一种确定性小世界网络模型平均路径长度的逼近方法
小世界网络

4.2 小世界网络4.2.1 小世界网络简介1998年, Watts和Strogatz 提出了小世界网络这一概念,并建立了WS模型。
实证结果表明,大多数的真实网络都具有小世界特性(较小的最短路径)和聚类特性(较大的聚类系数)。
传统的规则最近邻耦合网络具有高聚类的特性,但并不具有小世界特性;而随机网络具有小世界特性但却没有高聚类特性。
因此这两种传统的网络模型都不能很好的来表示实际的真实网络。
Watts和Strogatz建立的小世界网络模型就介于这两种网络之间,同时具有小世界特性和聚类特性,可以很好的来表示真实网络。
4.2.2 小世界模型构造算法1、从规则图开始:考虑一个含有N个点的最近邻耦合网络,它们围成一个环,其中每个节点都与它左右相邻的各K/2节点相连,K是偶数。
2、随机化重连:以概率p随机地从新连接网络中的每个边,即将边的一个端点保持不变,而另一个端点取为网络中随机选择的一个节点。
其中规定,任意两个不同的节点之间至多只能有一条边,并且每一个节点都不能有边与自身相连。
在上述模型中,p=0对应于完全规则网络,p=1则对应于完全随机网络,通过调节p 的值就可以控制从完全规则网络到完全随机网络的过渡。
相应程序代码(使用Matlab实现)ws_net.m (位于“代码”文件夹内)function ws_net()disp('小世界网络模型')N=input('请输入网络节点数');K=input('请输入与节点左右相邻的K/2的节点数');p=input('请输入随机重连的概率');angle=0:2*pi/N:2*pi-2*pi/N;x=100*cos(angle);y=100*sin(angle);plot(x,y,'r.','Markersize',30);hold on;%生成最近邻耦合网络;A=zeros(N);disp(A);for i=1:Nif i+K<=Nfor j=i+1:i+KA(i,j)=1;endelsefor j=i+1:NA(i,j)=1; endfor j=1:((i+K)-N) A(i,j)=1; endendif K<ifor j=i-K:i-1 A(i,j)=1;endelsefor j=1:i-1A(i,j)=1; endfor j=N-K+i:N A(i,j)=1; endendenddisp(A);%随机化重连for i=1:Nfor j=i+1:Nif A(i,j)==1pp=unifrnd(0,1); if pp<=pA(i,j)=0; A(j,i)=0;b=unidrnd(N); while i==bb=unidrnd(N); endA(i,b)=1; A(b,i)=1; endendendend%根据邻接矩阵连线for i=1:Nfor j=1:Nif A(i,j)==1plot([x(i),x(j)],[y(i),y(j)],'linewidth',1); hold on;endendendhold offaver_path=aver_pathlength(A);disp(aver_path);4.2.3小世界网络模型平均路径长度与聚类系数对于纯粹的规则网络,当其中连接数量接近饱和时,集聚系数很高,平均路径长度也十分短。
小世界网络和无标度网络

⼩世界⽹络和⽆标度⽹络锚点的重要性线性⽹络中锚点的识别可以有许多⽤途,例如在具有线性拓扑的社区宽带⽹络中,其中⼀个锚点可以作为因特⽹的⽹关,进⽽优化社区⽹络中的整体传输时间。
⽤于军事或者应急响应场景中时,可以通过将其中⼀个锚点作为中⼼节点来添加⼀些LL,从⽽能够创建具有⼩APL值的⽹络拓扑。
锚点的识别也有利于车间通信。
对于⼀个给定的图,最⼩化APL等价于最⼩化图的总路径长度。
锚点的固定⽐例位置始终为0.2N或者0.8N.基于启发式⽅法的确定性链路添加两种确定性链路添加策略,即最⼤CC差异(MaxCCD),和顺序确定性LL添加。
两个节点之间的接近中⼼性差异CCD定义为两个节点的CC值之间的差。
MaxCCD策略在具有最⼤CCD的节点对之间添加LL。
APL表⽰在整个⽹络上节点对之间的路径长度平均值。
AEL刻画了⽹络上平均每条链路的长度。
节点的BC值表⽰其在⽹络中的重要性。
节点的CC值刻画了该节点与其他节点的接近程度。
平均⽹络时延:(Average Network Delay,ANeD)度量了⼀组数据从源节点传播到⽬的节点所需的平均时间。
ANeD等于传播时延和传输时延之和。
顺序确定性L添加是另⼀种基于启发式的确定LL添加⽅法,它将正则线性⽹络转化为由k条LL构成的⼩世界⽹络。
基于⼩世界特征的平均流容量增强启发式算法ACES布雷斯悖论⼩世界⽹络中的路由路由可以被定义为将⽹络中的特定信息从源节点转发到⽬的节点的过程。
