺑﺪاﻧﻴﻢ .ﺣﺘﯽ در ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ ﻧﻴﺰ ﮐﻪ ﭼﮕﻮﻧﻪ σ زﻣﺎن ﭼﻨﺪ ﻣﺤﺎﺳﺒﻪ ﻣﯽﮐﻨﻴﻢ ﻳﺎ ﺁﻳﺎ اﻳﻨﮑﻪ اﻳﻦ ﮐﺎر در ﺟﻤﻠﻪاﯼ ﻗﺎﺑﻞ اﻧﺠﺎم اﺳﺖ ﻳﺎ ﺧﻴﺮ .در ﺣﻘﻴﻘﺖ ﻣﺎ ﻣﺤﺎﺳﺒﻪ و σرا ارزﻳﺎﺑﯽ ﻣﺴﻴﺮﯼ رو ﺑﻪ ﺗﺤﻘﻴﻘﺎت ﺁﻳﻨﺪﻩ ﻣﯽداﻧﻴﻢ. هﺮﭼﻨﺪ ،ﻓﺮاﻳﻨﺪ اﻧﺘﺸﺎر اﻳﻦ وﻳﮋﮔﯽ را دارد ﮐﻪ ﺑﻪ ﻃﻮر ﻣﻮﺛﺮﯼ ﻣﯽﺗﻮاﻧﺪ ﺑﺎ اﺟﺮاﯼ ﻗﺎﻧﻮن ﻳﮏ ﺑﺮاﯼ اﺣﺘﻤﺎﻟﯽ اﻧﺘﺸﺎر ﺗﺎﺛﻴﺮﮔﺬارﯼ ﺗﺎ زﻣﺎن ﭘﺎﻳﺎن ،ﺷﺒﻴﻪ ﺳﺎزﯼ ﺷﻮد) ﮐﻪ هﻤﺎﻧﻄﻮر ﮐﻪ ﻣﻄﺮح ﺷﺪ ،ﺣﺪاﮐﺜﺮ در n 1دور اﻧﺠﺎم ﻣﯽﺷﻮد( .ﺑﺎ ﺷﺒﻴﻪﺳﺎزﯼ ،σﻣﯽﺗﻮاﻧﻴﻢ ﺑﺎ ﺗﻘﺮﻳﺐ ﻣﮑﺮر ﻓﺮاﻳﻨﺪ اﻧﺘﺸﺎر و ﻧﻤﻮﻧﻪﮔﻴﺮﯼ ﺧﻮﺑﯽ σرا ﺑﻪ دﺳﺖ ﺑﻴﺎورﻳﻢ .ﻳﮏ ﻣﺤﺎﺳﺒﻪ ﻣﺴﺘﻘﻴﻢ ﻧﺸﺎن ﻣﯽدهﺪ ﮐﻪ ﺑﺎ ﺗﻌﺪادﯼ ﺷﺒﻴﻪﺳﺎزﯼ ﭼﻨﺪﺟﻤﻠﻪاﯼ در ﺗﻘﺮﻳﺐ 1را ﺑﺮاﯼ σﺑﺎ اﺣﺘﻤﺎل ﺣﺪاﻗﻞ ﭘﻴﺪا ﮐﻨﻴﻢ ﮐﻪ ﺳﻮد ﺣﺎﺷﻴﻪا ﯼ 34 1ﺑﻪ دﺳﺖ σﮐﺎﻓﯽ اﺳﺖ ﻳﮏ ﻋﻀﻮ vرا ﺁورﻳﻢ .اﻳﻦ ارزﻳﺎﺑﯽ ﺗﻘﺮﻳﺐ ﺑﺮاﯼ ﺑﻴﺸﻴﻨﻪ ́ , و ،nﻣﯽ ﺗﻮاﻧﻴﻢ σ ∪ σاش ﺑﺎ ﻓﺎﮐﺘﻮر 1اﺳﺖ. در ﻣﻘﺎﻟﻪ Error! Reference source not found.ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻟﮕﻮرﻳﺘﻢ ﺑﺎﻻ ﻗﻀﺎﻳﺎﯼ زﻳﺮ را دارﻳﻢ. Marginal Gain 34 50 ﻗﻀﻴﻪ.12 ﻓﺮض ﮐﻨﻴﺪ ﻣﺠﻤﻮﻋﻪهﺎﯼ kﻋﻀﻮﯼ .1اﮔﺮ ∗ ﺑﺮاﯼ 0 هﺮ ﻣﺠﻤﻮﻋﻪاﯼ ﺑﺎﺷﺪ ﻣﺠﻤﻮﻋﻪ ∗ در را ﺑﻴﺸﻴﻨﻪ ﮐﻨﺪ ﺣﺎل: ﺑﻬﻴﻨﻪ ﺗﮑﺮار ﺗﻮﺳﻂ اﻟﮕﻮرﻳﺘﻢ اﻧﺘﺨﺎب ﺷﻮد، 1/ ﭘﻴﺪا ﮐﻪ ﻣﯽﺷﻮد . 1 . .2اﮔﺮ راس 1ﺑﻬﺘﺮﻳﻦ راس در هﺮ ﺗﮑﺮار ﻳﮏ ﺗﻘﺮﻳﺐ ﺑﺎﺷﺪ ،ﺁﻧﮕﺎﻩ اﻟﮕﻮرﻳﺘﻢ ﺣﺮﻳﺼﺎﻧﻪ ﺑﺎ ﺗﻘﺮﻳﺐ ́ ́ ﺁﻧﮕﺎﻩ 1اﺳﺖ ،ﺑﺮاﯼ ﻣﺜﺎل اﻟﮕﻮرﻳﺘﻢ ﺣﺮﻳﺼﺎﻧﻪ ﻳﮏ ﺗﻘﺮﻳﺐ Aاﯼ ﮐﻪ ﻣﻴﺎن ﺗﻤﺎم ﺑﻪ ﺻﻮرت ﭼﻨﺪﺟﻤﻠﻪاﯼ ﺑﻪ 1اﺳﺖ ﮐﻪ ﺑﺴﺘﮕﯽ دارد . ﺑﺮهﺎن .اﺛﺒﺎت ﻗﻀﻴﻪ ﺑﺎﻻ اﻳﻦ اﺳﺖ ﮐﻪ ﻧﺸﺎن دهﻴﻢ ﮐﻪ σﺗﺎﺑﻌﯽ ﻳﮑﻨﻮاﺧﺖ و ﺳﺎﺑﻤﺎدوﻻر اﺳﺖ .وﻳﮋﮔﯽ ﺳﺎﺑﻤﺎدوﻻر ﺑﻮدن ﺑﻪ ﻃﻮر ∪ رﺳﻤﯽ ﺑﻪ اﻳﻦ ﻣﻌﻨﯽ اﺳﺖ ﮐ ﻪ زﻣﺎن ﮐﻪ ∪ σهﺮ ⊆ .ﺑﻪ ﻃﻮر ﻏﻴﺮ رﺳﻤﯽ اﻳﻦ ﺑﻪ ﻣﻌﻨﯽ اﺳﺖ ﮐﻪ ﮐﺎهﺶ وﺿﻌﻴﺖ را ﻧﺸﺎن ﻣﯽدهﺪ ،ﻳﻌﻨﯽ ﻧﺘﻴﺠﻪ ﺳﺮﻣﺎﻳﻪ ﮔﺬارﯼ ﺑﺮ روﯼ راس wزﻣﺎﻧﯽ ﮐﻪ هﺰﻳﻨﻪ ﮐﻞ ﺳﺮﻣﺎﻳﻪ ﮔﺬارﯼ )ﻣﺠﻤﻮﻋﻪ( زﻳﺎد ﻣﯽﺷﻮد، ﮐﺎهﺶ ﻣﻴﺎﺑﺪ. σﺑﺮاﯼ اﺛﺒﺎت ﺗﻘﺮﻳﺐ ﻣﻄﺮح ﺷﺪﻩ ﮐﺎﻓﯽ اﺳﺖ. اﻳﻦ وﻳﮋﮔﯽهﺎﯼ ﻣﯽﺗﻮاﻧﻴﻢ از ﻗﻀﻴﻪ ﻣﺸﻬﻮر ﻧﻤﻬﺎوزر ،وﻟﺰﯼ و ﻓﻴﺸﺮ را اﺳﺘﻔﺎدﻩ ﮐﻨﻴﻢ. در اداﻣﻪ ﻣﻘﺎﻟﻪ ﺑﻪ ﺑﺮرﺳﯽ وﻳﮋﮔﯽهﺎﯼ ﺗﻘﺮﻳﺐ ﺗﺎﺑﻊ ﺳﺎﺑﻤﺎدوﻻر و ﻳﮑﻨﻮاﺧﺖ و ﻏﻴﺮﻣﻨﻔﯽ fﻣﯽﭘﺮدازد و در ﻧﻬﺎﻳﺖ ﺑﺎ اﺳﺘﻔﺎدﻩ از ﺁن اﺛﺒﺎت ﻣﯽﺷﻮد ﮐﻪ ﺑﺮاﯼ ﻣﺪل اﻧﺘﺸﺎر ﮐﺎهﺸﯽ σﻳﮏ ﺗﺎﺑﻊ ﻳﮑﻨﻮاﺧﺖ و ﺳﺎﺑﻤﺎدوﻻر از Aاﺳﺖ. 51 ﺳﺎﺑﻤﺎدوﻻرﻳﺘﯽ ﺗﺎﺑﻊ در ﻣﻘﺎﻟﻪ ﻣﻨﺘﺸﺮ ﺷﺪﻩ از ﻣﻮزل و راﮎ از دﭘﺎرﺗﻤﺎن ﺁﻣﺎر ﺑﺮﮐﻠﯽ Error! Reference source not found.روﯼ وﻳﮋﮔﯽ ﺳﺎﺑﻤﺎدوﻻر ﺑﻮدن ﺗﺎﺑﻊ σﺑﻴﺸﺘﺮ ﺑﺤﺚ ﻣﯽﮐﻨﺪ و ﺑﺎ ﺑﺮرﺳﯽ ﻣﺪلهﺎﯼ ﭘﻴﺸﻴﻦ در ﻣﻘﺎﻟﻪهﺎﯼ ﻗﺒﻠﯽ ﺑﻪ ﺑﺮرﺳﯽ وﻳﮋﮔﯽ ﺳﺎﺑﻤﺎدوﻻر ﺑﻮدن ﻣﯽﭘﺮدازد .در اﻳﻦ ﻣﻘﺎﻟﻪ اﺑﺘﺪا ﺗﻌﺮﻳﻔﯽ از اﻧﺘﺸﺎر و اﺛﺮﮔﺬارﯼ ﺑﻴﺎن ﺷﺪﻩ ﺳﭙﺲ ﺑﻪ ﺑﺮرﺳﯽ ﺳﺎﺑﻤﺎدوﻻر ﺑﻮدن ﻣﯽﭘﺮدازد. ﺗﻌﺮﻳﻒ.12 ) اﻧﺘﺸﺎر( ﺑﺮاﯼ ﺑﻪ ازاﯼ ﻣﺠﻤﻮﻋﻪ ﺗﺎﺑﻊ ⊆ F دادﻩ دﻧﺒﺎﻟﻪ ﺷﺪﻩ، ﺑﻪ ﺻﻮرت زﻳﺮ ﺗﻌﺮﻳﻒ ﻣﯽﺷﻮد ﺑﻪ هﺮ راس vﻳﮏ ﻣﻘﺪار ﺗﺼﺎدﻓﯽ ﺑﻪ ﺻﻮرت ﻳﮑﻨﻮاﺧﺖ در ﺑﺎزﻩ 0,1ﻧﺴﺒﺖ ﻣﯽدهﻴﻢ . ﻓﺮض ﻣﯽﮐﻨﻴﻢ در زﻣﺎن 1 از \ ﻗﺮار ﻣﯽدهﻴﻢ و ﺑﻪ ﻣﻘﺪار رﺋﻮﺳﯽ اﺿﺎﻓﻪ ﻣﯽﮐﻨﻴﻢ ﺑﻪ اﻳﻦ ﺻﻮرت ﮐﻪ ﺑﻪ وﺿﻮح دﻧﺒﺎﻟﻪ ﭘﺲ از زﻣﺎن n‐1ﻣﯽاﻳﺴﺘﺪ .ﻣﺎ را ﺗﻮزﻳﻊ Sزﻣﺎﻧﯽ ﮐﻪ از Sﺷﺮوع ﻣﯽﺷﻮد در ﻧﻈﺮ ﻣﯽﮔﻴﺮﻳﻢ و ~ زﻣﺎﻧﯽ ﮐﻪ زﻳﺮوﻧﺪ را ﺣﺬف ﻣﯽﮐﻨﻴﻢ زﻣﺎﻧﯽ ﮐﻪ Fرا ﻧﺪارﻳﻢ. ﺗﻌﺮﻳﻒ ) .13اﺛﺮﮔﺬارﯼ ( ﺑﺮاﯼ ﺗﺎﺑﻊ وزﻧﯽ :w ﻣﯽﮐﻨﻴﻢ اﺛﺮ ﮐﻪ σﺑﺮاﯼ ⊆ → ،2ﺗﻌﺮﻳﻒ ﺑﻪ ﺻﻮرت: اﺳﺖ. ﺑﺮاﺑﺮ اﻣﻴﺪ رﻳﺎﺿﯽ ﺗﺤﺖ 52 در ﻗﻀﻴﻪ زﻳﺮ ﻧﺘﻴﺠﻪ اﺻﻠﯽ ﻣﻘﺎﻟﻪ 7 ﺑﻴﺎن ﺷﺪﻩ اﺳﺖ ﮐﻪ ﺁن را در اداﻣﻪ اﺛﺒﺎت ﻣﯽﮐﻨﻴﻢ. ﻗﻀﻴﻪ .13ﻓﺮاﻳﻨﺪ ﻣﻄﺮح ﺷﺪﻩ ﺗﻌﺮﻳﻒ اﻧﺘﺸﺎر را در ﺑﺎﻻ در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ ،ﮐﻪ در ﺁن Fو wﺗﻮاﺑﻊ ﺳﺎﺑﻤﺎدوﻻر و ﺻﻌﻮدﯼ هﺴﺘﻨﺪ، σﻧﻴﺰ ﺳﺎﺑﻤﺎدوﻻر و ﺻﻌﻮدﯼ اﺳﺖ .