MATLAB图论实战：超立方体建模、可视化与算法实现

1. 项目概述：从高维立方体到图论模型

最近在整理一些图论和离散数学的旧项目时，又翻出了关于超立方体（Hypercubes）的代码和笔记。这玩意儿听起来挺玄乎，什么“高维立方体”，但它在计算机科学、网络拓扑、并行计算乃至机器学习里的嵌入表示里，都扮演着极其重要的角色。简单来说，超立方体是一种特殊的图（Graph），而图论是我们理解和处理复杂关系网络的基础数学工具。这次我想结合MATLAB这个强大的计算与可视化平台，和大家从头到尾捋一遍： 如何用MATLAB的现代图对象（graph object）来构建、分析、可视化超立方体，并探索其背后有趣的图论性质 。

对于工程师、学生或任何对复杂网络建模感兴趣的朋友，理解超立方体不仅能加深你对图论的认识，更能直接应用于设计互联网络（如超级计算机的处理器连接）、编码理论（如格雷码）以及数据结构的邻接关系表示。MATLAB的图论工具箱让这一切变得直观。我们将从最基础的邻接矩阵（adjacency matrix）生成开始，一步步深入到图的遍历、属性计算和三维（及更高维概念）的可视化技巧。你会发现，那些看似抽象的数学概念，用代码实现出来并看到图形时，会变得异常清晰和有力。

2. 超立方体图论基础与MATLAB图对象解析

2.1 什么是超立方体图？

在几何上，一个n维超立方体（Q_n）可以看作是由所有长度为n的二进制串（即顶点）构成的，如果两个二进制串恰好只有一位不同，那么它们之间就有一条边相连。举个例子：

• 0维超立方体（Q_0） ：就是一个点。
• 1维超立方体（Q_1） ：是两个点（0和1）由一条边连接，就是一条线段。
• 2维超立方体（Q_2） ：是四个点（00, 01, 10, 11），构成了一个正方形的四个顶点，这就是我们熟悉的正方形。
• 3维超立方体（Q_3） ：是八个点（000到111），构成了一个立方体的八个顶点。

从图论的角度看， 超立方体图是一个正则图（每个顶点的度相同）、二分图，并且具有丰富的对称性和优良的网络直径（任意两点间最短路径的最大值） 。n维超立方体Q_n有2^n个顶点，每个顶点的度（连接边数）是n，总边数为 n * 2^(n-1)。它的这些特性使得它在设计低延迟、高容错的互连网络时非常有用。

在MATLAB中，我们不再需要手动去拼凑这些二进制串和边。核心思路是利用其编号规律：顶点可以用0到2^n-1的整数表示，两个整数（顶点）如果它们的二进制表示只有一位不同（即它们的按位异或结果是一个2的幂），那么它们之间就存在一条边。这个逻辑是生成邻接矩阵的关键。

2.2 MATLAB图对象与邻接矩阵的现代操作

早期MATLAB处理图论问题，大家可能更熟悉用稀疏矩阵（sparse matrix）来表示邻接矩阵，然后自己写函数去计算路径、连通分量等。自从引入了 graph 和 digraph 对象，一切都变得优雅多了。这个对象将图的顶点、边以及它们的属性（权重、名称等）封装在一起，提供了大量内置的分析和可视化函数。

邻接矩阵（Adjacency Matrix） 是一个方阵，用来表示图中顶点之间的连接关系。对于无向图（如超立方体），它是一个对称矩阵；对于有向图，则不一定对称。矩阵中元素A(i, j)的值通常表示从顶点i到顶点j的边的权重（对于无权图，1表示有连接，0表示无连接）。

在MATLAB中创建图对象，最直接的方式之一就是通过邻接矩阵。语法很简单： G = graph(A) ，其中A就是邻接矩阵。图对象 G 一旦创建，你就可以像操作一个高级数据结构一样去访问它的节点、边，调用如 shortestpath 、 centrality 、 plot 等方法，非常方便。

注意 ：MATLAB的 graph 对象默认的顶点索引是从1开始的，这与我们通常从0开始计数的编程习惯（或二进制串表示）不同。在生成邻接矩阵时，我们需要特别注意这个索引偏移，或者在创建图对象后，通过 G.Nodes 属性为顶点添加有意义的标签（比如二进制字符串）来弥补直观性。

3. 生成超立方体邻接矩阵的核心算法

3.1 基于二进制位运算的生成方法

这是最直接、计算效率也较高的方法。其核心思想就是前面提到的：遍历所有顶点对(i, j)，检查 bitxor(i, j) 的结果是否为2的幂次。如果是，则说明i和j的二进制表示仅有一位不同。

