无标度网络模型构造实践报告
无标度网络模型构造
课题：无标度网络模型构造姓名赵训学号201026811130班级实验班1001一、源起无标度网络（或称无尺度网络）的概念是随着对复杂网络的研究而出现的。
“网络”其实就是数学中图论研究的图，由一群顶点以及它们之间所连的边构成。
在网络理论中则换一套说法，用“节点”代替“顶点”，用“连结”代替“边”。
复杂网络的概念，是用来描述由大量节点以及这些节点之间错综复杂的联系所构成的网络。
这样的网络会出现在简单网络中没有的特殊拓扑特性。
自二十世纪60年代开始，对复杂网络的研究主要集中在随机网络上。
随机网络，又称随机图，是指通过随机过程制造出的复杂网络。
最典型的随机网络是保罗·埃尔德什和阿尔弗雷德·雷尼提出的ER模型。
ER模型是基于一种“自然”的构造方法：假设有个节点，并假设每对节点之间相连的可能性都是常数。
这样构造出的网络就是ER模型网络。
科学家们最初使用这种模型来解释现实生活中的网络。
ER模型随机网络有一个重要特性，就是虽然节点之间的连接是随机形成的，但最后产生的网络的度分布是高度平等的。
度分布是指节点的度的分布情况。
在网络中，每个节点都与另外某些节点相连，这种连接的数目叫做这个节点的度。
在网络中随机抽取一个节点，它的度是多少呢？这个概率分布就称为节点的度分布。
在一般的随机网络（如ER模型）中，大部分的节点的度都集中在某个特殊值附近，成钟形的泊松分布规律（见下图）。
偏离这个特定值的概率呈指数性下降，远大于或远小于这个值的可能都是微乎其微的，就如一座城市中成年居民的身高大致的分布一样。
然而在1998年，Albert-László Barab ási、Réka Albert等人合作进行一项描绘万维网的研究时，发现通过超链接与网页、文件所构成的万维网网络并不是如一般的随机网络一样，有着均匀的度分布。
他们发现，万维网是由少数高连接性的页面串联起来的。
绝大多数（超过80%）的网页只有不超过4个超链接，但极少数页面（不到总页面数的万分之一）却拥有极多的链接，超过1000个，有一份文件甚至与超过200万个其他页面相连。
网络实践实训实验报告总结
一、实验背景随着互联网技术的飞速发展，网络技术在各行各业中的应用越来越广泛。
为了提高我们的网络实践能力，培养我们的动手操作能力，学校组织了网络实践实训课程。
通过本次实训，我们不仅掌握了网络基础知识，还学会了网络设备的配置与维护，提高了自己的实际操作技能。
二、实验目的1. 掌握网络基础知识，了解网络架构和协议；2. 熟悉网络设备的操作，学会网络设备的配置与维护；3. 培养团队合作精神，提高动手实践能力；4. 提升网络故障排查与解决能力。
三、实验内容本次实训主要包括以下内容：1. 网络基础知识学习：了解网络拓扑结构、网络协议、网络设备等基本概念；2. 网络设备操作：学习交换机、路由器等网络设备的操作方法；3. 网络设备配置：掌握VLAN、STP、OSPF等网络协议的配置；4. 网络故障排查：学习网络故障的定位与解决方法；5. 网络项目实践：完成一个小型网络项目的搭建与维护。
四、实验过程1. 理论学习：通过课堂讲解、自学等方式，掌握网络基础知识；2. 实验操作：在实验室环境下，按照实验指导书进行网络设备的操作和配置；3. 团队合作：分组进行网络项目实践，共同完成项目搭建与维护；4. 故障排查：在实验过程中，遇到网络故障时，进行故障定位与解决。
五、实验结果与分析1. 网络基础知识掌握情况：通过本次实训，我们对网络基础知识有了更深入的了解，能够熟练运用网络拓扑结构、网络协议等概念；2. 网络设备操作能力：通过实际操作，我们掌握了交换机、路由器等网络设备的操作方法，能够独立完成网络设备的配置与维护；3. 网络项目实践能力：在团队协作中，我们共同完成了小型网络项目的搭建与维护，提高了自己的项目实践能力；4. 网络故障排查能力：通过实际操作，我们学会了网络故障的定位与解决方法，提高了自己的故障排查能力。