در ﺣﻘﻴﻘﺖ ،اﻳﻦ ﻣﻮﺿﻮع ﺣﺎل زﻣﺎﻧﯽ درﺳﺖ اﺳﺖ ﮐﻪ wﺗﺎﺑﻊ ﮐﺎردﻳﻨﺎﻟﻴﺘﯽ ﺑﺎﺷﺪ. ﻧﺘﻴﺠﻪ. ﻓﺮاﻳﻨﺪ ﻣﻄﺮح ﺷﺪﻩ را در ﻧﻈﺮ 1 اﻟﮕﻮرﻳﺘﻢ ﺗﻘﺮﻳﺒﯽ )ﺣﺮﻳﺼﺎﻧﻪ ( ﺑﮕﻴﺮﻳﺪ. ﺣﺎل ﻳﮏ ﺑﺮاﯼ ﺑﻴﺸﻴﻨﻪ ﻧﻤﻮدن σدر ﻣﻴﺎن ﺗﻤﺎﻣﯽ ﻣﺠﻤﻮﻋﻪهﺎﯼ Sﺑﺎ اﻧﺪازﻩ ،kوﺟﻮد دارد. ﻧﺘﻴﺠﻪ ﺑﺎﻻ در اداﻣﻪ ﻗﻀﻴﻪ 1و 2از ﻣﻘﺎﻟﻪ ﮐﻤﭗ و ﺗﺎردوس ) ﻣﻘﺎﻟﻪ اﺳﺖ. اﺻﻠﯽ( اﻟﮕﻮرﻳﺘﻢ ﺣﺮﻳﺼﺎﻧﻪ KTT ﻧﻤﻮﻧﻪ ﻳﮏ از اﻟﮕﻮرﻳﺘﻢ ﺳﺎدﻩ ﺣﺮﻳﺼﺎﻧﻪ اﺳﺖ ﮐﻪ از ﻧﻤﻮﻧﻪﮔﻴﺮﯼ ﺑﺮاﯼ ﺗﺨﻤﻴﻦ ﻣﻘﺪار σاﺳﺘﻔﺎدﻩ ﺷﺪﻩ اﺳﺖ. ﺑﺮهﺎن .ﻣﺸﺎﺑﻪ ﻣﻘﺎﻟﻪ ) ﮐﻤﭗ و ﺗﺎردوس،(Error! Reference source not found. اﻳﺪﻩ اﻳﻨﻄﻮر اﺳﺖ ﮐﻪ ﻓﺮاﻳﻨﺪ را در ﻣﺮاﺣﻠﯽ اﺟﺮا ﮐﻨﻴﻢ .ﻣﺎ در ∩ اﻳﻨﺠﺎ ﺳﻪ ﻓﺎز اﺻﻠﯽ را ﻣﻄﺮح ﻣﯽﮐﻨﻴﻢ :ﻣﺎ اﺑﺘﺪا ﻣﯽﺳﺎزﻳﻢ ،ﺳﭙﺲ ﻣﺮﺣﻠﻪ ﺁﺧﺮ \ اﺳﺖ. و در ﺁﺧﺮ ﺑﺮاﯼ اﻧﺠﺎم را \ .ﺗﻔﺎوت اﺻﻠﯽ در اﺟﺮاﯼ اﻳﻦ ﮐﺎر، ﺟﺪا ﺳﺎﺑﻤﺎدوﻻر ﺑﻮدن ﻧﺮﻣﺎل ﺷﺪﻩ ﻣﻄﺮح ﺷﺪﻩ در ﻣﻘﺎﻟﻪ، از ﺷﺮاﻳﻂ Error! Reference source not found.ﺷﺮاﻳﻂ زﻳﺮ را ﻧﻴﺰ دارﻳﻢ: ﻳﮏ ﺗﺮﮐﻴﺐ از ﻣﺪلهﺎﯼ اﻧﺘﺸﺎر و ﺣﺪﺁﺳﺘﺎﻧﻪ ،ﮐﻪ ﺑﻪ ﺁﻧﻬﺎ ﻧﻤﺎﻳﺶ ﺑﺎﻳﺪ-ﺑﺪاﻧﻴﻢ 35 ﻣﯽﮔﻮﻳﻴﻢ Need‐to‐Know 35 53 و ﻣﻬﻢﺗﺮ از ﺁن ،ﻳﮏ روش ﺟﻔﺖﺷﺪﮔ ﯽ ﺳﻨ ﺲ 37 36 ﺟﺪﻳﺪ ﺑﻪ ﻧﺎم ﺁﻧﺘﯽ ﮐﻪ ﺑﺮ ﭘﺎﻳﻪ ﻣﺸﺎهﺪﻩاﯼ ﮐﻪ ﺟﻔﺖﺷﺪﮔﯽ ﻓﺮاﻳﻨﺪهﺎ ﺑﺎ ﻣﺠﻤﻮﻋﻪهﺎﯼ دﻟﺨﻮاﻩ Aو Bﺑﺎ اﺳﺘﻔﺎدﻩ از ﺑﻪ ﺗﺮﺗﻴﺐ و 1ﺷﺮوع ﻣﯽﺷﻮد .ﺑﻪ ﺻﻮرﺗﯽ اﺷﺘﺮاﮎ ﺁﻧﻬﺎ را ﺑﻴﺸﻴﻨﻪ ﻣﯽﮐﻨﺪ .اﻳﻦ ﻣﻮرد ﺑﺎﻳﺪ ﺑﻪ دﻗﺖ ﭘﻴﺎدﻩ ﺷﻮد ﺗﺎ ﺑﺘﻮان ﻓﺼﻞﻣﺸﺘﺮﮎهﺎ را ﮐﻨﺘﺮل ﮐﺮد ) روش ﺟﻔﺖﺷﺪﮔﯽError! Reference .(sourcenotfound. ﻣﺎ Fو wرا ﺻﻌﻮدﯼ و ﺳﺎﺑﻤﺎدوﻻر ﻓﺮض ﮐﺮدﻳﻢ .هﻤﭽﻨﻴﻦ دو ﻣﺠﻤﻮﻋﻪ ∪ دﻟﺨﻮاﻩ ⊆ , را ﺛﺎﺑﺖ ﮔﺮﻓﺘﻴﻢ و ∩ و ﺗﻌﺮﻳﻒ ﻣﯽﮐﻨﻴﻢ .اﻳﺪﻩ اﺛﺒﺎت ﺟﻔﺖ ﮐﺮدن ﭼﻬﺎر دﻧﺒﺎﻟﻪ ﻳﺎ ﻓﺮاﻳﻨﺪ زﻳﺮ اﺳﺖ ﺑﻪ ﺻﻮرﺗﯽ ﮐﻪ و در اداﻣﻪ ﻟﻢ زﻳﺮ را ﺧﻮاهﻴﻢ داﺷﺖ. Coupling Antisense 36 37 54 ﻟﻢ .2ﻓﺮض ﮐﻨﻴﺪ ﮐﻪ ﻳﮏ ﺟﻔﺖﺷﺪﮐﯽ ﺑﺮاﯼ A, B, C, Dوﺟﻮد دارد ﮐﻪ در دو ﺷﺮط ﺑﺎﻻ ﺻﺪق ﮐﻨﺪ .ﺁﻧﮕﺎﻩ اﺛﺒﺎت .در واﻗﻊ ،ﻣﺎ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺳﺎﺑﻤﺎدوﻻر و ﺻﻌﻮدﯼ ﺑﻮدن دارﻳﻢ و ﺑﻨﺎﺑﺮاﻳﻦ، ﺑﺎ ﮔﺮﻓﺘﻦ اﻣﻴﺪ رﻳﺎﺿﯽ ﺑﻪ راﺑﻄﻪ ﻣﻄﺮح ﺷﺪﻩ ﻣﯽرﺳﻴﻢ. ﺟﻔﺖﺷﺪﮔﯽ ﻣﺎ ﺑﺮ اﺳﺎس اﻳﺪﻩهﺎﯼ زﻳﺮ اﺳﺖ: ﺟﻔﺖﺷﺪﮔﯽ ﺁﻧﺘﯽﺳﻨﺲ :ﺟﻔﺖﺷﺪﮔﯽ ﺑﺪﻳﻬﯽ اﻳﻦ اﺳﺖ ﮐﻪ از ﻳﮑﺴﺎن ﺑﺮاﯼ ﺗﻤﺎم روﻧﺪهﺎ اﺳﺘﻔﺎدﻩ ﮐﻨﻴﻢ .ﻣﺸﺨﺺ اﺳﺖ ﮐﻪ ∪ اﻳﻦ ﻧﻮع ﺟﻔﺖﺷﺪﮔﯽ وﻳﮋﮔﯽ وﻳﮋﮔﯽ ∪ ⊆ ⊆ را ﻧﺪارد وﻟﯽ را دارد .ﺑﻪ وﺿﻮح ،اﺳﺘﻔﺎدﻩ از ﻳﮑﺴﺎن ﺑﺮاﯼ A,Bﻓﺼﻞﻣﺸﺘﺮﮎ ﺁﻧﻬﺎ را ﺣﺪاﮐﺜﺮ ﻣﯽﮐﻨﺪ در ﺻﻮرﺗﯽ ﮐﻪ اﻧﺘﺨﺎب ﺑﺮاﯼ Aو 1ﺑﺮاﯼ Bاﺷﺘﺮاﮎ را ﺣﺪاﮐﺜﺮ ﻣﯽﮐﻨﺪ .ﻣﺎ اﻳﻦ ﺟﻔﺖﺷﺪﮔﯽ ﺁﺧﺮ را ﺟﻔﺖﺷﺪﮔﯽ ﺁﻧﺘﯽﺳﻨﺲ ﻣﯽﮔﻮﻳﻴﻢ .ﺑﺮاﯼ ﺑﻪ دﺳﺖﺁوردن هﻢ ﻓﺼﻞﻣﺸﺘﺮﮎ و هﻢ اﺷﺘﺮاﮎ ﺑﻪ ﻃﻮر هﻤﺰﻣﺎن ،اﻳﻦ دو ﺟﻔﺖﺷﺪﮔﯽ را ﺗﺮﮐﻴﺐ ﻣﯽﮐﻨﻴﻢ . رﺷﺪ ﺗﺪرﻳﺠﯽ .38رﺷﺪ ﭼﻬﺎر دﻧﺒﺎﻟﻪ ﻣﯽﺗﻮاﻧﺪ ﺑﻪ ﭼﻨﺪﻳﻦ ﻣﺮﺣﻠﻪ ﺗﺠﺰﻳﻪ ﺷﻮد ﮐﻪ ﻣﺎ ﻣﺠﻤﻮﻋﻪهﺎﯼ اوﻟﻴﻪ را ﺑﻪ ﺻﻮرت ﭘﻴﺶروﻧﺪﻩ اﺿﺎﻓﻪ ﮐﻨﻴﻢ .ﺗﻘﺮﻳﺒﺎ ،ﺟﻔﺖﺷﺪﮔﯽ زﻳﺮ اﺑﺘﺪا از رﺷﺪ ∩ Piecemeal Growth 38 55 ﺷﺮوع ﻣﯽﺷﻮد و ﺳﭙﺲ \ و در ﺁﺧﺮ \ .ﻣﺮﺣﻠﻪ ﺁﺧﺮ از ﺟﻔﺖﺷﺪﮔﯽ ﺁﻧﺘﯽﺳﻨﺲ اﺳﺘﻔﺎﻩ ﻣﯽﮐﻨﺪ ،ﺑﺮاﯼ اﻳﻨﮑﻪ ﺑﻪ Bاﺟﺎزﻩ ﮐﻨﺘﺮل ﮐﺮدن Dرا در ﺁن ﻓﺎز داﺷﺘﻪ ﺑﺎﺷﺪ . ﻧﻤﺎﻳﺶ ﺑﺎﻳﺪ-ﺑﺪاﻧﻴﻢ. ﻧﻬﺎﻳﺖ، در اﺟﺮاﻳﯽ ﺑﺮاﯼ ﺷﺪن ﺗﻮﺿﻴﺤﺎت ﻗﺒﻠﯽ ،ﺑﺎﻳﺪ ﺑﺪاﻧﻴﻢ ﮐﻪ ﻟﺰوﻣﯽ وﺟﻮد ﻧﺪارد ﮐﻪ در اﺑﺘﺪاﯼ ﻓﺮاﻳﻨﺪ اﻧﺘﺨﺎب ﮐﻨﻴﻢ .ﺑﻪ ﺟﺎﯼ اﻳﻦ ﮐﺎر ،در هﺮ ﻗﺪم ،ﻣﺎ ﻣﻘﺪار ﮐﻤﯽ اﻃﻼﻋﺎت ﻣﻮرد ﻧﻴﺎز را درﺑﺎرﻩ ﻣﺸﺨﺺ ﻣﯽﮐﻨﻴﻢ .اﻳﻦ ﻣﻮﺿﻮع ﻣﺮﺑﻮط ﺑﻪ ﻣﺪل اﻧﺘﺸﺎر ﻣﻄﺮح ﺷﺪﻩ در ) ﻣﻘﺎﻟﻪ 8در ﻣﻘﺎﻟﻪ ،10ﺗﺎردوس ( اﺳﺖ ،هﺮﭼﻨﺪ در اﻳﻨﺠﺎ از ﺗﺮﮐﻴﺐ واﺿﺤﯽ از ﻣﺪلهﺎﯼ اﻧﺘﺸﺎر و ﺣﺪﺁﺳﺘﺎﻧﻪ اﺳﺘﻔﺎدﻩ ﮐﺮدﻩاﻳﻢ . در اداﻣﻪ ﻣﻘﺎﻟﻪ ،Error!Referencesourcenotfound.دو ﻟﻢ ﻣﻬﻢ دﻳﮕﺮ درﺑﺎرﻩ ﺗﻮزﻳﻊ S,Tﺑﻴﺎن ﺷﺪﻩ اﺳﺖ .ﻟﻢ اول درﺑﺎرﻩ رﺷﺪ ﺗﺮﻳﺠﯽ اﺳﺖ و ﻟﻢ دﻳﮕﺮ درﺑﺎرﻩ ﺁﻧﺘﯽﺳﻨﺲ اﺳﺖ ﮐﻪ هﺮ دو ﺑﻪ ﺑﺮرﺳﯽ ﺗﻮزﻳﻊ S,Tﻣﯽﭘﺮدازﻧﺪ .ﺳﭙﺲ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ اﻳﻦ دو ﻟﻢ و ﻟﻢ ﻣﻄﺮح ﺷﺪﻩ در ﺑﺨﺶ ﻗﺒﻞ ،ﻗﻀﻴﻪ 13را اﺛﺒﺎت ﻣﯽﮐﻨﺪ .اﻳﻦ ﻗﻀﻴﻪ ﺑﺎ ﺑﺮرﺳﯽ ﺳﻪ ﺣﺎﻟﺖ ﻣﻄﺮح ﺷﺪﻩ و ﺟﻔﺖﺷﺪﮔﯽ ﺑﻴﺎن ﻣﯽﺷﻮد. در ﻣﻘﺎﻟﻪ ،18ﻣﺴﺌﻠﻪ ﺑﻬﻴﻨﻪﺳﺎزﯼ ﮔﺴﺘﺮش ﺑﺎر دﻳﮕﺮ ﻣﻮرد ﺗﻮﺟﻪ ﻗﺮار ﻣﯽﮔﻴﺮد .در اﻳﻦ ﻣﻘﺎﻟﻪ اﺑﺘﺪا ﻣﺪﻟﯽ ﺗﻌﺮﻳﻒ ﻣﯽﺷﻮد ﻣﺪل .