让我们在MATLAB中实现它。首先，确定维度n和顶点数 numVertices = 2^n 。

function A = hypercube_adjacency_bit(n)
    % 生成n维超立方体的邻接矩阵
    % 输入：n - 超立方体的维度
    % 输出：A - 稀疏逻辑邻接矩阵（logical sparse matrix）
    
    numVertices = 2^n;
    % 预分配边列表，超立方体总边数为 n * 2^(n-1)
    maxEdges = n * 2^(n-1);
    fromNodes = zeros(1, maxEdges);
    toNodes = zeros(1, maxEdges);
    
    edgeIdx = 1;
    % 遍历所有顶点（MATLAB索引从1开始，但计算时我们用0-based的逻辑）
    for i = 0:numVertices-1
        % 检查与所有比i大的顶点j的连接，避免重复（无向图）
        for j = i+1:numVertices-1
            xorResult = bitxor(i, j);
            % 判断xorResult是否为2的幂：当且仅当 xorResult & (xorResult - 1) == 0
            % 并且 xorResult != 0
            if xorResult && bitand(xorResult, xorResult - 1) == 0
                % 找到一条边，存储时转换为1-based索引
                fromNodes(edgeIdx) = i + 1;
                toNodes(edgeIdx) = j + 1;
                edgeIdx = edgeIdx + 1;
            end
        end
    end
    % 修剪预分配的数组
    fromNodes = fromNodes(1:edgeIdx-1);
    toNodes = toNodes(1:edgeIdx-1);
    % 创建对称的稀疏邻接矩阵
    A = sparse([fromNodes, toNodes], [toNodes, fromNodes], true, numVertices, numVertices);
end

这个函数返回一个稀疏逻辑矩阵。使用稀疏矩阵对于大型超立方体（例如n>10）至关重要，可以节省大量内存。因为邻接矩阵中绝大多数元素都是0。

3.2 基于迭代构造的生成方法

超立方体还有一个优美的递归定义：Q_n可以通过两个Q_{n-1}的拷贝，并将对应顶点连接起来得到。这为我们提供了另一种生成思路，尤其适合理解其结构。

1. 基础 ：Q_0的邻接矩阵是1x1的矩阵 [0] 。
2. 递归步骤 ：已知Q_{k-1}的邻接矩阵A_{k-1}（大小为2^{k-1} x 2^{k-1}），那么Q_k的邻接矩阵可以构造为：

   A_k = [ A_{k-1}       I;
           I        A_{k-1} ]
   

   其中I是大小为2^{k-1}的单位矩阵。这个分块矩阵右上和左下的单位矩阵块，就代表了连接两个Q_{k-1}拷贝的新边。

MATLAB实现如下：

function A = hypercube_adjacency_recursive(n)
    % 递归构造n维超立方体邻接矩阵
    if n == 0
        A = sparse(1, 1); % 0维，单个顶点
        return;
    elseif n == 1
        A = sparse([0 1; 1 0]); % 1维，两个顶点相连
        return;
    else
        A_prev = hypercube_adjacency_recursive(n-1);
        size_prev = size(A_prev, 1);
        I = speye(size_prev); % 稀疏单位矩阵
        % 构造分块矩阵
        A = [A_prev, I; I, A_prev];
    end
end

这种方法代码非常简洁，直观地反映了超立方体的递归结构。但对于较大的n，递归调用和矩阵拼接可能会比位运算方法稍慢一些。

实操心得 ：对于教学和快速理解结构，递归方法无与伦比。但在实际计算中，尤其是n较大（>12）时，我通常使用基于位运算的稀疏矩阵方法，它的时间和空间效率都更高。你可以将两种方法的输出用 isequal 函数比较，验证其正确性。

4. 构建与分析超立方体图对象

4.1 创建并丰富图对象

生成了邻接矩阵 A 后，创建图对象就是一行代码的事。但我们不满足于此，我们希望这个图对象包含更多信息。

n = 4; % 以4维超立方体为例
A = hypercube_adjacency_bit(n); % 使用位运算方法生成
G = graph(A, 'upper'); % ‘upper’指定使用上三角矩阵创建无向边，避免重复