六、实验心得体会1. 实践出真知：通过本次实训，我们深刻体会到理论知识与实际操作相结合的重要性；2. 团队合作精神：在实验过程中，我们学会了与他人沟通、协作，提高了自己的团队协作能力；3. 艰苦奋斗精神：实训过程中，我们遇到了各种困难和挑战，但通过努力，我们最终克服了困难，完成了实验任务；4. 网络技术发展迅速：网络技术日新月异，我们要不断学习，跟上时代的步伐。
一种基于无标度局域世界演化网络模型酏无线传感器网络拓扑构建
Ｂａｒｒａｔ等 人 提 出一 种 加 权 网络 模 犁 ＢＢｖ 模 型 ， 将 节 点 的 权 重 考 虑 进 无 标 度 网 络 模 型 叶１。李 翔 等 人 根 据 某 些 网 络 的特 点 ，提 出 局 域 世 界 演 化 网 络 模 型 ，
新 加 入 节 点 优 先 连 接 时 ， 不 是 选 择 网 络 中 原 有 旧节 点 作 为 备 选 范 围 ， 而 是 在 旧 节 点 中 随 机 选 择 若 干 个节 点 ， 缩 小 了 可 连 接 节 点 的 范 围 。张 燕 平 等 人 提 出局 域 世 界删 除 演 化 网络 模 型 ，论 述 了删 除 部 分 节 点 和 边 埘 脱 有 网络 的 影 响 。 罗小 娟 等 人 【１０１从 局 域 世 界演 化 角 度 ｌ【Ｉ发 ，提 出 了 种 能 量 感 知 的 局 域 世 动 态 演 化 模 型 ，不 仅 考 虑 了传 感 器 络 中节 点 能 量 感 知 连 接 机 带ｌ ＿， 还 考 虑 了节 点和 链 路 在 演 化过 程 中 的动 态变 化 。
收稿 日期 ：２０１ ８－０４－０３
ｉ 束
宋亚信 陈雯柏
如 大 一 一
ｌｌ－ 一 京 ００’９
一 、 引言 年 ，Ｂａｒａｂａｓｉ与 Ａｌｂｅｒｔ在 研 究 万 维 网 的 度 分 布 时 发现 ， 网 络 中节 点 的 度 分
布 并 不 符 合 泊 松 分 布 关 系 ，而 是 符 合 一 种 幂 律 分 布 ， 即 随 着 节 点 连 接 度 的 增 加 ，其 概 率 呈 不 断 递 减 的 律 ， 于 是 提 出 ＢＡ 无 标 度 网 络 模 型 。 该 模 型 的 拓 扑 演 化 由 “增 长 ” 和 “择 优 连 接 ” 两 个 机 制 完 成 ， 所 形 成 的 刚 络 拓 扑 结 构 相 较 于 复 杂 网 络 中规 则 网 络 模 和 随机 网 络 模 型 更 具 有 现 实 意 义 ， 符 合 现 实 界 巾 大 多 数 网 络 的 结 构 ， 更 加 便 于 对 复 杂 网 络 的研 究 ｌ＿。］。
模型网络算法实验报告(3篇)
第1篇一、实验背景随着信息技术的飞速发展，模型网络算法在各个领域都得到了广泛应用。
为了深入了解模型网络算法的原理和应用，我们设计并完成了一次模型网络算法实验。
本次实验旨在通过构建一个简单的模型网络，学习并验证模型网络算法在数据处理和模式识别等方面的性能。
二、实验目的1. 理解模型网络算法的基本原理；2. 掌握模型网络算法的实现方法；3. 评估模型网络算法在不同数据集上的性能；4. 分析模型网络算法的优缺点。
三、实验环境1. 操作系统：Windows 102. 编程语言：Python3. 库：NumPy、Scikit-learn、Matplotlib4. 数据集：Iris数据集、MNIST数据集四、实验内容1. 模型网络算法概述模型网络算法是一种基于图论的算法，通过构建模型网络来模拟真实世界中的复杂关系。
模型网络由节点和边组成，节点代表实体，边代表实体之间的关系。
模型网络算法可以用于数据分析、模式识别、知识图谱构建等领域。
2. 模型网络算法实现本次实验采用Python编程语言实现模型网络算法。
具体步骤如下：（1）加载数据集：从Iris数据集和MNIST数据集中获取数据。
（2）构建模型网络：根据数据集的特征，构建模型网络。
例如，在Iris数据集中，可以按照花种类型构建节点，按照特征值构建边。
（3）模型网络算法：使用模型网络算法对数据进行处理。
例如，使用PageRank算法计算节点的权重，使用链接预测算法预测节点之间的关系。
（4）性能评估：使用准确率、召回率、F1值等指标评估模型网络算法在不同数据集上的性能。