ﻓﺮض ﮐﻨﻴﺪ در ﮔﺮاف V,E Gﺗﺎﺑﻊ → : دادﻩ ﺷﺪﻩ اﺳﺖ ﮐﻪ ﺑﻴﺎنﮔﺮ ﺣﺪ ﺁﺳﺘﺎﻧﻪﯼ هﺮ راس اﺳﺖ .و هﻤﭽﻨﻴﻦ ﺑﻪ ازاﯼ هﺮ راس دارﻳﻢ .در اﺑﺘﺪا رﺋﻮس ﻳﮏ ﻣﺠﻤﻮﻋﻪ اوﻟﻴﻪ را ﻓﻌﺎل ﻣﯽﮐﻨﻴﻢ .ﺑﻌﺪ از ﺁن در هﺮ ﻣﺮﺣﻠﻪ رﺋﻮﺳﯽ را ﻓﻌﺎل ﻣﯽﮐﻨﻴﻢ 56 ﺑﻴﺸﺘﺮ ﺷﺪﻩ ﺑﺎﺷﺪ. ﮐﻪ ﺗﻌﺪاد هﻤﺴﺎﻳﻪهﺎﯼ ﻓﻌﺎل ﺁﻧﻬﺎ از اﻳﻨﮑﺎر را ﺗﺎ ﺟﺎﻳﯽ اداﻣﻪ ﻣﯽدهﻴﻢ ﮐﻪ دﻳﮕﺮ هﻴﭻ راﺳﯽ ﻓﻌﺎل ﻧﺸﻮد ).اﻳﻦ روﻧﺪ n‐1دور اﺟﺮا ﻣﯽﺷﻮد ﮐﻪ | n |Vﺗﻌﺪاد رﺋﻮس ﮔﺮاف اﺳﺖ ( .اﻳﻦ روﻧﺪ ﭘﻴﺶروﻧﺪﻩ اﺳﺖ .ﻣﺴﺎﻟﻪ ﺑﻬﻴﻨﻪﺳﺎزﯼ ﻣﻮرد ﻧﻈﺮ ﻣﺎ ﻣﺴﺎﻟﻪ TARGETSETSELECTIONاﺳﺖ. ﭘﻴﭽﻴﺪﮔﯽ ﺣﻞ ﻣﺴﺎﻟﻪ ﺑﻬﻴﻨﻪﺳﺎزﯼ ﮔﺴﺘﺮش از ﻧﮕﺎهﯽ دﻳﮕﺮ ﻣﺪل ﻣﻄﺮح ﺷﺪﻩ در ﻣﻘﺎﻟﻪ 0از ﻣﺪل ﻣﻄﺮح ﺷﺪﻩ ﺗﻮﺳﻂ ﮐﻤﭗ در ﻣﻘﺎﻟﻪ ﻣﺘﻔﺎوت Error! Reference source not found. Error! Reference source not found. اﺳﺖ. اول اﻳﻨﮑﻪ ﺗﻤﺮﮐﺰ ﺁﻧﻬﺎ ﺑﺮ از دو ﻧﻈﺮ روﯼ ﻣﺴﺎﻟﻪ ﺑﻴﺸﻴﻨﻪﻧﻤﻮدن ﺑﻮدن ) ﺑﺮاﯼ هﺮ ،kﻳﮏ ﻣﺠﻤﻮﻋﻪ هﺪف ﺑﺎ اﻧﺪازﻩ k ﭘﻴﺪا ﮐﻨﻴﺪ ﮐﻪ ﺗﻌﺪاد رﺋﻮس ﻓﻌﺎل را در ﻧﻬﺎﻳﺖ ﺑﻴﺸﻴﻨﻪ ﮐﻨﺪ ( وﻟﯽ در اﻳﻨﺠﺎ ﻣﺎ ﺑﻪ دﻧﺒﺎل ﮐﻤﻴﻨﻪ اﻧﺪازﻩاﯼ هﺴﺘﻴﻢ ﮐﻪ ﺿﻤﺎﻧﺖ ﮐﻨﺪ هﻤﻪ )ﻳﺎ ﻧﺴﺒﺖ ﺛﺎﺑﺘﯽ( از رﺋﻮس ﻓﻌﺎل ﻣﯽﺷﻮﻧﺪ .دوم اﻳﻨﮑﻪ ﺣﺪ ﺁﺳﺘﺎﻧﻪ ﺑﻪ ﻃﻮر ﻗﻄﻌﯽ و واﺿﺢ درﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪﻩ اﺳﺖ .ﻧﺘﺎﻳﺞ اﺻﻠﯽ ﻣﻘﺎﻟﻪ 1در اداﻣﻪ ﺑﻴﺎن ﻣﯽﺷﻮد. ﺑﺮاﯼ ﺣﺎﻟﺖ ﻋﻤﻮﻣﯽ ﻣﺴﺎﻟﻪ TARGET SET SELECTIONﻣﺎ ﺗﻘﺮﻳﺐ ﺣﺪ ﭘﺎﻳﻴﻦ ﭘﻠﯽﻟﮕﺎرﻳﺘﻤﯽ ﻧﺴﺒﺖ 2 39 را ﻧﺸﺎن دادﻳﻢ .ﺑﻪ ﻃﻮر دﻗﻴﻖ ،ﻣﺴﺎﻟﻪ ﺑﺎ ﺑﺮاﯼ هﺮ 0 ⊆ ﻗﺎﺑﻞ ﺗﻘﺮﻳﺐ ﻧﻴﺴﺖ ،ﻣﮕﺮ اﻳﻨﮑﻪ ﺑﺎﺷﺪ .اﺛﺒﺎﺗﯽ ﮐﻪ در اداﻣﻪ ﻣﻄﺮح ﺧﻮاهﺪ ﺷﺪ ﺑﺮا ﭘﺎﻳﻪ ﮐﺎهﺸﯽ اﺳﺖ از ﻣﺴﺎﻟﻪ MinRepﮐﻪ در Error!Reference Error!Referencesourcenotfound. sourcenotfound.ﻣﻄﺮح ﺷﺪﻩ اﺳﺖ. Poly Logarithmic 39 57 ﺑﺎ در ﻧﻈﺮ ﮔﺮﻓﺘﻦ اﻧﻮاع ﻣﺨﺘﻠﻒ ﺣﺪ ﺁﺳﺘﺎﻧﻪ و ﺳﺎﺧﺘﺎر ﺷﺒﮑﻪهﺎ، ﻧﺘﺎﻳﺞ زﻳﺮ را ﻧﻴﺰ ﻧﺸﺎن دادﻩ ﻣﯽﺷﻮد. ﺣﺪﺁﺳﺘﺎﻧﻪهﺎﯼ ﺑﻴﺸﻴﻦ ﻳﮑﯽ از ﺣﺪ ﺁﺳﺘﺎﻧﻪهﺎﯼ ﻣﻬﻢ و ﻣﻮرد ﻣﻄﺎﻟﻌﻪ ،ﺣﺪﺁﺳﺘﺎﻧﻪ ﺑﻴﺸﻴﻦ اﺳﺖ ﮐﻪ ﻳﮏ راس زﻣﺎﻧﯽ ﻓﻌﺎل ﮐﻪ ﻣﯽﺷﻮد ﻧﻴﻤﯽ ﺣﺪاﻗﻞ از هﻤﺴﺎﻳﮕﺎﻧﺶ ﻓﻌﺎل ﺷﻮﻧﺪ .ﮐﺎرﺑﺮدهﺎﯼ ﻓﺮاواﻧﯽ از اﻳﻦ ﺣﺪﺁﺳﺘﺎﻧﻪ در ﻣﺤﺎﺳﺒﺎت ﺗﻮزﻳﻊ ﺷﺪ ﻩ ، 40ﺳﺎﻣﺎﻧﻪهﺎﯼ راﯼﮔﻴﺮ ﯼ 41 و ﻏﻴﺮﻩ وﺟﻮد دارد .ﮔﻮﻧﻪهﺎﯼ ﻣﺘﻔﺎوﺗﯽ از ﺑﻴﺸﻴﻦهﺎ و روﻧﺪهﺎﯼ ﭘﻴﺶروﻧﺪﻩ ،ﺑﺎ ﺣﺪود ﭘﺎﻳﻴﻦ ﻣﺘﻔﺎوت ﻣﺠﻤﻮﻋﻪ ﺑﺮاﯼ هﺪف دارﻧﺪ. وﺟﻮد ﺑﺮاﯼ اﻃﻼﻋﺎت ﺑﻴﺸﺘﺮ درﺑﺎرﻩ ﺣﺪﺁﺳﺘﺎﻧﻪهﺎﯼ ﺑﻴﺸﻴﻦ ﺑﻪError! Reference sourcenotfound.ﻣﺮاﺟﻌﻪ ﮐﻨﻴﺪ. ﺑﺮاﯼ ﺣﺪود ﺁﺳﺘﺎﻧﻪ ﺑﻴﺸﻴﻦ ،ﻧﺸﺎن ﻣﯽدهﻴﻢ ﮐﻪ ﻧﺴﺒﺖ ﺗﻘﺮﻳﺐ ﻣﺎﻧﻨﺪ ﺣﺎﻟﺖ ﻋﻤﻮﻣﯽ ﺗﻘﺮﻳﺒﯽ ﺑﺎب اﺳﺖ.اﻳﻦ ﻧﺴﺒﺘﯽ ﻳﻌﻨﯽ ﺑﻬﺘﺮ ﺣﺪﺁﺳﺘﺎﻧﻪهﺎﯼ از 2 ﺑﻴﺸﻴﻦ ﺑﺮاﯼ اﻟﮕﻮرﻳﺘﻢ 0 ﺛﺎﺑﺖ ﻧﺪارﻧﺪ. ﺣﺪﺁﺳﺘﺎﻧﻪهﺎﯼ ﺧﺮد :ﺣﺎﻟﺖ دﻳﮕﺮ زﻣﺎﻧﯽ اﺳﺖ ﮐﻪ ﺗﻤﺎم ﺣﺪﺁﺳﺘﺎﻧﻪهﺎ ﮐﻮﭼﮏ ﺑﺎﺷﻨﺪ .درﻳﺮ Error! Reference source not found.ﻧﺸﺎن داد ﮐﻪ اﮔﺮ ﺁﺳﺘﺎﻧﻪ هﺮ راس kﺑﺎﺷﺪ و 3 ﺑﺎﺷﺪ ﻣﺴﺎﻟﻪ TARGET SET SELECTIONﻣﺴﺎﻟﻪاﯼ NP‐hardﺧﻮاهﺪ ﺑﻮد .هﺮﭼﻨﺪ ،اﻳﻦ ﻣﻮﺿﻮع ﺑﺮاﯼ ﺣﺎﻟﺖ k 2هﻨﻮز ﻣﺴﺎﻟﻪاﯼ ﺑﺮرﺳﯽ ﻧﺸﺪﻩ اﺳﺖ .در ﻣﻘﺎﻟﻪ 18 ﻣﺴﺎﻟﻪ در ﺣﺎﻟﺖ k 2ﺑﺮرﺳﯽ ﻣﯽﺷﻮد و اﺛﺒﺎت ﻣﯽﺷﻮد ﮐﻪ ﺑﻪ هﻤﺎن ﺻﻮرت NP‐hardﺧﻮاهﺪ ﺑﻮد .ﻧﺘﻴﺠﻪ ﺟﺎﻟﺐﺗﺮ و ﺷﮕﻔﺖﺁور ﻣﻄﺮح ﺷﺪﻩ Distributed Computing Voting Systems 40 41 58 در اﻳﻦ ﻣﻘﺎﻟﻪ اﻳﻦ ﺑﻮد ﮐﻪ ﺗﻘﺮﻳﺐ ﻣﺴﺎﻟﻪ در ﺣﺎﻟﺖ ﺣﺪﺁﺳﺘﺎﻧﻪ 2 ﻣﺎﻧﻨﺪ ﭘﻴﭽﻴﺪﮔﯽ ﺗﻘﺮﻳﺐ در ﺣﺎﻟﺖ ﻋﻤﻮﻣﯽ اﺳﺖ. اﺛﺒﺎت ﻣﻄﺮح ﺷﺪﻩ ﺑﺮﭘﺎﻳﻪ ﻧﺘﻴﺠﻪ ﺳﺨﺘﯽ ﺑﺮاﯼ ﺁﺳﺘﺎﻧﻪهﺎﯼ ﺑﻴﺸﻴﻦ اﺳﺖ و اﻟﺒﺘﻪ ﺷﺒﻴﻪﺳﺎزﯼ ﻣﺪارهﺎﯼ ﺑﻮﻟﯽ ﺻﻌﻮدﯼ .42ﻣﯽﺗﻮان ﻣﺸﺎهﺪﻩ ﮐﺮد ﮐﻪ ﺣﺎﻟﺖ هﺮ راس را ﻣﯽﺗﻮان ﺑﻪ ﺻﻮرت ﻳﮏ ﻣﺘﻐﻴﺮ ﺑﻮﻟﯽ ﻧﺸﺎن داد و ﺑﻪ ﻋﻨﻮان ﻳﮏ ﺗﺎﺑﻊ ﺑﻮﻟﯽ ﺑﻴﺸﻴ ﻦ 43 از ﺣﺎﻟﺖ هﻤﺴﺎﻳﮕﺎﻧﺶ ﻧﻮﺷﺖ .ﺑﺮﭘﺎﻳﻪ ﻧﺘﺎﻳﺞ ﻣﺮﺗﺐ ﺳﺎزﯼ ﺷﺒﮑﻪهﺎ Error!Referencesourcenot ،found.ﺗﺎﺑﻊ ﺑﻮﻟﯽ ﺑﻴﺸﻴﻦ را ﻣﯽﺗﻮان ﺑﺎ ﻳﮏ ﻣﺪار ﺻﻌﻮدﯼ ﺑﺎ اﻧﺪازﻩ ﭼﻨﺪﺟﻤﻠﻪاﯼ ﺷﺒﻴﻪﺳﺎزﯼ ﮐﺮد .ﺑﻨﺎﺑﺮاﻳﻦ ﮔﺴﺘﺮش اﺛﺮﮔﺬارﯼ در ﻳﮏ ﺷﺒﮑﻪ اﺟﺘﻤﺎﻋﯽ را ﻣﯽﺗﻮان ﺑﻪ ﻋﻨﻮان اﺟﺮاﯼ ﻳﮏ ﻣﺪار ﺻﻌﻮدﯼ ﺑﺎ اﻧﺪازﻩ ﭼﻨﺪﺟﻤﻠﻪاﯼ ﺑﺮوﯼ هﺮ راس ،ﻧﺸﺎن داد .