% 此时G是一个基本的图对象。让我们为顶点添加有意义的标签。
numVertices = 2^n;
% 生成二进制标签，例如 ‘0101’
nodeLabels = cell(numVertices, 1);
for i = 0:numVertices-1
    % 将整数转换为n位二进制字符串，前面补零
    nodeLabels{i+1} = dec2bin(i, n);
end
% 将标签添加到图对象的Nodes表
G.Nodes.Name = nodeLabels;

% 我们也可以计算并添加一些顶点属性，比如每个顶点的二进制表示中‘1’的个数（汉明权重）
G.Nodes.HammingWeight = sum(dec2bin(0:numVertices-1, n) == '1', 2);

现在， G 就是一个包含了顶点名称和自定义属性的完整图对象。你可以用 G.Nodes 和 G.Edges 来查看这些信息。

4.2 计算关键图论属性

MATLAB的图对象内置了大量分析函数。让我们计算超立方体的一些核心属性来验证其理论值，并展示MATLAB的便捷性。

% 1. 基本信息
numNodes = numnodes(G) % 应等于 2^n
numEdges = numedges(G) % 应等于 n * 2^(n-1)
isConnected = conncomp(G); % 连通分量，对于超立方体应为全1
fprintf('图是连通的吗？ %s\n', mat2str(all(isConnected == 1)));

% 2. 度分布 (每个顶点的连接数)
degrees = degree(G);
fprintf('所有顶点的度都是 %d 吗？ %s\n', n, mat2str(all(degrees == n)));

% 3. 最短路径距离和直径
% 计算所有顶点对之间的最短路径距离（无权图，距离即边数）
distanceMatrix = distances(G);
% 图的直径：所有最短路径中的最大值
graphDiameter = max(distanceMatrix(:));
fprintf('图的直径（理论值应为 %d）是： %d\n', n, graphDiameter);

% 4. 验证二分图性质
% 超立方体是二分图。一种验证方法是进行双色着色（2-coloring）。
% 我们可以根据顶点编号的奇偶性（或汉明权重的奇偶性）来着色。
try
    % 使用 `isbipartite` 函数检查
    [isBipartite, color] = isbipartite(G);
    fprintf('图是二分图吗？ %s\n', mat2str(isBipartite));
catch
    % 旧版本MATLAB可能没有此函数，手动验证：
    % 使用广度优先搜索(BFS)进行双色着色
    colors = zeros(numNodes, 1);
    colors(1) = 1;
    queue = 1;
    isBipartite = true;
    while ~isempty(queue) && isBipartite
        u = queue(1); queue(1) = [];
        neighbors = successors(G, u); % 对于无向图，successors返回所有邻接顶点
        for v = neighbors'
            if colors(v) == 0
                colors(v) = -colors(u);
                queue(end+1) = v;
            elseif colors(v) == colors(u)
                isBipartite = false;
                break;
            end
        end
    end
    fprintf('（手动BFS验证）图是二分图吗？ %s\n', mat2str(isBipartite));
end

运行这段代码，你会看到对于n=4的超立方体，节点数16，边数32，所有顶点度数为4，直径为4，并且确认是二分图。这些结果完美符合理论预期。

注意事项 ： distances(G) 函数计算全源最短路径，对于顶点数较多的图（如n>12，节点数>4096），可能会消耗较多内存和时间。在实际分析大型图时，可以考虑抽样计算或使用近似算法。

5. 超立方体的可视化技巧与挑战

5.1 二维与三维布局可视化

可视化是理解图结构的重要手段。MATLAB的 plot 函数可以直接绘制图对象，并自动使用布局算法。

figure(‘Position‘， [100, 100, 1200, 500]);

% 子图1：使用自动布局（如force-directed）
subplot(1,2,1);
p1 = plot(G, ‘NodeLabel‘， G.Nodes.Name, ‘Layout‘， ‘force‘， ‘UseGravity‘， true);
title(‘4维超立方体 - Force Layout‘);
highlight(p1, find(G.Nodes.HammingWeight==0), ‘NodeColor‘， ‘r‘); % 高亮全0顶点
highlight(p1, find(G.Nodes.HammingWeight==n), ‘NodeColor‘， ‘g‘); % 高亮全1顶点

% 子图2：尝试用多维标度（MDS）基于距离矩阵进行布局，可能更能反映高维结构
subplot(1,2,2);
% 将距离矩阵转换为点坐标（2维）
D = distanceMatrix;
% 使用经典MDS (cmdscale)
Y = cmdscale(D, 2);
p2 = plot(G, ‘XData‘， Y(:,1), ‘YData‘， Y(:,2), ‘NodeLabel‘， G.Nodes.Name);
title(‘4维超立方体 - MDS Layout (基于图距离)‘);
highlight(p2, find(G.Nodes.HammingWeight==0), ‘NodeColor‘， ‘r‘);
highlight(p2, find(G.Nodes.HammingWeight==n), ‘NodeColor‘， ‘g‘);