3. 实验结果与分析（1）Iris数据集在Iris数据集上，我们使用PageRank算法计算节点的权重，并使用链接预测算法预测节点之间的关系。
实验结果显示，模型网络算法在Iris数据集上的准确率达到80%以上。
（2）MNIST数据集在MNIST数据集上，我们使用模型网络算法对图像进行分类。
实验结果显示，模型网络算法在MNIST数据集上的准确率达到90%以上。
网络构建实训报告模板
网络构建实训报告模板1. 实训概述在本次网络构建实训中，我们小组的任务是使用网络构建技术搭建一个稳定高效的局域网，为公司内部提供可靠的网络服务。
本报告将详细介绍我们的实训方案和具体实施情况。
2. 实训目标我们的实训目标如下：1. 构建一个具备高可靠性和高带宽的局域网；2. 配置网络安全设置，确保信息的保密性和完整性；3. 实现网络中各个节点的互通和稳定性。
3. 实施步骤3.1 网络规划在规划阶段，我们首先进行了对公司的需求分析和网络拓扑设计。
我们了解到公司有5个部门，每个部门都需要连接到网络，并且需要保证上下行数据传输的稳定性和速度。
经过分析，我们设计了一种星状拓扑结构，其中核心交换机连接到每个部门的交换机，每个部门的交换机再连接到部门内的设备。
这样的设计可以有效减少网络拥堵，提高网络的可靠性和稳定性。
3.2 硬件选型根据需求分析，我们选用了一台高性能的核心交换机，用于连接各个部门的交换机。
同时，我们选用了具有较大端口数量和高带宽的交换机作为部门内的设备。
此外，为了增强安全性，我们还选用了防火墙设备和入侵检测系统。
3.3 网络配置在实际配置过程中，我们首先完成了硬件的安装和连接。
然后，根据网络规划设计，对核心交换机和部门交换机进行了基本配置，包括IP地址分配、VLAN划分等。
接下来，我们配置了防火墙设备和入侵检测系统，并设置了相应的安全策略和规则。
3.4 网络测试完成配置后，我们进行了网络的功能测试和性能测试。
我们测试了局域网中各个部门之间的互通性，以及网络的响应速度和稳定性。
通过大量的测试数据和监控信息，我们确认网络搭建成功，并确保了网络的可用性和安全性。
4. 实训成果我们成功地搭建了一个稳定高效的局域网，为公司内部提供了可靠的网络服务。
实训成果如下：1. 构建了星状拓扑结构的局域网，确保了网络的稳定性和可靠性；2. 完成了核心交换机和部门交换机的配置，实现了各个部门之间的互通；3. 配置了防火墙和入侵检测系统，提高了网络的安全性；4. 进行了网络功能测试和性能测试，确认了网络的可用性和稳定性。
无标度网络及其应用研究的开题报告
无标度网络及其应用研究的开题报告一、研究背景及意义随着互联网的不断发展，大量数据的产生和传输使得网络拓扑结构变得越来越重要。
传统的网络拓扑结构是基于规则结构的，如网格、树形结构等。
然而，很多实际网络并不是规则结构，而是非常复杂的结构，例如社交网络、生物网络等，在这些网络中，节点和边缘的数量都非常大，且由于节点之间的联系是随机的，因此称之为无标度网络。
无标度网络是一种高可靠性、高鲁棒性、高健壮性的网络结构，已经成为复杂网络研究中的重要研究对象。
无标度网络的研究有助于揭示复杂网络结构的形成机制和演化规律，对预测和控制其行为具有重要意义。
无标度网络在生物学、社会学、信息科学等领域都有广泛应用，如基因调控网络、社交网络、信息获取等。
二、研究内容及方法本研究将重点研究无标度网络的建模和演化规律，并探究无标度网络的一些重要应用，包括社交网络、生物网络、信息传播等。
(1) 无标度网络建模无标度网络的建模是指通过一定数学方法描述网络的拓扑结构，本研究将采用BA算法、赫尔曼-戈尔德伯格-韦恩斯坦算法等常用的无标度网络建模算法建立无标度网络模型，并对其进行分析和验证。
(2) 无标度网络演化规律研究无标度网络是动态变化的网络，在网络演化过程中，节点可能会加入或退出网络，边缘可能会新建或断开。
本研究将从网络的各个方面入手，探究无标度网络的演化规律，包括节点的度分布、网络的平均路径长度、聚类系数等指标，以揭示无标度网络的形成机制和演化规律。