ﺑﺎ داﺷﺘﻦ اﻳﻦ اﻳﺪﻩ ،ﻣﺎ اﺟﺰاﻳﯽ ﻣﯽﺳﺎزﻳﻢ ﮐﻪ از رﺋﻮﺳﯽ ﺑﺎ ﺁﺳﺘﺎﻧﻪ ﺣﺪاﮐﺜﺮ 2 ﺑﺮاﯼ ﺷﺒﻴﻪﺳﺎزﯼ هﺮ دروازﻩ AND و ،OR ﺗﺸﮑﻴﻞ ﺷﺪﻩاﻧﺪ. ﺣﺪﺁﺳﺘﺎﻧﻪهﺎﯼ ﻣﺘﺤﺪ 44 ﺑﻴﺸﺘﺮﻳﻦ ﻣﻘﺎوﻣﺖ اﺛﺮﮔﺬار ﯼ 45 ﻣﻮﻗﻌﻴﺖ ﺁﺳﺘﺎﻧﻪ ﻣﺘﺤﺪ اﺳﺖ )ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل ﺁﺳﺘﺎﻧﻪ هﺮ راس ﺑﺮاﺑﺮ درﺟﻪاش ﺑﺎﺷﺪ( .ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل درد ﻳﮏ ﺷﺒﮑﻪ ﻣﻘﺎوم درﺑﺮاﺑﺮ وﻳﺮو س ، 46ﻳﮏ راس ﺗﻨﻬﺎ زﻣﺎﻧﯽ ﺁﻟﻮدﻩ ﻣﯽﺷﻮد ﮐﻪ ﺗﻤﺎﻣﯽ هﻤﺴﺎﻳﮕﺎﻧﺶ ﺁﻟﻮدﻩ ﺷﺪﻩ ﺑﺎﺷﻨﺪ. درﮎ اﻳﻦ ﻣﻮرد ﻣﺸﺨﺺ ﻣﯽﺗﻮاﻧﺪ ﺑﻪ ﻣﺎ در ﺳﺎﺧﺖ ﺳﺎﺧﺘﺎرهﺎﯼ ﺷﺒﮑﻪاﯼ ﻣﻘﺎوم درﺑﺮاﺑﺮ وﻳﺮوس ﻗﺪرﺗﻤﻨﺪ ﮐﻤﮏ ﮐﻨﺪ .ﻧﺸﺎن ﻣﯽدهﻴﻢ 42 Monotone Boolean circuits Majority Boolean function 44 Unanimous Thresholds 45 Influence‐Resistant 46 Virus Resistant 43 59 ﮐﻪ ﻣﺴﺎﻟﻪ ﺁﺳﺘﺎﻧﻪهﺎﯼ ﻣﺘﺤﺪ ﻣﻌﺎدل ﻣﺴﺎﻟﻪ ﭘﻮﺷﺶ راﺳﯽ اﺳﺖ ﮐﻪ ﻧﺸﺎن ﻣﯽدهﺪ اﻟﮕﻮرﻳﺘﻢ ﺗﻘﺮﻳﺐ 2-را ﻗﺒﻮل ﻣﯽﮐﻨﺪ. ﺳﺎﺧﺘﺎر درﺧﺘﯽ ﻳﮑﯽ از ﺳﺎﺧﺘﺎرهﺎﯼ ﺳﺎدﻩ وﻟﯽ ﻣﻬﻢ ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ درﺧﺘﺎن هﺴﺘﻨﺪ .ﺑﺮاﯼ ﻣﺜﺎل در ﺷﺒﮑﻪهﺎﯼ ﺑﺎ ﻣﺤﺮﮎ درﺧﻮاﺳ ﺖ 47 !Error Error!Referencesourcenotfound. Referencesourcenotfound.ﮔﺮاف ﺑﺎ ﻳﮏ درﺧﺖ ﻣﺪل ﻣﯽﺷﻮد .زﻣﺎﻧﯽ ﮐﻪ ﺷﺒﮑﻪ اﺟﺘﻤﺎﻋﯽ ﻳﮏ درﺧﺖ اﺳﺖ ،درﻳﺮ Error! Reference source not found.ﻳﮏ اﻟﮕﻮرﻳﺘﻢ ﺑﺎ زﻣﺎن اﺟﺮاﯼ ﭼﻨﺪﺟﻤﻠﻪاﯼ ﺑﺮاﯼ ﻣﺤﺎﺳﺒﻪ ﻣﺠﻤﻮﻋﻪ هﺪف ﺑﻬﻴﻨﻪ ) زﻣﺎﻧﯽ ﮐﻪ ﺗﻤﺎم ﺁﺳﺘﺎﻧﻪ هﺎ ﻣﺴﺎوﯼ ﺑﺎﺷﻨﺪ ( اراﺋﻪ داد .در ﻣﻘﺎﻟﻪ ،0ﻧﺘﻴﺠﻪ ﺑﻪ ﺁﺳﺘﺎﻧﻪهﺎﯼ دﻟﺨﻮاﻩ ﺑﺎ اﺳﺘﻔﺎدﻩ از ﺑﺮﻧﺎﻣﻪﺳﺎزﯼ ﭘﻮﻳ ﺎ 48 ﮔﺴﺘﺮش ﻣﻴﺎﺑﺪ . در اداﻣﻪ ﻗﻀﻴﻪ و ﻧﺘﻴﺠﻪ اﺻﻠﯽ ﻣﻘﺎﻟﻪ 1را ﺑﻴﺎن ﻣﯽﮐﻨﻴﻢ. ﻗﻀﻴﻪ .13ﻣﺴﺎﻟﻪ TARGET SET SELECTIONﺑﺎ ﻧﺴﺒﺖ هﺮ ﻣﻘﺪار ﺛﺎﺑﺖ 0 2 ﺑﺮاﯼ ﻗﺎﺑﻞ ﺗﻘﺮﻳﺐ ﻧﻴﺴﺖ ،ﻣﮕﺮ اﻳﻨﮑﻪ ⊆ ﺑﺎﺷﺪ. اﻳﻦ ﻗﻀﻴﻪ ﺑﺎ ﮐﺎهﺸﯽ از ﻣﺴﺎﻟﻪ اﺑﺘﺪا ﻣﺴﺎﻟﻪ MinRep را ﺑﻴﺎن 49 MinRepﻗﺎﺑﻞ اﺛﺒﺎت اﺳﺖ. ﻣﯽﮐﻨﻴﻢ ﺳﭙﺲ ﮐﺎهﺶ را ﻧﺸﺎن ﺧﻮاهﻴﻢ داد. ﻣﺴﺎﻟﻪ .MinRepﻓﺮض ﮐﻨﻴﺪ ﮐﻪ ﻳﮏ ﮔﺮف دو ﻗﺴﻤﺘﯽ ; , دارﻳﻢ ،ﮐﻪ Aو Bﻣﺠﻤﻮﻋﻪهﺎﻳﯽ از رﺋﻮس ﺑﻪ ﺻﻮرت ﺟﺪا از هﻢ 47 Query Incentive Networks Dynamic Programming 49 Minimum Representative 48 60 هﺴﺘﻨﺪ و ﻧﺎﺣﻴﻪﺑﻨﺪﯼهﺎﯼ ﺁﺷﮑﺎرﯼ از Aو Bدر زﻳﺮﻣﺠﻤﻮﻋﻪهﺎﯼ ⋃ هﻢاﻧﺪازﻩ وﺟﻮد دارد .ﮐﻪ ﺗﻤﺎﻣﯽ داراﯼ ﻣﺠﻤﻮﻋﻪهﺎﯼ ﻣﺠﻤﻮﻋﻪهﺎﯼ Gﺳﻮﭘﺮ-ﮔﺮا ف اﻧﺪازﻩ β و 50 ﺛﺎﺑﺖ | |/هﺴﺘﻨﺪ .ﻧﺎﺣﻴﻪﺑﻨﺪﯼهﺎﯼ 51 وﺟﻮد دارد ،ﺑﻪ ﺗﺮﺗﻴﺐ ﻣﺸﺎﺑﻪ ﺑﺮاﯼ هﺮ ﻳﮏ ﺳﻮﭘﺮ-ﻳﺎل ∈ داﺷﺘﻪ ﺑﺎﺷﺪ | |/و ﺗﻤﺎﻣﯽ Hرا ﺑﻪ اﻳﻦ ﺻﻮرت ﺑﻪ وﺟﻮد ﻣﯽﺁورﻧﺪ :ﺑﻪ αﺳﻮﭘﺮ-راس و و اﻧﺪازﻩ داراﯼ اﻧﺪازﻩ ﺛﺎﺑﺖ ⋃ هﺴﺘﻨﺪ و 52 ∈ و ﻣﻴﺎن وﺟﻮد دارد اﮔﺮ وﺟﻮد و ﮐﻪ در ﮔﺮاف Gهﻤﺴﺎﻳﻪ ﺑﺎﺷﻨﺪ .ﺷﮑﻞ 1ﻣﺜﺎﻟﯽ از ﻣﺴﺎﻟﻪ MinRepرا ﻧﺸﺎن ﻣﯽدهﺪ ﮐﻪ هﺮ ﻣﺠﻤﻮﻋﻪ داراﯼ 3راس و هﺮ داراﯼ 4راس اﺳﺖ. ﻣﺎ ﻣﯽﮔﻮﻳﻴﻢ دوﺗﺎﻳﯽ a,b ∈ ،1 ∈ و , در ﮔﺮاف Gهﻤﺴﺎﻳﻪ ﺑﺎﺷﻨﺪ .ﺑﺮاﯼ ﻣﺜﺎل ،در ﺷﮑﻞ , ﺳﻮﭘﺮ-ﻳﺎل , ﻳﮏ ﺳﻮﭘﺮ-ﻳﺎل ﮔﻮﻧﻪاﯼ ﮐﻪ ﺳﻮﭘﺮ-ﻳﺎل , را ﻣﯽﭘﻮﺷﺎﻧﻨﺪ اﮔﺮ , را ﭘﻮﺷﺶ ﻣﯽدهﻨﺪ .ﻣﯽﮔﻮﻳﻴﻢ را ﭘﻮﺷﺶ ﻣﯽدهﺪ اﮔﺮ ﻳﺎﻓﺖ ﺷﻮد , ، , ﺑﻪ را ﭘﻮﺷﺶ دهﺪ. هﺪف ﻣﺴﺎﻟﻪ MinRepاﻧﺘﺨﺎب ﺣﺪاﻗﻞ ﺗﻌﺪاد ﻣﻌﺮ ف و ∪ ∈ ⊆ 53 از هﺮ ﻣﺠﻤﻮﻋﻪ ،ﺑﻪ ﮔﻮﻧﻪاﯼ اﺳﺖ ﮐﻪ ﺗﻤﺎﻣﯽ ﺳﻮﭘﺮ-ﻳﺎلهﺎ ﭘﻮﺷﺶ دادﻩ ﺷﻮﻧﺪ .ﮐﻪ ﺑﻪ اﻳﻦ ﻣﻌﻨﯽ اﺳﺖ ﮐﻪ ﻣﺎ ﻣﯽﺧﻮاهﻴﻢ زﻳﺮﻣﺠﻤﻮﻋﻪهﺎﻳﯽ ﺑﻪ ﺻﻮرت | | ⊆ و ⊆ را ﭘﻴﺪا ﮐﻨﻴﻢ ﺑﺎ ﺣﺪاﻗﻞ اﻧﺪازﻩ | | ﺑﻪ ﻃﻮرﯼ ﮐﻪ ﺑﻪ ازاﯼ هﺮ ﺳﻮﭘﺮ-ﻳﺎل , ﻣﻌﺮفهﺎﯼ 50 Super Graph Super‐Vertices 52 Super‐Edge 53 Representative 51 61 ∩ ∈ و ∩ ∈ وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﻨﺪ ﮐﻪ در Gهﻤﺴﺎﻳﻪ هﺴﺘﻨﺪ. ﺷﮑﻞ 2ﻧﻤﻮﻧﻪاﯼ از ﻣﺴﺎﻟﻪ MinRep از ﻃﺮﻓﯽ در ﻣﻘﺎﻟﻪ Error! Reference source not found.ﻗﻀﻴﻪ زﻳﺮ درﺑﺎرﻩ MinRepﻣﻄﺮح ﺷﺪﻩ اﺳﺖ. ﻗﻀﻴﻪ .14ﺑﺮاﯼ هﺮ 0 هﺮ ﻣﻘﺪار ﺛﺎﺑﺖ 0 ﻣﺴﺎﻟﻪ MinRepﺑﺎ ﻧﺴﺒﺖ 2 ﺑﺮاﯼ ﻗﺎﺑﻞ ﺗﻘﺮﻳﺐ ﻧﻴﺴﺖ ،ﻣﮕﺮ اﻳﻨﮑﻪ ⊆ ﺑﺎﺷﺪ. ﺑﺮهﺎن .ﺣﺎل ﺑﻪ اﺛﺒﺎت ﻗﻀﻴﻪ ﻣﻄﺮح ﺷﺪﻩ درﺑﺎرﻩ ﻣﺴﺎﻟﻪ TARGET SET SELECTIONﻣﯽﭘﺮدازﻳﻢ .