分布式路由算法⾃适应分布式路由算法前瞻式路由算法⼩世界⽹络中的容量⽹络容量定义为可以在单位时间内从⽹络的⼀部分传输到另⼀部分的信息量。
增加⽹络容量是提⾼底层⽹络整体性能的关键挑战之⼀。
可以通过两种变换⽅式将正则⽹络转为⼩世界⽹络:重连现有链路NL;添加新链路LL第五章⽆标度⽹络⾃然界中⼴泛存在的⽆标度⽹络遵循幂律度分布。
多种创建⽆标度⽹络的⽅法:通过偏好连接;通过基于适应度的模型;通过改变内在适应度;通过相似性和流⾏度的局部优化;使⽤度指数1;通过贪⼼的全局优化。
复杂网络的结构分析与模型研究

复杂网络的结构分析与模型研究随着信息技术的飞速发展和互联网的普及,网络已经成为人们不可分割的一部分。
然而,网络并不是简单的连通图,它更多的是一种复杂的拓扑结构。
而复杂网络的结构分析与模型研究正是在探究这种复杂的拓扑结构。
一、复杂网络的概念和分类复杂网络是一种由众多节点和边组成的图形结构,其在现实生活中的各种应用越来越广泛,如社交网络、交通网络、供应链网络等。
根据网络节点之间连接的方式,复杂网络可以分为以下四类:1. 随机网络。
随机网络是节点之间连接完全随机的网络,其中各节点的度数呈现高斯分布。
这种网络的特点是具有较小的聚类系数和较小的平均路径长度。
2. 规则网络。
规则网络是节点之间连接具有规则性的网络,其中各节点的度数相同,且该度数相同。
这种网络的特点是具有较大的聚类系数和较小的平均路径长度。
3. 小世界网络。
小世界网络在随机网络和规则网络之间,其中大部分节点连接在一起,但也有一部分节点连接到远离它们的其他节点。
这种网络的特点是具有较小的平均路径长度和较大的聚类系数。
4. 非线性网络。
非线性网络包括动力学网络和生物网络,在这些网络中,边的权重也具有非线性性质。
这种网络的特点是具有丰富的动力学行为,包括同步、混沌等。
二、复杂网络的结构分析复杂网络的结构分析主要是研究网络连接的拓扑结构,包括网络的度分布、聚类系数、平均路径长度等特征。
1. 度分布。
度分布是指节点在网络中的度数概率分布,它是复杂网络的基本特性之一。
在一个网络中,节点度数越大,其所占比例越小,表现出幂律分布。
2. 聚类系数。
聚类系数是指节点的邻居之间也彼此相连的概率,它描述了网络的局部结构。
在随机网络中,聚类系数很小,在规则网络中,聚类系数很大,而在小世界网络中,聚类系数介于二者之间。
3. 平均路径长度。
平均路径长度是指节点之间的平均最短路径长度,它是网络中任意两个节点间距离的度量。
在随机网络中,平均路径长度较大,在规则网络中平均路径长度较小,而在小世界网络中,平均路径长度介于二者之间。
小世界效应和无标度-概述说明以及解释

小世界效应和无标度-概述说明以及解释1.引言1.1 概述概述部分提供了关于小世界效应和无标度网络的背景和概要信息。
本节将介绍这两个概念的起源和基本定义,以及它们在网络科学领域的重要性和研究意义。
小世界效应是指在一个具有大量节点的网络中,任意两个节点之间的距离很短,通常只需要经过少数几个中间节点即可到达。
这个现象最早由社会学家斯坦利·米尔格拉姆在1967年的实验中发现,并在1998年由弗兰克和温图拉提出了更为系统的定义。
小世界网络在现实生活中存在广泛,例如社交网络、物流网络和互联网等,这种网络结构具有高效的信息传递和快速的交流特点。
无标度网络是另一个重要的网络拓扑结构,在这种网络中,节点的度数(即与其相连的边的数量)遵循幂律分布。
这意味着有少量的节点具有非常高的度数,而大多数节点的度数相对较低。
这种网络结构的重要性得到了巴拉巴西等学者的广泛研究和关注。
无标度网络具有高度的鲁棒性和抗击毁性,在信息传播、疾病传播和网络攻击等方面具有重要的应用价值。
小世界效应和无标度网络在网络科学领域被视为两个重要的研究课题。
研究人员通过模型构建、实证分析和理论解释等多种方法,探索了这两个概念之间的关系和相互作用。
理解小世界效应和无标度网络的特性和行为规律,有助于我们更好地理解和设计现实世界中的各种网络系统,并且对社会、经济和生物系统等领域的研究有着重要的启示作用。
在接下来的章节中,我们将从不同角度对小世界效应和无标度网络进行深入的研究和分析。
我们将讨论它们的定义、原理、特征,探索它们的影响和应用,并探究它们之间的关系和相互影响。
最后,我们将总结主要观点,评价小世界效应和无标度网络的意义和影响,并提出未来进一步研究的建议。
通过这篇长文的阅读,读者将对小世界效应和无标度网络有一个更全面和深入的了解。
文章结构部分的内容可以按照以下方式编写:1.2 文章结构本文主要分为五个部分:引言、小世界效应、无标度网络、小世界效应和无标度网络的关系以及结论。
一种基于Cayley图的确定性小世界网络的研究

(2 P , 2 c , 2 r)=( 1 c 0 “ c)P (2 ,1 0 (2 , 1 2 。 中 P ) r +r) 其
