复杂网络度分布的研究
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。
复杂网络研究概述
复杂网络研究概述3周 涛 柏文洁 汪秉宏 刘之景 严 钢(中国科学技术大学近代物理系 合肥 230026)摘 要 近年来,真实网络中小世界效应和无标度特性的发现激起了物理学界对复杂网路的研究热潮.复杂网络区别于以前广泛研究的规则网络和随机网络最重要的统计特征是什么?物理学家研究复杂网络的终极问题是什么?物理过程以及相关的物理现象对拓扑结构是否敏感?物理学家进入这一研究领域的原因和意义何在?复杂网络研究领域将来可能会向着什么方向发展?文章围绕上述问题,从整体上概述了复杂网络的研究进展.关键词 复杂网络,小世界,无标度,拓扑性质A brief revie w of complex net worksZHOU Tao BAI Wen 2Jie WAN G Bing 2Hong L IU Zhi 2Jing YAN G ang(Depart ment of Modern Physics ,U niversity of Science and Technology of China ,Hef ei 230026,China )Abstract In recent years the discovery of small 2world effects and scale 2free properties of real 2life networks has attracted a much interest among physicists.Which are the most important statistical characteristics for complex networks that are known from regular networks and random networks ?What is the ultimate goal of the study of complex networks ?Are physical processes sensitive to the topological structure of networks ?What are the reason and meaning for physicists to enter the research field of complex networks ?What are the direc 2tions for future research ?In this paper we concentrate on the above questions and present a general overview of complex networks.K eyw ord complex networks ,small 2world ,scale 2free ,topological characters3 国家重点基础研究发展计划项目;国家自然科学基金(批准号:70271070,70471033,10472116)、中国与加拿大大学工业联合基金(批准号:CCU IPP 2NSFC 70142005)、高等教育博士点专项基金(批准号:SRFDP 20020358009)资助项目2004-06-30收到初稿,2004-08-07修回 通讯联系人.E 2mail :bhwang @1 引言自然界中存在的大量复杂系统都可以通过形形色色的网络加以描述.一个典型的网络是由许多节点与连接两个节点之间的一些边组成的,其中节点用来代表真实系统中不同的个体,而边则用来表示个体之间的关系,通常是当两个节点之间具有某种特定的关系时连一条边,反之则不连边.有边相连的两个节点在网络中被看作是相邻的.例如,神经系统可以看作是大量神经细胞通过神经纤维相互连接形成的网络[1];计算机网络可以看作是自主工作的计算机通过通信介质如光缆、双绞线、同轴电缆等相互连接形成的网络[2].