Hamiltonian decomposition nei grafi: quando la probabilità non è zero o uno?

Immagina di generare migliaia di grafi casuali partendo da una struttura chiamata step-graphon. Ora chiediti: quanti di questi grafi contengono una decomposizione hamiltoniana? Un risultato noto afferma che, per quasi tutti i casi, la probabilità di trovarla converge a zero o a uno. Ma cosa succede quando non è così? Questo è il cosiddetto caso residuo. Un team di ricercatori ha dimostrato che anche in questa situazione la probabilità converge comunque a un certo limite. E non solo: hanno trovato un’espressione esplicita per calcolarlo. La dimostrazione è completa e i risultati sono stati verificati con simulazioni numeriche. Questo tipo di studio è importante per capire meglio le reti complesse, usate in biologia, informatica e social network. La matematica dietro ai grafi aiuta a modellare relazioni tra oggetti, persone o dati. Ecco perché capire quando esiste una decomposizione hamiltoniana è cruciale: significa trovare un cammino che tocca ogni nodo esattamente una volta. Un risultato apparentemente astruso, ma con applicazioni concrete in ottimizzazione di reti e algoritmi.

La ricerca si concentra su una proprietà specifica dei cosiddetti step-graphons, che sono limiti di sequenze di grafi definiti su spazi di misura. Questi oggetti permettono di studiare il comportamento asintotico di grandi reti. La decomposizione hamiltoniana richiede che un grafo possa essere suddiviso in cicli che coprono tutti i nodi. Il risultato principale dimostra che, nel caso residuo, la probabilità di osservare tale decomposizione converge a un valore ben definito, esprimibile in termini delle proprietà geometriche del graphon. La validazione numerica conferma l’accuratezza della formula teorica. Questo lavoro apre nuove prospettive nell’analisi probabilistica delle reti e nella teoria della complessità computazionale.