Це насправді не належна відповідь на ваше запитання, але трохи задовга для коментаря.
Кількість, яку ви будете шукати, буде залежати від графіка до графіка і залежатиме від початкового місця прогулянки. Очікувана кількість чітких проміжних вузлів сильно залежатиме від кластеризації в межах графіка, і я б очікував, що очікувана кількість окремих проміжних вузлів буде співвіднесена з коефіцієнтом кластеризації .
Кластер - це, як правило, підмножина вершин, які ділять велику кількість ребер, так що кожна вершина з'єднана з великою часткою інших вершин у кластері. Коли ходок потрапляє у скупчення, ймовірно, він залишиться в цьому регіоні для великої кількості хмелів, можливо, переглядаючи кожен вузол багато разів. Дійсно, використання випадкових прогулянок таким чином є одним з обчислювальних прийомів, що використовуються для ідентифікації кластерів у великих графіках. Таким чином, для прогулянкового ходу, що починається в кластері, очікувана кількість чітких проміжних вершин, можливо, буде масштабуватися з розміром кластера та середньою ймовірністю виходу з кластеру.
N1NN+1
Середня ступінь вершин у графі також буде відігравати важливу роль, хоча це пов'язано з кластеризацією. Причиною цього є те, що коли ходунок стрибає на вершину зі ступенем 1, він повинен повернутися до попередньої вершини на наступному стрибку. Навіть коли ступінь дорівнює 2, є лише один шлях, який можна пройти через графік, хоча його можна пройти в будь-якому напрямку при кожному стрибку. З іншого боку, для графіків зі ступенем вище 2 кількість шляхів може вибухнути, що робить вкрай малоймовірним повернення на початковий сайт, навіть якщо найкоротший шлях між ними малий.
Таким чином, ви б очікували, що кількість чітких проміжних вершин буде високою для графіків, які мають середній ступінь істотно вище 2, а також не мають значної кластеризації, наприклад дерев.
Звичайно, ці коментарі більше не стосуються квантових випадкових прогулянок, але, мабуть, вас цікавить лише класичний випадок.