ﺑﺎ اﻳﻦ ﮐﺎر ﻓﺮض ﻣﯽﮐﻨﻴﻢ ﺑﺮاﯼ هﺮ 62 ; , ﻧﻤﻮﻧﻪ از از ،MinRepﻓﺮض ﮐﻨﻴﺪ Mﺗﻌﺪاد ﺳﻮﭘﺮ- ﻳﺎلهﺎ و Nﮐﻞ ﺗﻌﺪاد ورودﯼهﺎ اﺳﺖ .در ﮐﺎهﺶ ،ﻣﺎ از اﺟﺰاﻳﯽ (ﮐﻪ 1 اﺳﺘﻔﺎدﻩ ﻣﯽﮐﻨﻴﻢ ) ﻣﺜﻞ ﺑﺮاﯼ 1, … , . ﺷﮑﻞ 3واﺣﺪ ﺟﺰء ﺑﺮاﯼ ﻣﺴﺎﻟﻪ MinRep ﺑﺮاﯼ ﻣﺴﺎﻟﻪ TARGET SET SELECTION در اداﻣﻪ ﻣﺎ ﺳﺎﺧﺖ ﮔﺮاف از ﭼﻬﺎر ﮔﺮوﻩ اﺻﻠﯽ رﺋﻮس ﻣﯽﭘﺮدازﻳﻢ .اﺳﺎﺳﺎ، , , , ﺗﺸﮑﻴﻞ ﺷﺪﻩ اﺳﺖ ﮐﻪ رﺋﻮس ﻣﻴﺎن هﺮ دو ﮔﺮوﻩ ﺗﻮﺳﻂ ﺟﺰﺋﯽ ﮐﻪ در ﺑﺎﻻ ﺷﺮح دادﻩ ﺷﺪ ﺑﻪ هﻢ ﻣﺘﺼﻞ ﻣﯽﺷﻮﻧﺪ .ﺑﻪ ﻃﻮر رﺳﻤﯽ ﺑﻪ اﻳﻦ ﺻﻮرت ﺗﻌﺮﻳﻒ ﻣﯽﺷﻮﻧﺪ: ∈ | ∪ , ∈ , ∈ راس ∈ | و هﺮ راس ﺑﺎ ﺁﺳﺘﺎﻧﻪ و هﺮ راس ﺁﺳﺘﺎﻧﻪاﯼ ﺑﺮاﺑﺮ , ∈ ﺑﻪ هﺮ راس ﺗﻮﺳﻂﻳﮏﺳﻮﭘﺮ ﺁﺳﺘﺎﻧﻪ اﺳﺖ . ﻳﺎلﻣﺘﺼﻞاﻧﺪ اﺳﺖ .راس در ﺻﻮرﺗﯽ ﮐﻪ ∈ aو ∈ , , , ﻣﺘﺼﻞ اﺳﺖ . ﺗﻮﺳﻂ ﺟﺰ و هﺮ راس داراﯼ , ﺑﻪ راس 2دارد. ∈ , ﺗﻮﺳﻂ ﺟﺰ ∈ bﺑﺎﺷﺪ ،ﻣﺘﺼﻞاﻧﺪ . 63 ,…, ∈ ∈ , , اﺳﺖ و هﺮ راس ﺁﺳﺘﺎﻧﻪ ﺑﻪ ∈ ﺑﻪ هﺮ ﺗﻮﺳﻂ ﺟﺰ ∈ ﺗﻮﺳﻂ ﺟﺰ . دارد .هﺮ راس ﻣﺘﺼﻞ اﺳﺖ و هﺮ راس ﻣﺘﺼﻞ اﺳﺖ . ﺷﮑﻞ زﻳﺮ ﺳﺎﺧﺘﺎر ﺳﺎﺧﺘﻦ ﮔﺮاف را ﺑﻬﺘﺮ ﻧﻤﺎﻳﺶ ﻣﯽدهﺪ. ﺷﮑﻞ 4ﺳﺎﺧﺖ ﮔﺮاف ́G اﺛﺒﺎت ﺑﻪ اﻳﻦ ﺻﻮرت ﭘﻴﺶ ﺧﻮاهﺪ رﻓﺖ ﮐﻪ ﻣﺎ ادﻋﺎ ﻣﯽﮐﻨﻴﻢ ﮐﻪ اﻧﺪازﻩ راﻩﺣﻞ ﺑﻬﻴﻨﻪ ﻣﺴﺎﻟﻪ MinRepﺑﺮاﯼ Gﻓﺎﮐﺘﻮر 2اﻧﺪازﻩ راﻩﺣﻞ ﺑﻬﻴﻨﻪ ﻣﺴﺎﻟﻪ TARGET SET SELECTION ﺑﺮاﯼ اﺳﺖ. ﺑﻨﺎﺑﺮاﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﺗﻘﺮﻳﺐ ﺑﺮاﯼ TARGET SET SELECTIONﻟﺰوﻣﺎ 64 هﻤﺎن ﻧﺴﺒﺖ ﺗﻘﺮﻳﺐ ) ﺣﺪاﮐﺜﺮ ﺗﺎ ﻓﺎﮐﺘﻮر ﺛﺎﺑﺘﯽ ( ﺑﺮاﯼ MinRep ﺧﻮاهﺪ ﺑﻮد. ⊆ ﻓﺮض ﮐﻨﻴﺪ و ⊆ ﻳﮏ راﻩﺣﻞ ﺑﻬﻴﻨﻪ MinRepﺑﺮاﯼ Gاﺳﺖ. ⊆ ⋃ ﻣﺎ ادﻋﺎ ﻣﯽﮐﻨﻴﻢ ﮐﻪ ﻳﮏ ﺟﻮاب TARGET SET SELECTIONﺑﺮاﯼ اﺳﺖ .در اداﻣﻪ ﻣﻘﺎﻟﻪ ﺑﻪ اﺛﺒﺎت ﻣﯽﺷﻮد ﮐﻪ ﺗﻤﺎﻣﯽ رﺋﻮس در در اﻧﺘﻬﺎ ﺑﺎ اﻳﻦ ﻓﺮض ﻓﻌﺎل ﻣﯽﺷﻮﻧﺪ و ﺳﭙﺲ ﺑﺎ ﻓﺮض اﻳﻨﮑﻪ S ﺟﻮاب ﺑﻬﻴﻨﻪ TARGET SET SELECTIONاﺳﺖ اداﻣﻪ اﺛﺒﺎت در ﻣﻘﺎﻟﻪ ﮐﺎﻣﻞ ﻣﯽﺷﻮد. در اداﻣﻪ اﻳﻦ ﻣﻘﺎﻟﻪ ﻧﺸﺎن دادﻩ ﻣﯽﺷﻮد ﮐﻪ در ﺣﺎﻻت ﺧﺎص ﻣﺎﻧﻨﺪ deg /2 ﺑﻪ ازاﯼ و 2 ﻧﻴﺰ ﻧﺸﺎن دادﻩ ﺷﺪﻩ اﺳﺖ ﮐﻪ ﺳﺨﺘﯽ ﻣﺴﺎﻟﻪ ﺑﻪ اﻧﺪازﻩ ﺳﺨﺘﯽ ﻣﺴﺎﻟﻪ در ﺣﺎﻟﺖ ﻋﻤﻮﻣﯽ اﺳﺖ. در ﺳﺎل 2009 ﭼﻨﮓ و در دﻳﮕﺮان ﻣﻘﺎﻟﻪ Reference !Error Error! Reference source not found. source not found.ﺣﻞ ﻣﺴﺎﻟﻪ ﺑﻬﻴﻨﻪﺳﺎزﯼ ﮔﺴﺘﺮش را ﺑﺎ ﻧﮕﺮش اﻟﮕﻮرﻳﺘﻢهﺎﯼ ﺟﺴﺘﺠﻮﯼ ﻣﺤﻠﯽ ﻣﺪ ﻧﻈﺮ ﻗﺮار دادﻧﺪ .اﻟﮕﻮرﻳﺘﻢهﺎﯼ اراﺋﻪ ﺷﺪﻩ ﺗﻮﺳﻂ ﺁﻧﻬﺎ از هﻤﺎن اﻳﺪﻩ ﺣﺮﻳﺼﺎﻧﻪﯼ اﻟﮕﻮرﻳﺘﻢ KKTاﺳﺘﻔﺎدﻩ ﻣﯽﮐﺮدﻧﺪ .ﺑﺎ اﻳﻦ ﺗﻔﺎوت ﮐﻪ ﺑﺮاﯼ اﻓﺰاﻳﺶ ﮐﺎراﻳﯽ اﻟﮕﻮرﻳﺘﻢهﺎ از ﺗﻮاﺑﻊ ﻣﮑﺎﺷﻔﻪاﯼ در 54 ﻣﻘﺎﻟﻪ اﺳﺘﻔﺎدﻩ ﻣﯽﮐﺮدﻧﺪ. found. not source Reference !Error !Error Reference source not found.ﺳﻪ اﻟﮕﻮرﻳﺘﻢ ﺑﺮاﯼ ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ اراﺋﻪ ﺷﺪﻩ اﺳﺖ ﮐﻪ ﮐﻠﻴﺎت اﻳﻦ اﻟﮕﻮرﻳﺘﻢهﺎ ﺑﻪ اﻳﻦ ﺻﻮرت اﺳﺖ: Heuristic 54 65 ﻗﺒﻞ از ﻣﻄﺮح ﮐﺮدن ﺳﻪ اﻟﮕﻮرﻳﺘﻢ ﺑﻬﺘﺮ اﺳﺖ ﻣﺘﻐﻴﻴﺮهﺎﯼ ﻣﻮرد اﺳﺘﻔﺎدﻩ در اﻳﻦ ﺳﻪ اﻟﮕﻮرﻳﺘﻢ را ﺑﺎ ﺗﻌﺮﻳﻒ ﺑﻴﺎن ﮐﻨﻴﻢ. ﻣﺘﻐﻴﻴﺮ ﺗﻮﺿﻴﺢ N ﺗﻌﺪاد رﺋﻮس در ﮔﺮاف G M ﺗﻌﺪاد ﻳﺎلهﺎﯼ ﮔﺮاف G K ﺗﻌﺪاد seedهﺎﻳﯽ ﮐﻪ اﻧﺘﺨﺎب ﻣﯽﺷﻮﻧﺪ R ﺗﻌﺪاد دورهﺎﯼ ﺗﮑﺮار اﻟﮕﻮرﻳﺘﻢ P اﺣﺘﻤﺎل اﻧﺘﺸﺎر در ﻣﺪل IC درﺟﻪ راس v ﺗﻌﺪاد هﻤﺴﺎﻳﻪهﺎﯼ vﮐﻪ ﺑﻪ ﻋﻨﻮان seedاﻧﺘﺨﺎب ﺷﺪﻩاﻧﺪ. :GeneralGreedy اﻳﻦ اﻟﮕﻮرﻳﺘﻢ در ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ ﻣﻄﺮح ﻣﯽﺷﻮد .اﻳﺪﻩﯼ اﻟﮕﻮرﻳﺘﻢ ﺑﻪ اﻳﻦ ﺻﻮرت اﺳﺖ ﮐﻪ در هﺮ ﻣﺮﺣﻠﻪ ﺑﺮاﯼ هﺮ ﮐﻪ ∉ ) ﻣﺠﻤﻮﻋﻪ kﻋﻀﻮﯼ ﮐﻪ در ﻧﻬﺎﻳﺖ ﺳﺎﺧﺘﻪ ﻣﯽﺷﻮد و در اﺑﺘﺪاﯼ ﮐﺎر ﻣﺤﺎﺳﺒﻪ ﻣﯽﺷﻮد. ∅ اﺳﺖ ( ﻳﮏ ﻋﺪد ﺣﺎﺻﻞ ﺟﻤﻊ 20000ﺑﺎر ﺟﻤﻊ ﮐﺮدن ﻣﻴﺰان ﻓﺮﺁﻳﻨﺪ ﺗﺼﺎدﻓﯽ ﻧﺎﺷﯽ از ﻣﺠﻤﻮﻋ ﻪ ∪ در ﻣﺪل اﺣﺘﻤﺎﻟﯽ ﻣﻨﺘﺞ از ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ اﺳﺖ .ﻃﺮز ﻣﺤﺎﺳﺒﻪﯼ ﻓﺮاﻳﻨﺪ ﺗﺼﺎدﻓﯽ ﻣﺒﺘﻨﯽ ﺑﺮ ﻣﺪل اﺣﺘﻤﺎﻟﯽ ﻣﻄﺮح ﺷﺪﻩ در ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ ﺑﻪ ﺷﺮح زﻳﺮ اﺳﺖ: ﺗﻌﺮﻳﻒ :RandCas(S) .14ﻓﺮض ﮐﻨﻴﺪ ﮐﻪ ﻣﺠﻤﻮﻋﻪ راسهﺎﻳﯽ ﺑﺎﺷﻨﺪ ﮐﻪ در ﻣﺮﺣﻠﻪ iام ﻓﻌﺎل ﻣﯽﺷﻮﻧﺪ .