是循环右移 位操作 , 0是异或操作 , 而本文 中如无特别
说 明均 假 定 “ ”是 模 k 法 。 + 加
命题 1 G是一个 群。
证明:
增长 , 中 n为网络 中的节点数 。经研究发现 , 其 现实世界 中的
0c .2 0 t o7
种 基 于 C ye al y图 的 确 定 性 小 世 界 网 络 的 研 究
魏 文红 高 大利 , , 孙镇 涛
(. 南理 工大学 计算机科 学与工程 学院 , 州 504 ; 2 泉 州师范学院 计 算机 系, 1华 广 160 . 福建 泉州 320 ) 600
Ab t a t sr c :A e emiit malw r ewo k b s d o a ly g a h w i h s o s lc l cu t r g a d l w n t r d tr n s c s l — o l n t r a e n C ye r p h c h w o a l se n n o ewo k i d i d a t r s p o o e .A d t e n y e s meman p o et sw r n y e n o t g ag r h w sd v lp d ime e rp s d wa n h n a a z o i r p ri e e a a z d a d a r ui l o tm a e e o e .At a t l e l n i s, l v i i fti ew r sv r e y e p r n . l a d t o s n t o k wa e f d b x e me t y h i i i Ke r s a ly g a h l s rn o f ce t c a a t r t ah l n t ;s l w r y wo d :C ye r p ;cu ti g c e in ; h rc e si p t e gh mal o d e i i c — l
课题:WS小世界网络模型构造

课题:WS小世界网络模型构造姓名赵训学号 2班级计算机实验班一、WS 小世界网络简介1998年, Watts和Strogatz 提出了小世界网络这一概念,并建立了WS模型。
实证结果表明,大多数的真实网络都具有小世界特性(较小的最短路径) 和聚类特性(较大的聚类系数) 。
传统的规则最近邻耦合网络具有高聚类的特性,但并不具有小世界特性;而ER 随机网络具有小世界特性但却没有高聚类特性。
因此这两种传统的网络模型都不能很好的来表示实际的真实网络。
Watts 和Strogatz建立的WS小世界网络模型就介于这两种网络之间,同时具有小世界特性和聚类特性,可以很好的来表示真实网络。
二、WS小世界模型构造算法1、从规则图开始:考虑一个含有N个点的最近邻耦合网络,它们围成一个环,其中每个节点都与它左右相邻的各K/2节点相连,K是偶数。
2、随机化重连:以概率p随机地从新连接网络中的每个边,即将边的一个端点保持不变,而另一个端点取为网络中随机选择的一个节点。
其中规定,任意两个不同的节点之间至多只能有一条边,并且每一个节点都不能有边与自身相连。
在上述模型中,p=0对应于完全规则网络,p=1则对应于完全随机网络,通过调节p的值就可以控制从完全规则网络到完全随机网络的过渡,如图a所示。
图a相应程序代码(使用Matlab实现)ws_net.m (位于“代码”文件夹内)function ws_net()disp('WS小世界网络模型')N=input('请输入网络节点数');K=input('请输入与节点左右相邻的K/2的节点数');p=input('请输入随机重连的概率');angle=0:2*pi/N:2*pi-2*pi/N;x=100*cos(angle);y=100*sin(angle);plot(x,y,'r.','Markersize',30);hold on;%生成最近邻耦合网络;A=zeros(N);for i=1:Nif i+K<=Nfor j=i+1:i+KA(i,j)=1;endelsefor j=i+1:NA(i,j)=1;endfor j=1:((i+K)-N)A(i,j)=1;endendif K<ifor j=i-K:i-1A(i,j)=1;endelsefor j=1:i-1A(i,j)=1;endfor j=N-K+i:NA(i,j)=1;endendenddisp(A);%随机化重连for i=1:Nfor j=i+1:Nif A(i,j)==1pp=unifrnd(0,1);if pp<=pA(i,j)=0;A(j,i)=0;b=unidrnd(N);while i==bb=unidrnd(N); endA(i,b)=1;A(b,i)=1;endendend%根据邻接矩阵连线for i=1:Nfor j=1:Nif A(i,j)==1plot([x(i),x(j)],[y(i),y(j)],'linewidth',1); hold on;endendendhold offaver_path=aver_pathlength(A);disp(aver_path);对应输出(取网络节点数N=16,K=2;p分别取0,0.1,1)。