(3) 无标度网络的应用研究本研究还将探讨无标度网络在生物学、社会学、信息科学等领域中的应用，如基因调控网络、社交网络、信息传播等，分析无标度网络在这些领域中的重要作用，从而为相关领域的发展提供理论支持。
研究方法主要包括数据分析、网络模型构建、数学建模等方法。
三、研究计划及预期成果本研究计划在未来一年内完成，具体计划如下：第一阶段：文献调研和数据收集，了解无标度网络的研究现状和前沿进展，收集无标度网络数据并进行预处理。
无标度网络实验报告
无标度网络实验报告引言无标度网络是一种网络结构模型，其节点度数的分布服从无标度幂律分布。
在无标度网络中，只有少部分节点拥有较高的度数，而大多数节点的度数相对较低。
无标度网络在许多领域有着广泛的应用，包括社交网络、互联网、生物网络等。
本实验旨在通过构建一个简单的无标度网络模型，在实践中深入了解无标度网络的特性和行为。
方法本实验使用Python编程语言进行网络模型的构建和实验分析。
首先，我们使用NetworkX库创建一个空的无向图对象。
然后，我们按照无标度网络的特性，逐步添加节点和边，以构建一个无标度网络模型。
具体步骤如下：1. 添加一个初始节点。
2. 每次添加一个新节点时，与网络中已存在的节点建立m条边连接。
3. 按照无标度网络的幂律分布特性，选择一个已存在的节点加入边的目标节点。
4. 重复步骤3，直到网络中的节点数达到指定的数量。
使用以上方法，我们可以创建一个包含N个节点的无标度网络。
接下来，我们将对该网络进行实验分析。
实验结果与分析我们首先构建了一个包含100个节点的无标度网络，并计算了节点的度数分布。
如下图所示：
复杂网络中的无标度性分析复杂网络是由大量节点和连接它们的边组成的网络结构，它广泛应用于社交网络、互联网、生物网络等众多领域。
复杂网络的拓扑结构对网络的性质和功能起着重要影响，其中无标度性是一种常见的网络特征。
本文将对复杂网络中的无标度性进行详细分析，包括无标度网络的定义、特点、形成机制以及在现实世界中的应用。
无标度网络是一种拓扑结构具有“重尾分布”的网络模型，即网络中存在少部分节点拥有相对较高的连接度，而大部分节点的连接度相对较低。
这种网络结构可以很好地反映现实世界中的许多现象，如人际关系中的“好友圈”现象，互联网中的超级节点等。
与随机网络和规则网络相比，无标度网络具有较小的平均路径长度和较高的群聚系数，使得信息传播和功能传导更加高效。
无标度网络的形成机制是复杂网络研究的重要问题。
现有的研究表明，无标度性可以通过两种基本机制实现：首选连接和优势增长。
首选连接是指新节点更容易连接到已有的高度连接的节点上，这种机制在现实世界中有很多的应用，比如新生产的产品更容易连接到已有的热销产品上，从而形成更多的销售机会。
而优势增长是指已有节点的连接度随时间的增加而不断增长，这种机制在社交网络中很常见，如大V在社交媒体上拥有更多的关注和粉丝。
无标度网络在实际应用中具有重要意义。
首先，无标度网络可以更好地识别和利用关键节点。
关键节点在网络中具有重要的地位和功能，其破坏或失效可能会对整个网络产生重大影响。
通过分析无标度网络的节点连接度分布，我们可以识别出那些具有较高连接度的节点，并对它们进行重点保护和管理。
其次，无标度网络可以用于设计更有效的传播策略。
在信息传播和病毒传播等领域，无标度网络的传播特性可以用来优化传播路径和最大程度地提高传播效率。
此外，通过分析无标度网络的拓扑结构，还可以研究网络的稳定性、同步行为和演化规律等网络动态特性。
然而，无标度网络也存在一些挑战和问题。
首先，由于无标度网络中连接度的差异较大，导致网络更容易受到攻击和故障的影响。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
课题：无标度网络模型构造姓名赵训学号201026811130班级实验班1001一、源起无标度网络（或称无尺度网络）的概念是随着对复杂网络的研究而出现的。
“网络”其实就是数学中图论研究的图，由一群顶点以及它们之间所连的边构成。
在网络理论中则换一套说法，用“节点”代替“顶点”，用“连结”代替“边”。