类似的还有电力网络[1]、社会关系网络[1,3,4]、交通网络[5]等等.数学家和物理学家在考虑网络的时候,往往只关心节点之间有没有边相连,至于节点到底在什么位置,边是长还是短,是弯曲还是平直,有没有相交等等都是他们不在意的.在这里,我们把网络不依赖于节点的具体位置和边的具体形态就能表现出来的性质叫做网络的拓扑性质,相应的结构叫做网络的拓扑结构.那么,什么样的拓扑结构比较适用于描述真实的系统呢?两百多年来,对这个问题的研究经历了三个阶段.在最初的一百多年里,科学家们认为・13・ 34卷(2005年)1期真实系统各因素之间的关系可以用一些规则的结构表示,例如二维平面上的欧几里德格网,它看起来像是格子体恤衫上的花纹;又如最近邻环网,它总是会让你想到一群手牵着手、围着篝火跳圆圈舞的姑娘.到了20世纪50年代末,数学家们想出了一种新的构造网络的方法,在这种方法下,两个节点之间连边与否不再是确定的事情,而是根据一个概率决定.数学家把这样生成的网络叫做随机网络,它在接下来的40年里一直被很多科学家认为是描述真实系统最适宜的网络[6—8].直到最近几年,由于计算机数据处理和运算能力的飞速发展,科学家们发现大量的真实网络既不是规则网络,也不是随机网络,而是具有与前两者皆不同的统计特征的网络.这样的一些网络被科学家们叫做复杂网络(complex net2 works),对于它们的研究标志着第三阶段的到来.遗憾的是,就目前而言,科学家们还没有给出复杂网络精确严格的定义,从这几年的研究来看,之所以称其为复杂网络,大致上包含以下几层意思:首先,它是大量真实复杂系统的拓扑抽象;其次,它至少在感觉上比规则网络和随机网络复杂,因为我们可以很容易地生成规则和随机网络,但就目前而言,还没有一种简单方法能够生成完全符合真实统计特征的复杂网络;最后,由于复杂网络是大量复杂系统得以存在的拓扑基础,因此对它的研究被认为有助于理解“复杂系统之所以复杂”这一至关重要的问题.2 复杂网络的统计特征如前所述,复杂网络具有很多与规则网络和随机网络不同的统计特征,其中最重要的是小世界效应(small2world effect)[1,9]和无标度特性(scale2free property)[10,11].在网络中,两点间的距离被定义为连接两点的最短路所包含的边的数目,把所有节点对的距离求平均,就得到了网络的平均距离(average distance).另外一个叫做簇系数(clustering coefficient)的参数,专门用来衡量网络节点聚类的情况.比如在朋友关系网中,你朋友的朋友很可能也是你的朋友;你的两个朋友很可能彼此也是朋友.簇系数就是用来度量网络的这种性质的.用数学化的语言来说,对于某个节点,它的簇系数被定义为它所有相邻节点之间连边的数目占可能的最大连边数目的比例,网络的簇系数C则是所有节点簇系数的平均值.研究表明,规则网络具有大的簇系数和大的平均距离,随机网络具有小的簇系数和小的平均距离.1998年,Watts 和Strogatz通过以某个很小的概率p切断规则网络中原始的边,并随机选择新的端点重新连接,构造出了一种介于规则网络和随机网络之间的网络(WS 网络),它同时具有大的簇系数和小的平均距离,因此既不能当作规则网络处理,也不能被看作是随机网络[1].随后,Newman和Watts给出了一种新的网络的构造方法,在他们的网络(NW网络)中,原有的连边并不会被破坏,平均距离的缩短源于以一个很小的概率在原来的规则网络上添加新的连边[12].后来物理学家把大的簇系数和小的平均距离两个统计特征合在一起称为小世界效应,具有这种效应的网络就是小世界网络(small2world networks)(见图1).图1 小世界网络拓扑结构示意图(左边的网络是规则的,右边的网络是随机的,中间的网络是在规则网络上加上一点随机的因素而形成的小世界网络,它同时具有大的簇系数和小的平均距离)大量的实验研究表明,真实网络几乎都具有小世界效应[1—5,13],同时科学家还发现大量真实网络的节点度服从幂率分布[2,4,13—15],这里某节点的度是指该节点拥有相邻节点的数目,或者说与该节点关联的边的数目.