第20章 小世界现象_59608478

15
Watts-Strogatz模型Байду номын сангаасin paper)
The different characteristics among the three
type networks
a perfectly ordered network: a high L and a high C a randomly connected network: a low L and a low C a small world network: a low L and a relatively high C
想象大量节点排布成均匀网格状
连接近邻:确定性,连接远程:随机性
19
Watts-Strogatz模型
模型体现了同质连接和弱关系连接的概念,可
以看成是现实社会网络的一个合理近似
可以证明:在这样的网络中,任意两点之间存
在短路径的概率很高 也可以证明,Watts-Strogatz模型不能很好 地体现第二个要求
Jon Kleinberg (网络、群体与市场)
Navigation in a Small World Nature. 2000, 406(6789): 845. (被引用1227次)
WSK模型引入一个衡量远程弱连接跨越距离的
“尺度”
节点在r个网格步内与其他节点相互连接 节点的k个随机边以到该节点的距离衰减的方式生 成,由聚集指数q控制
14
Watts-Strogatz模型(in paper)
Two characteristics distinguish a small-
world network
a low average path length L
供应链管理系统的复杂性分析

供应链管理系统的复杂性分析一、供应链系统的复杂性1.供应链系统本身是络结构。
供应链系统本身作为一个复杂的网链结构,由众多的成员企业组成,每个成员企业可看作是一个实体,这些实体彼此之间相互作用,同时受到其他供应链实体和市场大环境的影响。
在全球一体化快速发展的今天,供应链已不仅仅局限的在一个地区一个国家,许多大企业已经建立了跨国的全球供应链。
我们可以利用分形图形的方法构造的一个以制造商为核心企业的供应链网络,其上游是各级供应商构成的供应体系,下游是分销商和零售商构成的销售体系。
分形理论的基本特征是无限自相似性,也就是说整体和局部具有某种自相似性,对于采取统一运作模式的跨国供应链或者连锁店模式都可以看作是分形理论的延伸。
对于跨国供应链来说,分形网络的每一个分支都可视作跨国供应链网络在各个国家或地区的延伸,并与供应链总体采用相似的运作模式。
复杂网络是由顶点和边组成的,这里顶点代表各个成员企业,边代表各个企业彼此之间的各种流。
供应链网络的形成是络本身的特点决定的,具有复杂网络的一般特征。
由于网络成员自聚集联合作用的功能大于每个企业单独作用之和,所以企1/ 9业要想在竞争中获取竞争优势,必须联合起来形成供应链以应对多变的市场环境。
节点企业之间通过物流、信息流、资金流建立动态的连接,并且伴随信息技术(IT)的快速增长,为了应对客户多样化个性化的需求,供应链成员必须加强彼此之间的相互作用实现信息的充分交流与共享。
供应链具有动态演进性,各节点企业相互作用,涌现出供应链整体的动态演化行为模式,这种模式促进供应链的重组与更替。
供应链与供应链之间也存在着相互影响,各个供应链相互连接起来以复杂耦合的方式进行互动并影响各自的行为模式。
2.供应链网络的小世界性和无尺度性。
供应链网络具有小世界网络的特点,即小世界性和聚集性。
Watts和Strogatz在1998年提出了小世界网络模型,小世界网络具有较小的平均路径长度以及较高的聚集系数。
- 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)。
条边相连。其中, p = 1, 2,, N t 。
一条边相连。其中, p = 1, 2,, N t 。 第 2 步:若 t < T − 1 ,令 t = t + 1 转第 1 步。否则,迭代停止。 上述的迭代进行 T − 1 次后,就可以得到一个高的聚类系数的确定性网络。如图 2(a)(迭代的前四步)所示。 上述的迭代进行 T − 1 次后,由顶点数和边数之间的关系 N t +1 = 2 N t 、 Bt + = Bt + 2 N t 及初始条件 N 0 = 2 、 B0 = 1 , 1