复杂网络的概念，是用来描述由大量节点以及这些节点之间错综复杂的联系所构成的网络。
这样的网络会出现在简单网络中没有的特殊拓扑特性。
自二十世纪60年代开始，对复杂网络的研究主要集中在随机网络上。
随机网络，又称随机图，是指通过随机过程制造出的复杂网络。
最典型的随机网络是保罗·埃尔德什和阿尔弗雷德·雷尼提出的ER模型。
ER模型是基于一种“自然”的构造方法：假设有个节点，并假设每对节点之间相连的可能性都是常数。
这样构造出的网络就是ER模型网络。
科学家们最初使用这种模型来解释现实生活中的网络。
ER模型随机网络有一个重要特性，就是虽然节点之间的连接是随机形成的，但最后产生的网络的度分布是高度平等的。
度分布是指节点的度的分布情况。
在网络中，每个节点都与另外某些节点相连，这种连接的数目叫做这个节点的度。
在网络中随机抽取一个节点，它的度是多少呢？这个概率分布就称为节点的度分布。
在一般的随机网络（如ER模型）中，大部分的节点的度都集中在某个特殊值附近，成钟形的泊松分布规律（见下图）。
偏离这个特定值的概率呈指数性下降，远大于或远小于这个值的可能都是微乎其微的，就如一座城市中成年居民的身高大致的分布一样。
然而在1998年，Albert-László Barab ási、Réka Albert等人合作进行一项描绘万维网的研究时，发现通过超链接与网页、文件所构成的万维网网络并不是如一般的随机网络一样，有着均匀的度分布。
他们发现，万维网是由少数高连接性的页面串联起来的。
绝大多数（超过80%）的网页只有不超过4个超链接，但极少数页面（不到总页面数的万分之一）却拥有极多的链接，超过1000个，有一份文件甚至与超过200万个其他页面相连。
与居民身高的例子作类比的话，就是说大多数的节点都是“矮个子”，而却又有极少数的身高百丈的“巨人”。
Barab ási等人将其称为“无标度”网络。
随机网络的度（a）集中在某个平均值附近，而无标度网络的度分布（b）则遵守幂律分布二、描述与定义无标度网络的特性，在于其度分布没有一个特定的平均值指标，即大多数节点的度在此附近。
在研究这个网络的度分布时，Barabási等人发现其遵守幂律分布（也称为帕累托分布），也就是说，随机抽取一个节点，它的度是自然数的概率：也就是说的概率正比于的某个幂次（一般是负的，记为）。
因此越大，的概率就越低。
然而这个概率随增大而下降的“速度”是比较缓慢的：在一般的随机网络中，下降的速度是指数性的，而在无尺度网络中只是以多项式类的速度下降。
在现实中许多大规模的无尺度网络中，度分布的值介于2与3之间。
在对数坐标系中，度分布将会是一条斜率介于-2至-3之间的直线。
如下图中，横坐标为节点的度，从一直到；纵坐标为找到这样的节点的概率从一直到。
最高度数的节点有882条连接。
所有的蓝点大致成一条直线分布（绿色的直线）。
200,000个节点的无标度网络的度分布（对数坐标）仅仅是将度分布的幂律分布作为无标度网络的定义有其不够完善之处。
由于幂律分布是方差可能无穷的高可变分布，对于度分布是同一个幂律分布的不同网络，其拓扑结构和特性可能存在巨大的差异。
2005年，Lun Li和大卫·阿尔德森（David Alderson）等人在论文《迈向无标度图的理论》（Towards a Theory of Scale FreeGraphs）中提出了一种补充性的标度性测度。
设为所有具有（依照幂律分布的）度分布的网络的集合，对于其中每一个网络，定义度-度相关数：其中表示中所有连接的集合。
根据排序原理，如果度数大的点之间相互连接的话，那么会比较大。
设为最大的，那么定义度-度相关系数：度-度相关系数介于0与1之间。
越靠近1，则称此网络“无尺度”的，靠近0，则称是“富尺度”的。
在此定义下，无尺度网络中的节点度数分布特征体现了自相似的性质，而凸显了“无尺度”的特征，与富尺度网络之间有相当的差异。
三、例子不少现实中的网络结构都属于无标度网络，或者有无标度的特性。
以下是一些无标度网络的例子：四、BA模型及其构造算法Albert-László Barabási与Réka Albert在1999年的论文中提出了一个模型来解释复杂网络的无标度特性，称为BA模型。