‘force‘ 布局模拟了物理力（节点斥力，边引力），通常能产生比较均匀的图形。而基于距离矩阵的MDS布局，试图在二维平面上保持顶点间的图距离，对于像超立方体这样具有明确几何意义的图，有时能呈现出更规整的结构（尽管在二维投影中仍然会重叠）。

5.2 高维投影与交互式探索

对于三维超立方体（Q_3），我们可以在3D空间中精确绘制它，因为它的几何结构就是立方体。

n3 = 3;
A3 = hypercube_adjacency_bit(n3);
G3 = graph(A3, ‘upper‘);
% 为Q_3手动指定3D坐标（立方体顶点坐标）
cubeCoords = [0 0 0; 1 0 0; 0 1 0; 1 1 0; 0 0 1; 1 0 1; 0 1 1; 1 1 1];
% 注意：MATLAB顶点索引是1-based，但我们的坐标顺序对应二进制000到111
nodeLabels3 = arrayfun(@(i) dec2bin(i-1, n3), 1:2^n3, ‘UniformOutput‘, false)‘;
G3.Nodes.Name = nodeLabels3;

figure;
p3 = plot(G3, ‘XData‘， cubeCoords(:,1), ‘YData‘， cubeCoords(:,2), ‘ZData‘， cubeCoords(:,3), ...
          ‘NodeLabel‘， G3.Nodes.Name, ‘MarkerSize‘， 8, ‘LineWidth‘， 1.5);
title(‘3维超立方体 (立方体) - 3D 可视化‘);
grid on; view(3); axis equal;
rotate3d on; % 开启鼠标旋转

对于四维及以上的超立方体，我们无法在三维空间中直接完整呈现其几何结构。但我们可以通过一些技巧来“感受”高维：

1. 动画 ：固定一个坐标轴（比如第4维），将其值作为颜色或大小映射到3D图形上。
2. 交互式切片 ：例如，只显示汉明权重为特定值的顶点及其连接，这相当于高维立方体的一个“层”。
3. Schlegel图 ：这是一种将高维多面体投影到低维空间的方法，虽然边会交叉，但能保持其拓扑结构。实现Schlegel图投影需要计算顶点的透视投影坐标，这涉及到更复杂的计算几何。

实操心得 ：对于n>3的超立方体，追求完美的几何可视化往往徒劳无功。更有价值的可视化是 结合图论属性进行着色 。比如，用颜色表示顶点的“介数中心性”（betweenness centrality），可以清晰看到位于“中心”的顶点（那些汉明权重接近n/2的顶点）通常具有更高的介数中心性，因为它们处在更多最短路径上。

% 计算介数中心性并可视化
bc = centrality(G, ‘betweenness‘);
figure;
p = plot(G, ‘NodeCData‘， bc, ‘Layout‘， ‘force‘， ‘MarkerSize‘， 7+bc/max(bc)*10);
colorbar;
title(‘4维超立方体 - 节点颜色表示介数中心性‘);
colormap(jet);

6. 超立方体图的进阶应用与算法实现

6.1 路径查找与路由算法

超立方体网络的一个经典应用是并行计算中的处理器互联。在这种网络中，如何高效地将消息从源处理器（顶点）路由到目标处理器？由于超立方体具有递归结构和清晰的二进制标签，存在非常简单的 贪心路由算法 （也称为“e-cube routing”）。

算法思想：设源顶点为S，目标顶点为D。计算 XOR = bitxor(S, D) 。XOR中为1的位表示需要“纠正”的维度。路由过程就是沿着这些维度依次前进，每次选择一条边将当前顶点与目标顶点在该维度上的差异消除。

function path = hypercube_greedy_route(source, target, n)
    % 在n维超立方体上执行贪心路由
    % 输入：source, target - 顶点索引（0-based 或 1-based？这里用0-based便于计算）
    %        n - 超立方体维度
    % 输出：path - 从source到target的顶点索引列表（1-based，便于MATLAB图对象使用）
    