2. 模型及特性分析
确定性均匀递归树的生成过程非常简单[18]。用 U t 表示经过 t 步迭代后的确定性均匀递归树,并用 Vt 和 Et 分 别表示其顶点数和边数。其中, = t 0,1, 2,, T − 1 , T 为迭代的总步数。如图 1(迭代的前四步)所示。确定性均匀 递归树的生成过程可以描述如下: 第 0 步:初始状态。当 t = 0 时, U 0 为连接两个顶点的一条边,此时, = V0 2, = E0 1 。 第 1 步:U t +1 在 U t 的基础上生成。对于 U t 的每一个顶点都对应添加一个新的顶点并分别用一条边相连。从
)
由此,其平均路径长度与网络顶点个数的对数成正比例关系,具有与均匀递归树和 WS 网络模型类似的小世界 现象。3) 介数分布表现出底为 2 的指数函数关系,具有与均匀递归树相同的规模。4) 度相关性 Uknn ( k ) 正相关 于 k 的线性函数,这表明确定性均匀递归树是对称的。尽管他们没有给出确定性均匀递归树的聚类系数,但很 容易知道其聚类系数为 0,因为均匀递归树中不存在三角形。因此确定性均匀递归树不是小世界网络。 陆哲明等人[20]在确定性均匀递归树生成规律的基础上调整添加边数的规则,使网络具有较大的聚类系数, 从而具有小世界性。用 G ( t ) 表示经过 t 步迭代后的小世界网络,并用 N t 和 Bt 分别表示其顶点数和边数。其中,
Advances in Applied Mathematics 应用数学进展, 2014, 3, 22-28 /10.12677/aam.2014.31004 Published Online February 2014 (/journal/aam.html)
Abstract: Deterministic small-world network is an important branch of study of complex networks. In 2008, Zhang et al. in Eur.Phys.J.B 63 have offered detailed topological characteristics of the deterministic uniform recursive tree from the viewpoint of complex network. They derived topological characteristics of the deterministic uniform recursive tree. It shows a logarithmic scaling with the size of the network, however, its clustering coefficient is zero. In 2012, Lu, et al. in Physica A 391, based on the deterministic uniform recursive tree, by a simple rule to add some edges, got a deterministic small-world network model. In this paper, using an approximation algorithm based on the network construction, we show explicitly the average path length of the model constructed in Physica A 391. Keywords: Graph Theory; Small-World Network; Average Path Length
Bt 2t + 2 − 3 。 可以计算得出 N t = 2t +1 、=
Received: Dec. 29th, 2013; revised: Jan. 30th, 2014; accepted: Feb. 7th, 2014 Copyright © 2014 Ke Zhang et al. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. In accordance of the Creative Commons Attribution License all Copyrights © 2014 are reserved for Hans and the owner of the intellectual property Ke Zhang et al. All Copyright © 2014 are guarded by law and by Hans as a guardian.