节点度服从幂律分布就是说,具有某个特定度的节点数目与这个特定的度之间的关系可以用一个幂函数近似地表示.幂函数曲线是一条下降相对缓慢的曲线,这使得度很大的节点可以在网络中存在.对于随机网络和规则网络,度分布区间非常狭窄,几乎找不到偏离节点度均值较大的点,故其平均度可以被看作是其节点度的一个特征标度.在这个意义上,我们把节点度服从幂律分布的网络叫做无标度网络(scale2free networks),并称这种节点度的幂律分布为网络的无标度特性.1999年, Barabási和Albert给出了构造无标度网络的演化模型[10,11],他们所用的方法与Price的方法类似[16,17].Barabási和Albert把真实系统通过自组织生成无标度的网络归功于两个主要因素:生长和优先连接,而他们的网络模型(BA网络)正是模拟这两个关键机制设计的.除了小世界效应和无标度特性外,真实网络还・23・物理有很多统计上的特征,例如,混合模式特性[18],度相关特性[19—21],超小世界性质[13]等等.限于篇幅,本文不再赘述,有兴趣的读者可以参考相关文献.图2 无标度网络的拓扑结构示意图(本图展示了有130个节点的BA 网络,其节点度服从幂指数为-3的幂律分布.图中标注的5个节点是网络中度最大的5个节点)3 复杂网络上的物理过程对于物理学家而言,研究复杂网络的终极目标是理解网络拓扑结构对物理过程的影响.在以前的研究中,物理学家往往忽略了网络的拓扑性质,在讨论逾渗、传播、同步等物理过程时,他们自然地选择了最容易模拟和分析的规则网络或随机网络,而没有仔细思考和研究这种选择是不是应该的,不同的选择会不会对物理过程产生不可忽略的影响.以网络上的传播动力学模型为例,由于传统的网络传播模型大都是基于规则网络的,因此,复杂网络不同统计特征的发现使科学家面临更改既有结论的危险.当然,如果理论研究和实验结果都说明复杂网络上的传播动力学行为与规则网络别无二致,那么我们至少暂时还可以心安理得地使用以前的结论.但是,不幸的是,复杂网络上的传播行为与规则网络相比确实存在根本上的不同.类似的情况还出现在其他的物理过程中,下面我们将简略地介绍网络拓扑性质对某些典型物理过程的影响.3.1 逾渗模型与疾病传播动力学之所以在这里把逾渗模型和网络上的疾病传播动力学问题归在一起讨论,是因为网络上的疾病传播模型可以等价于键逾渗模型[22,23].以前的基于规则网络的研究表明,疾病在网络中的平均波及范围与疾病的传染强度正相关,而疾病的传染强度有一个阈值,只有当其值大于这个阈值时,疾病才能在网络中长期存在,否则感染人数会呈指数衰减[24—26].根据这个理论,疾病若是持久存在,则必然波及大量个体.但实验研究表明,计算机病毒、麻疹等一般仅波及少数个体但能够长期存在[27,28].这一理论与实验的矛盾在很长时间里一直困扰着科学界.近年来的研究表明,在无标度网络中,没有正的传播阈值[29—31],也就是说,即使疾病的传染强度接近零,只波及非常少的个体,也能在网络中长期存在.由于大部分真实网络是无标度网络,因此该结论很好地解决了上面的矛盾.3.2 混沌同步近十余年来,混沌动力系统在网络上的同步性能吸引了大量科学家的关注.早期的研究主要是针对以最近邻环网为代表的规则网络,研究表明,对于给定的非零耦合强度,当节点数目很大时,网络无法实现同步[32].最近几年的研究却表明,尽管小世界网络只是在规则网络进行一个非常小的修正的结果[1,12],但其实现混沌同步的能力却远远好于规则网络[33,34].对于小世界上的广义混沌同步[35]与超混沌同步[36]的研究同样表明,小世界网络有明显好于规则网络的同步能力.物理学家还考察了无标度网络,研究表明,其混沌同步的能力与星形网络几乎是一样的,这可能是因为它与星形网络都具有很不均匀的节点度分布[37](见图3).图3 网络中疾病平均波及范围与传染强度关系的示意图(图中位于右侧的实线表示疾病在规则网络中传播的情况,位于左侧的实线表示疾病在小世界网络中传播的情况,虚线表示疾病在无标度网络中传播的情况.可以看到,疾病在无标度网络中没有正的传播阈值,而小世界网络的传播阈值明显小于规则网络.