这个模型基于两个假设：增长模式：不少现实网络是不断扩大不断增长而来的，例如互联网中新网页的诞生，人际网络中新朋友的加入，新的论文的发表，航空网络中新机场的建造等等。
优先连接模式：新的节点在加入时会倾向于与有更多连接的节点相连，例如新网页一般会有到知名的网络站点的连接，新加入社群的人会想与社群中的知名人士结识，新的论文倾向于引用已被广泛引用的著名文献，新机场会优先考虑建立与大机场之间的航线等等。
在这种假设下，BA模型的具体构造为：1.增长：从一个较小的网络开始（这个网络有个节点，条边），逐步加入新的节点，每次加入一个。
2.连接：假设原来的网络已经有个节点（）。
在某次新加入一个节点时，从这个新节点向原有的个节点连出个连结。
3.优先连接：连接方式为优先考虑高度数的节点。
对于某个原有节点（），将其在原网络中的度数记作，那么新节点与之相连的概率为：这样，在经过次之后，得到的新网络有个节点，一共有条边。
分析BA模型网络的渐近度分布（当节点数量很大时的度分布）主要有连续场理论、主方程法和速率方程法。
这三种方法得到的渐近结果都是相同的。
2001年，BélaBollobás证明了在节点数量很大时，BA模型网络的度分布遵从的幂律分布。
之后，其它的无标度网络模型也开始被提出。
有1000个节点的BA模型网络制造BA模型的过程：每次增加一个节点，两个连接相应程序代码（使用Matlab实现）FreeScale.mfunction matrix = FreeScale(X)N= X; m0= 3; m= 3;%初始化网络数据adjacent_matrix = sparse( m0, m0);%初始化邻接矩阵for i = 1: m0for j = 1:m0if j ~= i %去除每个点自身形成的环adjacent_matrix(i,j) = 1;%建立初始邻接矩阵，3点同均同其他的点相连endendendadjacent_matrix =sparse(adjacent_matrix);%邻接矩阵稀疏化node_degree = zeros(1,m0+1); %初始化点的度node_degree(2: m0+1) = sum(adjacent_matrix);%对度维数进行扩展for iter= 4:Niter %加点total_degree = 2*m*(iter- 4)+6;%计算网络中此点的度之和cum_degree = cumsum(node_degree);%求出网络中点的度矩阵choose= zeros(1,m);%初始化选择矩阵% 选出第一个和新点相连接的顶点r1= rand(1)*total_degree;%算出与旧点相连的概率for i= 1:iter-1if (r1>=cum_degree(i))&( r1<cum_degree(i+1))%选取度大的点choose(1) = i;breakendend% 选出第二个和新点相连接的顶点r2= rand(1)*total_degree;for i= 1:iter-1if (r2>=cum_degree(i))&(r2<cum_degree(i+1))choose(2) = i;breakendendwhile choose(2) == choose(1)%第一个点和第二个点相同的话，重新择优 r2= rand(1)*total_degree;for i= 1:iter-1if (r2>=cum_degree(i))&(r2<cum_degree(i+1))choose(2) = i;breakendendend% 选出第三个和新点相连接的顶点r3= rand(1)*total_degree;for i= 1:iter-1if (r3>=cum_degree(i))&(r3<cum_degree(i+1))choose(3) = i;breakendendwhile (choose(3)==choose(1))|(choose(3)==choose(2))r3= rand(1)*total_degree;for