Degree Variance and the Fuzzy Sigma Index in Fuzzy Graphs

논문 개요

이 논문은 고전적인 그래프 이론의 **시그마 지수 (Sigma Index)**를 퍼지 그래프 (Fuzzy Graph) 환경으로 자연스럽게 확장하여, **퍼지 시그마 지수 (Fuzzy Sigma Index, $\sigma^*(\Gamma)$)**를 정의하고 그 성질을 체계적으로 연구합니다. 시그마 지수는 그래프의 불규칙성 (irregularity) 을 측정하는 지표로, 정점들의 차수 (degree) 분포의 분산 (variance) 을 기반으로 합니다. 저자는 퍼지 그래프의 불규칙성을 정량화하기 위해 이 개념을 도입하고, 다양한 퍼지 그래프 연산 하에서의 거동, 극한 값 (상한 및 하한), 그리고 극단적인 그래프 구조를 분석합니다.

1. 문제 제기 (Problem Statement)

• 배경: 고전적인 그래프에서 시그마 지수 $\sigma(\Gamma)$는 정점 차수 시퀀스의 분산으로 정의되며, 그래프가 정규 (regular) 일 때 0 이 되고 불규칙할수록 큰 값을 가집니다.
• 문제: 퍼지 그래프 이론에서 정점과 간선의 가중치 (멤버십 값) 가 연속적인 [0, 1] 구간을 가질 때, 기존의 시그마 지수를 어떻게 정의하고 확장할 수 있는가?
• 목표:
  1. 퍼지 차수 ($d_\Gamma(v)$) 와 퍼지 크기 ($\tilde{e}_w$) 를 기반으로 의미 있는 퍼지 시그마 지수 $\sigma^*(\Gamma)$를 정의한다.
  2. 이 지수의 엄밀한 하한 및 상한을 도출한다.
  3. 극단적인 그래프 (최소/최대 값을 갖는 그래프) 를 규명한다.
  4. 합집합 (Union), 합 (Join), 데카르트 곱 (Cartesian Product), 합성 (Composition) 등 표준 퍼지 그래프 연산 하에서의 지수 거동을 분석한다.

2. 방법론 (Methodology)

2.1. 정의 (Definitions)

• 퍼지 그래프: $\Gamma = (V, \nu, \mu)$로 정의되며, 여기서 $\nu$는 정점의 멤버십, $\mu$는 간선의 멤버십 함수입니다.
• 퍼지 차수 ($d_\Gamma(v)$): 정점 $v$에 연결된 모든 간선의 멤버십 값의 합.
  $$d_\Gamma(v) = \sum_{u \neq v} \mu(v, u)$$
• 퍼지 크기 ($\tilde{e}_w$): 모든 간선의 멤버십 값의 합 (총 가중치).
  $$\tilde{e}_w = \sum_{u < v} \mu(u, v)$$
• 평균 퍼지 차수 ($\lambda$): $\lambda = \frac{2\tilde{e}_w}{n}$ ($n$은 정점의 수).
• 퍼지 시그마 지수 ($\sigma^*(\Gamma)$): 고전적인 분산 공식의 퍼지 버전으로 정의됩니다.
  $$\sigma^*(\Gamma) = \frac{1}{n} \sum_{v \in V(\Gamma)} \left( d_\Gamma(v) - \lambda \right)^2$$
  이는 정점 차수 시퀀스의 분산 (Population Variance) 을 의미합니다.

2.2. 분석 도구

• 부등식 기법: 차수의 최댓값 ($\Delta$) 과 최솟값 ($\delta$) 을 이용한 분산의 상한/하한 추정.
• 그래프 연산 분석: 두 퍼지 그래프 $\Gamma_1, \Gamma_2$에 대한 연산 (합집합, 합, 데카르트 곱, 합성) 후 새로운 그래프의 차수와 분산을 계산하여 지수의 변화规律을 유도.
• 극단값 분석: 분산이 최대가 되는 차수 분포 (가장 불규칙한 경우) 와 최소가 되는 경우 (정규 그래프) 를 수학적으로 규명.