و ﻗﺮار دهﻴﺪ و 66 0 ﻗﺮار دهﻴﺪ ﮐﻪ ∈ و .د ﻣﺮﺣﻠﻪﯼ 1 ∉ ﺑﺎ اﺣﺘﻤﺎل ام ﺑﻪ ازاﯼ هﺮ ﻳﺎل راس را ﻓﻌﺎل ﻣﯽﮐﻨﻴﻢ. ﭘﺲ از ﺗﻌﺮﻳﻒ ﺑﺎﻻ ،ﺗﻌﺮﻳﻒ ﺑﻪ ﺷﮑﻞ زﻳﺮ ﺧﻮاهﺪ ﺑﻮد: در ﻧﻬﺎﻳﺖ ﻋﻀﻮﯼ ﺑﻪ Sاﺿﺎﻓﻪ ﻣﯽﺷﻮد ﮐﻪ ﺑﻴﺸﺘﺮﻳﻦ ﻣﻘﺪار را داﺷﺘﻪ ﺑﺎﺷﺪ. اﻟﮕﻮرﻳﺘﻢ GeneralGreedyﺑﻪ ﺻﻮرت زﻳﺮ اﺳﺖ: اﻟﮕﻮرﻳﺘﻢ 2اﻟﮕﻮرﻳﺘﻢ GeneralGreedy اﻟﮕﻮرﻳﺘﻢ ﺑﺎﻻ ﺑﺎ ﻓﺮاﻳﻨﺪ ) RanCas(Sدادﻩ ﺷﺪﻩ اﺳﺖ .در هﺮ دور ام ،اﻟﮕﻮرﻳﺘﻢ ﻳﮏ راس را ﺑﻪ ﻣﺠﻤﻮﻋﻪ اﻧﺘﺨﺎب ﺷﺪﻩ S ﺑﻪ ﮔﻮﻧﻪاﯼ اﺿﺎﻓﻪ ﻣﯽﮐﻨﺪ ﮐﻪ اﻳﻦ راس ﺑﺎ ﻣﺠﻤﻮﻋﻪ ﺣﺎل ﺣﺎﺿﺮ 67 Sﮔﺴﺘﺮش ﻧﻔﻮذ را ﺑﻴﺸﻴﻨﻪ ﮐﻨﺪ ) ﺧﻂ .( 10ﺑﻪ ﻃﻮر ﻣﺸﺎﺑﻪ، اﻳﻦ ﺑﻪ ﻣﻌﻨﯽ اﻳﻦ اﺳﺖ ﮐﻪ راس اﻧﺘﺨﺎب ﺷﺪﻩ در دور iام، راﺳﯽ اﺳﺖ ﮐﻪ ﮔﺴﺘﺮش اﺛﺮﮔﺬارﯼ اﻓﺰاﻳﺸﯽ را در اﻳﻦ دور ﺑﻴﺸﻴﻨﻪ ﻣﯽﮐﻨﺪ .ﺑﺮاﯼ اﻳﻦ ﮐﺎر ،ﺑﺮاﯼ هﺮ راس ∉ ،ﮔﺴﺘﺮش ﺷﺒﻴﻪ ﺗﺎﺑﻊ ∪ ﻧﻔﻮذ ∪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ) ﺧﻄﻮط 9-3 ﻣﺤﺎﺳﺒﻪ ﺗﮑﺮار زﻣﺎن اﻟﮕﻮرﻳﺘﻢ در زﻣﺎن ( ﺗﺨﻤﻴﻦ ﺳﺎزﯼ ﻣﯽﺷﻮد. زدﻩ هﺮ ﻃﻮر ﻣﯽﮐﺸﺪ و ﺑﻨﺎﺑﺮاﻳﻦ ﮐﻞ ﺑﻪ ﭘﺎﻳﺎن ﻣﯽرﺳﺪ. :NewGreedyIC اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﺑﺴﻴﺎر ﺷﺒﻴﻪ اﻟﮕﻮرﻳﺘﻢ ﻗﺒﻠﯽ اﺳﺖ .در اﻳﻦ اﻟﮕﻮرﻳﺘﻢ در هﺮ ﻣﺮﺣﻠﻪ 20000دور اﺟﺮاﻳﯽ دارﻳﻢ .در هﺮ دور از روﯼ ﮔﺮاف ورودﯼ ﮔﺮاف ﻗﻄﻌﯽ ﺳﺎﺧﺘﻪ ﻣﯽﺷﻮد .ﺑﻪ اﻳﻦ ﺻﻮرت ﮐﻪ هﺮ ﻳﺎل ﮐﻪ روﯼ ﺁن اﺣﺘﻤﺎل 1از ﺣﺬف ﻣﯽﮐﻨﻴﻢ. ﺗﻌﺪاد راسهﺎﯼ ﻗﺎﺑﻞ دﺳﺘﺮﺳﯽ از ﺗﻌﺮﻳﻒ ﻧﻮﺷﺘﻪ ﺷﺪﻩ اﺳﺖ را ﺑﺎ اﺣﺘﻤﺎل ﺣﺎﻻ در ﻣﯽﮐﻨﻴﻢ .اﺧﺘﻼف اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﺑﺎ اﻟﮕﻮرﻳﺘﻢ ﻗﺒﻠﯽ اﻳﻦ اﺳﺖ ﮐﻪ در اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﺑﻪ اﻳﻦ ﺷﮑﻞ ﺣﺴﺎب ﻣﯽﺷﻮد: اﻟﮕﻮرﻳﺘﻢ ﻣﻄﺮح ﺷﺪﻩ ﺑﻪ اﻳﻦ ﺻﻮرت اﺳﺖ: اﻟﮕﻮرﻳﺘﻢ 3اﻟﮕﻮرﻳﺘﻢ NewGreedyIC 68 اﻳﻦ اﻟﮕﻮرﻳﺘﻢ ﻳﮑﯽ از اﻟﮕﻮرﻳﺘﻢهﺎﯼ ﺑﻬﺒﻮد ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ اﺳﺖ ﺑﻨﺎﺑﺮاﻳﻦ ﺑﺎ ﺗﻮﻟﻴﺪ ﺑﺮاﯼ هﺮ ﻣﺤﺎﺳﺒﻪ ﺗﺼﺎدﻓﯽ \ ∈ ﺑﺮاﯼ و Rﺑﺎر، هﺮﺑﺎر ﺑﺎ ﭘﻴﻤﺎﻳﺶ ﺧﻄﯽ ﮔﺮاف ، ﻣﯽﺗﻮاﻧﻴﻢ ﺑﻬﺘﺮﻳﻦ ﮐﺎﻧﺪﻳﺪاﯼ ﺑﻌﺪﯼ راس vرا ﺑﺎ ﺑﻬﺘﺮﻳﻦ ﻣﻴﺎﻧﮕﻴﻦ اﻧﺘﺨﺎب ﮐﻨﻴﻢ. اﻟﮕﻮرﻳﺘﻢ ،3 ﺟﺰﺋﻴﺎت ﺑﺎ اﻟﮕﻮرﻳﺘﻢ ﺑﻬﺒﻮد ﻳﺎﻓﺘﻪ ﺑﺎﻻ را ﻧﺸﺎن ﻣﯽدهﺪ .از ﺁﻧﺠﺎﻳﯽ و ﮐﻪ ﻣﺤﺎﺳﺒﻪ ﺑﺮاﯼ هﻤﻪ رﺋﻮس ∈ زﻣﺎن ﻃﻮل ﻣﯽﮐﺸﺪ ،زﻣﺎن اﺟﺮاﯼ ﮐﻞ اﻟﮕﻮرﻳﺘﻢ ﺑﺮاﺑﺮ ﺧﻮاهﺪ ﺑﻮد اﻟﮕﻮرﻳﺘﻢ ﮐﻪ R ﺗﻌﺪاد ﺗﮑﺮار ﺷﺒﻴﻪﺳﺎزﯼ اﺳﺖ. اﻳﻦ ﻧﺴﺒﺖ ﺑﻪ اﻟﮕﻮرﻳﺘﻢ ﻗﺒﻞ ﺑﻬﺒﻮد ﻳﺎﻓﺘﻪ اﺳﺖ. 69 :DegreeDiscountIC اﻓﺰاﻳﺶ ﺑﺮاﯼ ﺳﺮﻋﺖ و ﮐﺎراﻳﯽ اﻟﮕﻮرﻳﺘﻢهﺎﯼ ﻗﺒﻞ در اﻳﻦ اﻟﮕﻮرﻳﺘﻢ از ﺗﺎﺑﻊ ﻣﮑﺎﺷﻔﻪاﯼ درﺟﻪ ﺗﺨﻔﻴﻒ ﻳﺎﻓﺘ ﻪ درﺟﻪ ) ﻳﻌﻨﯽ 55 راسهﺎ اﺳﺘﻔﺎدﻩ ﺷﺪﻩ اﺳﺖ .ﺗﺎﺑﻊ ﻣﮑﺎﺷﻔﻪاﯼ را ﺑﻪ ﺗﺮﺗﻴﺐ ﺑﻴﺸﺘﺮﻳﻦ درﺟﻪ ﺑﻪ ﮐﻤﺘﺮﻳﻦ درﺟﻪ اﻧﺘﺨﺎب ﮐﻨﻴﻢ ( ﻗﺒﻼ در ﻣﻘﺎﻟﻪ 2003 KDD ﺑﺮرﺳﯽ ﺷﺪﻩ ﺑﻮد و ﻋﺪم ﮐﺎراﻳﯽ ﺁن ﻧﺸﺎندادﻩ ﺷﺪﻩ ﺑﻮد .اﻳﻦ ﺗﺎﺑﻊ ﺟﺪﻳﺪ در ﺣﻘﻴﻘﺖ هﻤﺎن ﺗﺎﺑﻊ ﻣﮑﺎﺷﻔﻪاﯼ درﺟﻪ اﺳﺖ ﺑﺎ اﻳﻦ ﺗﻔﺎوت ﮐﻪ در اﻳﻦ ﺣﺎﻟﺖ اﮔﺮ راس uﻗﺒﻼ اﻧﺘﺨﺎب ﺷﺪﻩ ﺑﺎﺷﺪف در ﺷﻤﺎرش درﺟﻪ ﻳﺎل را ﻧﻤﯽﺷﻤﺎرﻳﻢ. اﻟﮕﻮرﻳﺘﻢ 4اﻟﮕﻮرﻳﺘﻢ )DegreeDiscountIC(G,k Degree Discount 55 70 ﺑﺎ اﺳﺘﻔﺎدﻩ از Heapﻓﻴﺒﻮﻧﺎﭼﯽ ،زﻣﺎن اﺟﺮاﯼ اﻟﮕﻮرﻳﺘﻢ 4 ﺑﺮاﺑﺮ ﺧﻮاهﺪ ﺑﻮد .ﺑﻨﺎﺑﺮاﻳﻦ ﻣﯽﺑﻴﻨﻴﻢ در ﻋﻤﻞ اﻟﮕﻮرﻳﺘﻢ DegreeDiscountﺑﺴﻴﺎر ﺑﻬﺘﺮ از اﻟﮕﻮرﻳﺘﻢ GeneralGreedyﻋﻤﻞ ﻣﯽﮐﻨﺪ. ﺟﻤﻊ ﺑﻨﺪﯼ در اﻳﻦ رﺳﺎﻟﻪ ﻣﺒﺎﺣﺜﯽ ﻣﺮﺗﺒﻂ ﺑﺎ ﮔﺴﺘﺮش اﺛﺮﮔﺬارﯼ در ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ ﻣﻄﺮح ﺷﺪ و ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮار ﮔﺮﻓﺖ .در اﺑﺘﺪا ﺑﻪ ﺑﺮرﺳﯽ ﻣﺒﺎﺣﺚ ﺿﺮورﯼ و ﭘﻴﺶﻧﻴﺎز ﭘﺮداﺧﺘﻪ ﺷﺪ ﮐﻪ در اداﻣﻪ رﺳﺎﻟﻪ ﮐﺎرﺑﺮد داﺷﺘﻨﺪ .از ﺟﻤﻠﻪ ﺗﻮاﺑﻊ ﻣﺠﻤﻮﻋﻪاﯼ و ﻧﻈﺮﻳﻪ ﮔﺮاف ﮐﻪ ﺑﺮاﯼ ﺑﺮﺧﯽ ﻗﻀﺎﻳﺎ و ﻣﻄﺎﻟﺐ ﻣﻄﺮح ﺷﺪﻩ ﻣﻮرد ﻧﻴﺎز ﺑﻮد. 71 در ﺑﺨﺶ ﺑﻌﺪﯼ ﺑﻪ ﺑﺮرﺳﯽ ﺑﺮﺧﯽ ﻣﺪلهﺎﯼ اراﺋﻪ ﺷﺪﻩ ﺑﺮاﯼ ﮔﺴﺘﺮش .اﺛﺮﮔﺬارﯼ در ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ ﭘﺮداﺧﺘﻪ ﺷﺪ در اداﻣﻪ ﺑﻪ ﺑﺮرﺳﯽ ﻣﺴﺎﻟﻪ اﻧﺘﺨﺎب ﻣﺠﻤﻮﻋﻪ هﺪف ﭘﺮداﺧﺘﻪ ﺷﺪ و ﻗﻀﺎﻳﺎﯼ ﻣﻬﻢ ﺁن از ﻣﻘﺎﻻت ﻣﺨﺘﻠﻒ ﻣﻄﺮح ﺷﺪ و در اداﻣﻪ ﺁن ﺑﻪ .