    % 内部使用0-based计算
    s = source - 1;
    d = target - 1;
    path = source; % 起点（1-based）
    current = s;
    
    xorSD = bitxor(s, d);
    % 找出所有需要翻转的位
    dimsToFlip = find(bitget(xorSD, 1:n)); % bitget获取指定位的值
    
    for dim = dimsToFlip
        % 翻转第dim位（dim从1到n）
        next = bitxor(current, bitshift(1, dim-1)); % 1-based维度索引转位偏移
        current = next;
        path = [path, current + 1]; % 转换为1-based并加入路径
    end
end

% 使用示例
n = 4;
sourceNode = 1; % 对应二进制‘0000‘ (1-based)
targetNode = 16; % 对应二进制‘1111‘ (1-based)
shortestPath = hypercube_greedy_route(sourceNode, targetNode, n);
fprintf(‘从 %s 到 %s 的贪心路由路径（顶点索引）:\n‘， ...
        dec2bin(sourceNode-1, n), dec2bin(targetNode-1, n));
disp(shortestPath‘);
% 验证路径长度
fprintf(‘路径长度（边数）: %d\n‘， length(shortestPath)-1);
% 可以用MATLAB内置函数验证
builtinPath = shortestpath(G, sourceNode, targetNode);
fprintf(‘MATLAB shortestpath 函数给出的路径: \n‘);
disp(builtinPath‘);

这个算法产生的路径就是最短路径之一（因为超立方体是点对称的，最短路径可能有多条）。在实际并行计算机中，路由硬件或软件会实现类似的逻辑。

6.2 超立方体上的随机游走与马尔可夫链

随机游走是图上一个重要的随机过程。在超立方体上的随机游走有很多有趣的性质，比如它的混合时间（到达平稳分布所需时间）相对较短。我们可以用MATLAB来模拟并验证一些性质。

function walk = random_walk_hypercube(G, startNode, numSteps)
    % 在超立方体图G上进行简单随机游走
    % 输入：G - 图对象，startNode - 起始顶点（索引），numSteps - 步数
    % 输出：walk - 游走经过的顶点索引序列
    
    walk = zeros(1, numSteps+1);
    walk(1) = startNode;
    currentNode = startNode;
    
    for step = 1:numSteps
        % 获取当前节点的所有邻居
        neighbors = successors(G, currentNode);
        % 随机选择一个邻居
        nextNode = neighbors(randi(length(neighbors)));
        walk(step+1) = nextNode;
        currentNode = nextNode;
    end
end

% 模拟与分析
n = 5;
G5 = graph(hypercube_adjacency_bit(n), ‘upper‘);
start = 1; % 从顶点0...0开始
steps = 1000;
walkPath = random_walk_hypercube(G5, start, steps);

% 分析1：访问频率是否均匀？
visitCounts = histcounts(walkPath, 1:(numnodes(G5)+1));
figure;
bar(visitCounts);
xlabel(‘顶点索引‘);
ylabel(‘访问次数‘);
title(sprintf(‘%d步随机游走顶点访问频率 (n=%d)‘， steps, n));
% 理论上，在连通无向正则图上，简单随机游走的平稳分布是均匀分布。
% 计算与均匀分布的差异
uniformFreq = steps / numnodes(G5);
relativeError = std(visitCounts - uniformFreq) / uniformFreq;
fprintf(‘访问频率与均匀分布的平均相对误差: %.4f\n‘， relativeError);

% 分析2：计算平均首达时间（从全0顶点到全1顶点）
targetNode = numnodes(G5); % 全1顶点
numTrials = 500;
firstPassageTimes = zeros(1, numTrials);
for trial = 1:numTrials
    currentNode = start;
    time = 0;
    while currentNode ~= targetNode
        neighbors = successors(G5, currentNode);
        currentNode = neighbors(randi(length(neighbors)));
        time = time + 1;
    end
    firstPassageTimes(trial) = time;
end
fprintf(‘从全0到全1顶点的平均首达时间（模拟）: %.2f 步\n‘， mean(firstPassageTimes));
fprintf(‘理论预期（对于n维超立方体）约为 O(2^n) 量级，具体值复杂。\n‘);

通过这样的模拟，我们可以直观感受在高维空间中随机游走的特性，比如“维数灾难”——在高维超立方体中，从一角走到对角点的期望步数会随着维度指数增长。

7. 性能优化与大规模超立方体处理

当维度n增大时，超立方体的顶点数呈指数增长（2^n）。处理大规模图（如n>15，顶点数>32768）时，内存和计算时间成为挑战。

7.1 稀疏矩阵与内存管理

我们一直强调使用稀疏矩阵存储邻接矩阵，这是处理大规模图的生命线。对于超立方体，其邻接矩阵的密度约为 n / (2^n)，当n=20时，密度约为20/1,048,576 ≈ 0.002%，稀疏性极高。

n = 20;
fprintf(‘构建 %d 维超立方体...\n‘， n);
tic;
A_sparse = hypercube_adjacency_bit(n); % 使用稀疏矩阵生成
toc;
whos A_sparse;