i=1:iter-1if (r3>=cum_degree(i))&(r3<cum_degree(i+1))choose(3) = i;breakendendend%新点加入网络后, 对邻接矩阵进行更新for k = 1:madjacent_matrix(iter,choose(k)) = 1;adjacent_matrix(choose(k),iter) = 1;endnode_degree=zeros(1,iter+1);node_degree(2:iter+1) = sum(adjacent_matrix);endmatrix = adjacent_matrix;tu_plot.mfunction tu_plot(rel,control)%由邻接矩阵画连接图，输入为邻接矩阵rel，必须为方阵；%control为控制量，0表示画出的图为无向图，1表示有向图。
默认值为0r_size=size(rel);%a=size(x)返回的是一个行向量，该行向量第一个元素是%x的行数，第2个元素是x的列数if nargin<2 %nargin是用来判断输入变量个数的函数control=0; %输入变量小于2，即只有一个，就默认control为0endif r_size(1)~=r_size(2)%行数和列数不相等，不是方阵，不予处理disp('Wrong Input! The input must be a square matrix!');return;endlen=r_size(1);rho=10;%限制图尺寸的大小r=2/1.05^len;%点的半径theta=0:(2*pi/len):2*pi*(1-1/len);[pointx,pointy]=pol2cart(theta',rho);theta=0:pi/36:2*pi;[tempx,tempy]=pol2cart(theta',r);point=[pointx,pointy];hold onfor i=1:lentemp=[tempx,tempy]+[point(i,1)*ones(length(tempx),1),point(i,2)*ones( length(tempx),1)];plot(temp(:,1),temp(:,2),'r');text(point(i,1)-0.3,point(i,2),num2str(i));%画点endfor i=1:lenfor j=1:lenif rel(i,j)link_plot(point(i,:),point(j,:),r,control); %连接有关系的点endendendset(gca,'XLim',[-rho-r,rho+r],'YLim',[-rho-r,rho+r]);axis offfunction link_plot(point1,point2,r,control)%连接两点temp=point2-point1;if (~temp(1))&&(~temp(2))return;%不画子回路endtheta=cart2pol(temp(1),temp(2));[point1_x,point1_y]=pol2cart(theta,r);point_1=[point1_x,point1_y]+point1;[point2_x,point2_y]=pol2cart(theta+(2*(theta<pi)-1)*pi,r);point_2=[point2_x,point2_y]+point2;if controlarrow(point_1,point_2);elseplot([point_1(1),point_2(1)],[point_1(2),point_2(2)]);end输入FreeScale（50），可建立一个初始结点为3，最终结点为50的无标度网络，用tu_plot()画图可得到网络建模图形初始结点为3，最终结点为70的无标度网络图形五、结论在网络理论中，无标度网络（或称无尺度网络）是带有一类特性的复杂网络，其典型特征是在网络中的大部分节点只和很少节点连接，而有极少的节点与非常多的节点连接。