摘 要: 确定性小世界网络是复杂网络中的一个重要的研究分支。 2008 年, 章忠志等人(Eur.Phys.J.B 63) 在复杂网络的视角下对确定性均匀递归树作了详尽地分析,得到了其拓扑属性。尽管确定性均匀递归 树的平均路径长度表现出了网络大小的对数规模, 但是它的聚类系数为零。 2012 年, 陆哲明等人(Physica A 391)通过在确定性均匀递归树的基础上以一个简单的规则添加一些边得到一个确定性小世界网络模 型。本文根据网络模型的结构用分析的方法给出了文献 Physica A 391 中的模型的平均路径长度的逼近 方法。 关键词:图论;平均路径长度;小世界网络
= t 0,1, 2,, T − 1 , T 为迭代的总步数。随着时间步 t 的递增给每一个顶点标注一个自然数,则其生成过程
Figure 1. The first four iterations of the growth process of deterministic uniform recursive tree 图 1. 确定性均匀递归树的生成过程的前 4 步
An Approximation Algorithm for Average Path Length in A Small-World Network Model
Ke Zhang1, Haixing Zhao2, Feng Li2
1 2
ቤተ መጻሕፍቲ ባይዱ
Department of Mathematics, Qinghai Normal University, Xining School of Computer Science, Qinghai Normal University, Xining Email: hbsanli@, h.x.zhao@
OPEN ACCESS
23
张科 等 | 一种确定性小世界网络模型平均路径长度的逼近方法
可以描述如下: 第 0 步:初始状态。当 t = 0 时, G ( 0 ) 为连接两个顶点的一条边,这两个顶点分别标记为“1”和“2”, 此时,= N 0 2, = B0 1 。 第 1 步: G ( t + 1) 在 G ( t ) 的基础上生成。这一步包含以下两个分步。
UPcum ( k ) = 2− k +1 ,关于 k 呈单调递减的指数关系,即确定性均匀递归树是一个指数分布的网络,其度分布与随
机性均匀递归树的度分布类似。 2) 平均路径长路 Udt = t 2t +1 + 1
(
) (2
t +1
当 t → ∞ 时, Ud = ln Vt ln 2 − 1 。 −1 , t →t
= Et + Vt 。 而有, Vt +1 = 2Vt , Et + 1
第 2 步:若 t < T − 1 ,令 t = t + 1 转第 1 步。否则,迭代停止。
Et 2t +1 − 1 的确定性树。 上述的迭代进行 T − 1 次后,可以得到一个顶点数 Vt = 2t +1 、边数 =
章忠志等人对确定性均匀递归树的几个重要的拓扑属性进行了研究 [19] ,其主要结果为: 1) 累积度分布
第 1.1 步:生成确定性均匀递归树。 G ( t ) 中标号为“ p ”的顶点和新增加的标号为“ N t + p ”的顶点用一 第 1.2 步:添加边。 G ( t + 1) 中新添加的标号为“ N t + p ”的顶点和 G ( t ) 中标号为“ N t − p + 1 ”的顶点用 显然,经过这两个分步之后,有 N t +1 = 2 N t , Bt + = Bt + 2 N t 。 1
一种确定性小世界网络模型平均路径长度的逼近方法
张
1 2
科 1,赵海兴 2,李
峰2
青海师范大学数学系,西宁 青海师范大学计算机学院,西宁 Email: hbsanli@, h.x.zhao@ 收稿日期:2013 年 12 月 29 日;修回日期:2014 年 1 月 30 日;录用日期:2014 年 2 月 7 日
1. 引言
很多现实生活网络都体现出了小世界效应[1-4],诸如交通网络、电力网络、选举网络和社会关系网络。小世 界网络有两个典型的属性:其一,较短的平均路径长度。平均路径长度与网络顶点个数的对数成正比例关系。