ﻃﺒﻖ ﺗﻌﺎرﻳﻒ ﭘﺮداﺧﺘﻪ ﺷﺪ ﺑﺮرﺳﯽ ﺳﺎﺑﻤﺎدوﻻر ﺑﻮدن ﻣﺴﺎﻟﻪ در اﻧﺘﻬﺎ ﻧﻴﺰ ﻧﮕﺎهﯽ دﻳﮕﺮ ﺑﻪ ﭘﻴﭽﻴﺪﮔﯽ ﺣﻞ ﻣﺴﺎﻟﻪ ﮔﺴﺘﺮش .اﺛﺮﮔﺬارﯼ در ﺷﺒﮑﻪهﺎﯼ اﺟﺘﻤﺎﻋﯽ ﭘﺮداﺧﺘﻪ ﺷﺪ ﻣﺮاﺟﻊ Chen, N .(2008) .On the Approximability of Influence in Social Networks19 .th annual ACM-SIAM symposium on Discrete Algorithm(SODA. ( D. Aldous, J. F .(2007) .Reversible Markov Chains and Random Walks on Graphs .Draft. D. Kempe, J. a .(2005) .Influential nodes in a diffusion model for social networks .ICALP. D. Kempe, J. K .(2003) .Maximizing the spread of influence through a social network9 .th International Conference on Knowledge Discovery and Data Mining (KDD. ( Dreyer, P. A .(2000) .Applications and Variations of Domination in Graphs .Ph.D Thesis. E. Arcaute, A. K.-N .(2007) .On Threshold Behavior in Query Incentive Networks .EC.74-66 , 72 E. Mossel, S. R .(2007) .On the Submodularity of Influence in Social Networks .STOC. Eyal Even-Dar, A. S .(2007) .A Note on Maximizing the Spread of Influence in Social Networks .Internet and Networks Economics. G. Cornuejols, M. F .(1977) .Location of Bank Accounts to Optimize Float .Management Science.23 , G. Kortsarz, R. K .(2004) .Hardness on Approximating Vertex-Connectivity Network Design Problems . SIAM journal on Computing.720-704 , G. Nemhauser, L. W .(1978) .An analysis of the approsimations for maximizing submodular set functions. Mathematical Programming, 14. J. M. Kleinberg, P. R .(2005) .Query Incentive Networks .FOCS.141-132 , Knuth, D. E .(1997) .The Art of Computer Programming3 .rd edition, Addison-Wesley. Kortsarz, G .(2001) .On the Hardness of Approximating Spaners .Algorithmica.450-432 , Lawler, E .(1979) .Fast approximation algorithm for knapsack problems .Mathematics of Operations Research.356-4:330 , Lindvall, T .(1992) .Lectures on the Coupling Method .New York: Wiley. M. Richardson, P. D .(2002) .Mining Knowledge Sharing Sites for Viral Marketing .Eighth Intl. Conf. on Knowledge Discovery and Data Mining (KDD. ( M. Richardson, P .(2001) .Mining the network value of the customers7 .th Intl. Conf. on Knowledge Discovery and Data Mining (KDD. ( P. Clifford, A. S .(1973) .A model for spatial conflict .Biometrica. Peleg, D .(1996) .Local Majority Voting, Small Coalitions and Controlling Monopolies in Graphs .A Review, in Proceedings of the 3rd Colloquium on Structural Information & Communication Complexity , .179-170 R.A. Holley, T. L .(1975) .Ergodic theorems for weakly interacting infinite. Systems and voter model . Annals of Probability.663-3:643 , Raz, R .(1998) .A Parallel Repetition Theorem .SIAM J. Computing , V.27(3), 763-803. Travers, J. S .(2007) .An Experimental Study of the Small World Problem .Cambridge, UK: Cambridge University Press. W.Chen, Y. S .(2009) .Efficient Influence Maximization in Social Networks15 .th International Conference on Knowledge Discovery and Data Mining ( KDD. ( 73 واژﻧﺎﻣﻪ اﻧﮕﻠﻴﺴﯽ ﺑﻪ ﻓﺎرﺳﯽ Activation Time ................................ زﻣﺎن ﻓﻌﺎلﺷﺪن Bipartite ................................................................................................... دو ﺑﺨﺸﯽ Blocked ........................................ ﻣﺴﺪود ﺷﺪﻩ Contagious ....................................... واﮔﻴﺮدار Cost .............................................. هﺰﻳﻨﻪ Diameter ............................................................................................................ ﻗﻄﺮ Diminishing ......................................... ﮐﺎهﺸﯽ General Cascade Model ...................... ﻣﺪل اﻧﺘﺸﺎر ﻋﻤﻮﻣﯽ General Threshold Model ................... ﻣﺪل ﺣﺪﺁﺳﺘﺎﻧﻪ ﻋﻤﻮﻣﯽ Independent Cascade Model ................... ﻣﺪل اﻧﺘﺸﺎر ﻣﺴﺘﻘﻞ Infinite ........................................... ﻧﺎﻣﺤﺪود Influence Model ............................... ﻣﺪل اﺛﺮﮔﺬارﯼ Linear Threshold Model ...................... ﻣﺪل ﺣﺪﺁﺳﺘﺎﻧﻪ ﺧﻄﯽ Link ............................................... ﭘﻴﻮﻧﺪ 74 Live ................................................ زﻧﺪﻩ Monotone .......................................... ﻳﮑﻨﻮا Non Progressive ............................... ﻏﻴﺮﭘﻴﺶ روﻧﺪﻩ Power Law ..................................... ﻗﺎﻧﻮن ﻗﺪرت Progressive ....................................... ﭘﻴﺶروﻧﺪﻩ Random Walk ............................... ﻗﺪم زدن ﺗﺼﺎدﻓﯽ Rich Get Richer Phenomena........ ﭘﺪﻳﺪﻩ ﭘﻮﻟﺪارﺗﺮ ﺷﺪن ﭘﻮﻟﺪارهﺎ Set Cover ................................... ﭘﻮﺷﺶ ﻣﺠﻤﻮﻋﻪاﯼ Set Functions ............................... ﺗﻮاﺑﻊ ﻣﺠﻤﻮﻋﻪاﯼ Social Network ................................ ﺷﺒﮑﻪ اﺟﺘﻤﺎﻋﯽ Table ............................................... ﺟﺪول Vertex Cover ..................................... ﭘﻮﺷﺶ راﺳﯽ Viral Marketing .............................. ﺑﺎزارهﺎﯼ ﺷﻔﺎهﯽ Voter Model .................................. ﻣﺪل راﯼدهﻨﺪﻩ 75 Abstract Social networks plays an important role in information growth and spread in the world. After the emerging of social networks new markets and new ways of doing business in the internet world came true. In these markets ideas or even people’s decisions affects their friends ideas and decisions in some kind of direct way. On the other hand, many models in the spread on an idea, virus etc. in different sciences have been analyzed. In social networks spreading is important in the field of advertisements. In the following thesis we’re doing a survey on growth and spread models. Since social networks are providing suitable advertising firms for companies, they are interested not only in the customer behavior, but also in pricings and different methods for maximizing profit in these networks. The main point of this thesis is to analyze different models in spread of social networks and their complexity. It should be noted that all topics in this thesis are introduced by other researchers. Keywords: Social Networks, Spread of social networks, Spread of Influence 76 Sharif University of Technology Computer Engineering Department Bachelor of Science Thesis Information Technology Engineering Topic Analysis of Spread of Influence in Social Networks by Pezhman Ahli Bidgoli Supervisor Dr Mohammad Ali Safari 77 Summer 2011 78
© Copyright 2024 Paperzz