% 尝试构建全矩阵（千万不要对大的n这么做！）
% A_full = full(A_sparse); % 这将消耗巨量内存，可能导致MATLAB崩溃

fprintf(‘顶点数: %d\n‘， size(A_sparse,1));
fprintf(‘非零元素数（边数的两倍）: %d\n‘， nnz(A_sparse));
fprintf(‘矩阵密度: %.6f%%\n‘， nnz(A_sparse)/numel(A_sparse)*100);

对于n=20，全矩阵需要约 (2^20)^2 * 8 bytes ≈ 8.8 TB 的内存，而稀疏矩阵只需要存储大约 20 * 2^20 * 2 * 8 bytes ≈ 320 MB（考虑存储行列索引和值），这是完全可行的。

7.2 避免全矩阵操作与近似计算

许多图算法不需要显式构建整个邻接矩阵，或者可以处理流式数据。对于超立方体，由于其高度结构化的特性，我们通常可以“按需”计算邻居或路径。

• 邻居查询 ：给定一个顶点编号v（0-based），其所有邻居可以通过翻转每一位得到，无需依赖存储的邻接矩阵。

  function neighbors = get_hypercube_neighbors(v, n)
      % 返回顶点v（0-based）在n维超立方体中的所有邻居（0-based）
      neighbors = zeros(1, n);
      for bit = 0:n-1
          neighbors(bit+1) = bitxor(v, bitshift(1, bit));
      end
  end
  

• 单源最短路径（BFS） ：由于超立方体是无权图，从单个源点出发的BFS可以高效实现，且不需要距离矩阵。BFS的复杂度是O(V+E)，对于超立方体是O(n*2^n)。

常见问题与排查 ：

1. “内存不足”错误 ：首先检查是否无意中使用了 full() 函数将稀疏矩阵转为全矩阵。其次，检查代码中是否有存储大型密集矩阵（如全距离矩阵）的操作。对于 distances(G) ，当V很大时，考虑使用 shortestpathtree 或只计算到特定目标点的距离。
2. 生成速度慢 ：对于非常大的n（>25），即使位运算方法，双重循环也可能变慢。可以考虑使用向量化操作或利用超立方体的递归性质分块生成。另一种思路是“懒加载”，只在需要时计算局部的连接关系。
3. 可视化崩溃 ：MATLAB的 plot 函数对于数万个节点的图会非常吃力。对于大规模超立方体，可视化应聚焦于局部子图或使用统计图形（如度分布直方图、路径长度分布图）来代替力导向布局图。

8. 从超立方体到一般图的思维延伸

通过深入研究超立方体，我们掌握了一套用MATLAB处理结构化图的方法论： 从数学定义到邻接矩阵生成，再到图对象构建、属性分析、算法实现和可视化 。这套方法可以迁移到许多其他有趣的图上：

• 循环图（Cycle Graph） 、 完全图（Complete Graph） ：它们的邻接矩阵生成更简单。
• 网格图（Grid Graph） 、 随机图（Erdos-Renyi Graph） ：MATLAB也有相应的生成函数（ latticegraph , randi ）。
• 基于特定规则生成的复杂网络 ：如小世界网络、无标度网络，可以使用MATLAB的 graph 和 digraph 构造函数结合自定义逻辑。

理解超立方体有助于你理解 图嵌入（Graph Embedding） 的概念。例如，我们可以尝试将一个一般的图“嵌入”到超立方体中，使得原图的边尽可能对应超立方体中的短边，这在电路布局和编码理论中有应用。这引出了“超立方体嵌入”的优化问题，可以使用MATLAB的优化工具箱进行求解。

最后，分享一个我在调试超立方体代码时的小技巧： 始终用低维情况（n=1,2,3）验证你的算法和可视化 。低维情况的结果可以手工验证，也能直观地在图上看到。确认低维正确后，再推广到高维。例如，在实现贪心路由算法后，我首先在Q_3（立方体）上测试从000到111的路径，手动验证路径是否正确（长度应为3），然后再进行大规模测试。这种“从小见大”的调试方法，在图论编程中非常有效。