Probabilistische Graphmodelle, in denen Knoten in einem geometrischen Raum (häufig zufällig) platziert werden und Kanten entsprechend geometrischer Nähe oder einer distanzabhängigen Verbindungsregel gebildet werden, wodurch Kontinua‑Geometrie und zufällige Graphentheorie verknüpft werden.

Prinzip

Einbetten von Knoten in einen Metrikraum und Verbinden von Paaren basierend auf einer Schwellendistanz oder einem Verbindungswahrscheinlichkeitskern; Untersuchung von Grapheneigenschaften (Konnektivität, Komponenten Größen, Clique‑Zahlen, Perkolation) als Funktionen der zugrundeliegenden Geometrie, des Punktprozesses und des Skalierungsregimes.

Demonstration

Im Gilbert (Einheitskreis) Modell in der Ebene werden n Punkte uniform in einem Quadrat gezogen und verbunden, wenn ihre euklidische Distanz unterhalb eines Radius r liegt; wenn n wächst und r entsprechend skaliert wird, beobachtet man Phasenübergänge in der Konnektivität und das Auftreten einer riesigen Komponente.

Fehlanwendung

Random Geometric Graphs als Erdős–Rényi‑Graphen zu behandeln, ohne räumliche Korrelationen zu berücksichtigen, oder die Unabhängigkeit der Kanten anzunehmen, führt zu falschen Schwellenwerten und irreführenden Schlussfolgerungen über Clusterbildung und Weglängen.

Konsequenz

Random Geometric Graphs modellieren räumliche Netze (Drahtlos, Sensoren, ökologisch) mit realistischer Lokalität, liefern asymptotische Gesetze für Konnektivität und spektrale Eigenschaften und informieren Algorithmen, die Geometrie für Routing und Clustering ausnutzen.

Umkehrung

Umkehren, indem man die Geometrie ignoriert und rein kombinatorische Zufallsgraphen verwendet; das vereinfacht die Analyse, lässt aber räumliche Beschränkungen, Lokalitätseffekte und geometriegetriebene Phänomene wie dimensionsabhängige Perkolationsschwellen außer Acht.

Abgrenzung

Der Rahmen hängt vom umgebenden Metrikraum, dem Punktprozess (Poisson, binomial) und der Verbindungsregel ab; viele Resultate setzen Unabhängigkeit, Stationarität oder Homogenität voraus, die in heterogenen oder eingeschränkten Umgebungen nicht gelten.

Semantische Spannung

Spannung besteht zwischen geometrischen/abhängigen Kantenmodellen und klassischen Zufallsgraphen mit unabhängigen Kanten: Geometrie induziert Abhängigkeiten und Lokalität, die mit mean‑field‑Approximationen der kombinatorischen Theorie kollidieren.

Synthese

Random Geometric Graphs integrieren stochastische Geometrie und Graphentheorie, indem sie Knoten im Raum platzieren und Kanten nach Nähe‑Regeln bilden, räumliche Abhängigkeit erfassen und die Analyse von Konnektivität, Skalierungsgrenzen und Anwendungen in vernetzten Systemen ermöglichen.