3. 주요 기여 및 결과 (Key Contributions & Results)

3.1. 기본 성질 및 극단값

• 정규성 조건 (Theorem 3.1): $\sigma^*(\Gamma) = 0$인 필요충분조건은 $\Gamma$가 **퍼지 정규 그래프 (Fuzzy Regular Graph)**인 것입니다. 즉, 모든 정점의 퍼지 차수가 동일한 경우입니다.
• 최대 불규칙성 (Theorem 3.2): 고정된 퍼지 크기 $\tilde{e}_w$를 가질 때, $\sigma^*(\Gamma)$가 최대가 되는 경우는 그래프가 단 하나의 퍼지 간선만을 가지고 나머지 정점들이 고립된 경우입니다.
  • 이 경우 차수 시퀀스는 $\{ \tilde{e}_w, \tilde{e}_w, 0, \dots, 0 \}$이 됩니다.
  • 상한 공식: $\sigma^*(\Gamma) \le \frac{2\tilde{e}_w^2}{n} (1 - \frac{2}{n})$.
• 상한 및 하한 부등식:
  • 상한 (Prop 2.4, Thm 2.2): 최대 차수 $\Delta$와 최소 차수 $\delta$의 차이, 또는 퍼지 크기를 기반으로 한 상한이 제시되었습니다. 특히 별 그래프 (Star Graph) 형태가 높은 불규칙성을 보입니다.
  • 하한 (Prop 2.5): 비정규 (non-regular) 퍼지 그래프의 경우 $\sigma^*(\Gamma) \ge \frac{1}{n^2}(\Delta - \delta)^2$임을 보였습니다.

3.2. 퍼지 연산 하에서의 거동

• 데카르트 곱 (Cartesian Product, $\Gamma_1 \square \Gamma_2$):
  • 가법성 (Additivity): $\sigma^*(\Gamma_1 \square \Gamma_2) = \sigma^*(\Gamma_1) + \sigma^*(\Gamma_2)$가 성립합니다. 이는 매우 중요한 발견으로, 복잡한 그래프의 불규칙성을 구성 요소의 불규칙성 합으로 분해할 수 있음을 의미합니다.
• 합집합 (Union, $\Gamma_1 \cup \Gamma_2$):
  • 두 그래프의 시그마 지수 합에 두 그래프의 평균 차수 차이 ($\lambda_1 - \lambda_2$) 에 의한 항이 추가되는 형태로 유도되었습니다.
• 합 (Join, $\Gamma_1 \vee \Gamma_2$) 및 합성 (Composition, $\Gamma_1[\Gamma_2]$):
  • 합성 연산의 경우, 외부 그래프 $\Gamma_1$의 불규칙성이 전체 불규칙성에 지배적인 영향을 미침을 보였습니다.

3.3. 퍼지 여집합 (Fuzzy Complement)

• $\Gamma$와 그 여집합 $\bar{\Gamma}$의 시그마 지수 사이의 관계를 규명했습니다.
• 모든 정점의 멤버십이 1 인 경우, $\sigma^*(\Gamma) + \sigma^*(\bar{\Gamma})$는 특정 상한을 가지며, 이는 그래프와 그 여집합의 불규칙성 총합을 측정하는 기준이 됩니다.

4. 의의 및 결론 (Significance & Conclusion)

• 이론적 기여: 퍼지 그래프 이론에 **분산 기반의 위상 지수 (Variance-based Topological Index)**를 체계적으로 도입했습니다. 기존에 주로 연구된 차수 합 (Sum) 기반 지수들과 달리, 분산 (Variance) 을 통해 그래프 구조의 '불규칙성'을 정량화하는 새로운 패러다임을 제시했습니다.
• 실용적 가치:
  • 분자 구조 및 네트워크 분석: 분자 구조의 복잡성이나 네트워크의 불균형성을 분석할 때 퍼지 시그마 지수를 활용할 수 있는 이론적 토대를 마련했습니다.
  • 최적화 및 극단 구조 식별: 어떤 조건에서 그래프가 가장 불규칙해지거나 (단일 간선), 가장 규칙해지는지 (정규 그래프) 를 수학적으로 증명하여, 네트워크 설계나 분석 시 목표 구조를 설정하는 데 도움을 줍니다.
• 미래 연구 방향: 가중치 확장, 다른 퍼지 위상 지수와의 상관관계 분석, 그리고 실제 퍼지 네트워크 (예: 사회적 네트워크, 생물학적 네트워크) 에의 적용 가능성을 제시했습니다.

요약하자면, 이 논문은 그래프의 불규칙성을 측정하는 강력한 도구인 '시그마 지수'를 퍼지 환경으로 성공적으로 확장하여, 그 수학적 성질, 극한 값, 그리고 연산 규칙을 규명함으로써 퍼지 그래프 이론의 위상 지수 연구 분야에 중요한 기여를 했습니다.