注意,图中的曲线只是为了帮助我们定性地理解,并不是通过数值模拟得到的定量的曲线)3.3 沙堆模型与自组织临界性网络拓扑结构是否会影响沙堆模型中的自组织临界现象,一直就是该领域争论的焦点[38—43].Zhou 和Wang 对复杂网络上沙堆模型的研究表明,沙堆模型中的雪崩动力学性质对网络拓扑结构非常敏感,相比规则网络,无标度网络上大雪崩发生更为频・33・ 34卷(2005年)1期图4 雪崩规模分布图[曲线1和曲线2分别代表在二维欧几里德格网和无标度网络上雪崩规模的分布,其中P(S)表示在100万次微扰中规模为S的雪崩出现的次数.试验中,欧几里德格网和无标度网络的节点数均为4900,平均度均为4.在无标度网络中,最大的雪崩规模为8829,而在欧几里德格网中相应的值仅为1799]繁,最大雪崩的规模也大得多[44](见图4).物理性质明显依赖于网络拓扑结构的物理过程还很多,例如随机游走[45—48]、玻色-爱因斯坦凝聚[49—51]、XY临界模型[52,53]等等.在此我们无法一一介绍,读者可以参阅相关文献.总的来说,物理学家已经开始学会把网络拓扑性质看作影响系统行为的一个特征量,这也在很大程度上改变了我们对很多物理过程原有的认识.4 总结与展望关于网络的研究,数学家早在两百多年前就开始了,他们已经发展出了成体系的理论与技术,而物理学家的进入只有五年左右的历史!到底是什么鼓动物理学家来趟这塘浑水,他们的到来有意义吗?在我们看来,研究对象特殊的尺度效应是召唤物理学家到来的根本原因.数学家经典的网络理论,要么是分析包含几十数百个顶点,可以画在一张纸上,从而形成直观印象的网络;要么是讨论不含有限尺度效应,可以精确求解的网络性质.“随机移走一个顶点会对网络的性能产生什么样的影响?”这个问题对于研究有限规则网络的数学家是有意义的,但对于拥有几千万个节点,连接方式复杂多样的真实网络而言,或许“随机移走3%的顶点会对网络性能产生什么样的影响?”这个问题更有意义.这个尺度的网络,是被物理学家称作“足够大”的网络,对它们的研究,需要使用统计物理的方法.有的读者可能会问,数学家除了经典的网络理论外,还构造了一套随机图的理论,这套理论就是专门对付“足够大”的网络的,统计力学的方法到底能不能得到随机图论不能得到的新的有意义的结果呢?需要强调的是,随机图论的方法的确在复杂网络的研究中扮演了不可或缺的角色,但是,数学家的“足够大”和物理学家的“足够大”完全不是一个概念,虽然他们都使用顶点数趋于无穷的假设.对于物理学家而言,平均场的近似,主方程的求解,在网络顶点数达到百十万甚至只需几万时,误差就已经可以接受了;而随机图的大量有意义的结果,要求节点数在连续求取3次常用对数后还要比10大[8],在我们的宇宙中,目前还没有任何一个有物理意义的数值达到如此的量级.从前面的介绍中我们已经看到,物理学家不仅在方法论上为网络研究注入了新的活力,而且大大地拓展了网络研究的视野.他们不仅和数学家一样关心网络自身的拓扑性质,而且关注网络上进行的各种物理过程和动力学行为,诸如传播、同步、自组织临界、玻色-爱因斯坦凝聚等等,他们发现了网络拓扑结构对各种动力学行为的影响,并给出了很多虽不严谨但很美妙的解释.这些工作很有可能会推动相关数学物理理论的发展.近几年来,大量关于复杂网络的文章发表在Science,Nature,PRL,PNAS等国际一流的刊物上,从一个侧面反映了复杂网络已经成为物理界的一个新兴的研究热点.香港城市大学的陈关荣教授统计了几年来被SCI收录的关于复杂网络的文章数量(见图5),从中可以看出明显的增长趋势.Evans统计了6年来在arXiv:cond-mat上提交的标题含有“network”的文章数,也同样发现了逐年递增的趋势(见图6).复杂网络的研究刚刚起步,前景看好,我国科学家应当尽快加入这个行列,争取做出原创性质的工作.5 结束语作为文章的结束,我们将为读者介绍一些重要的综述,希望这会有助于读者以更快的速度进入复杂网络研究的前沿阵地.关于小世界网络的研究,Newman[54]和Hayes[55,56]给出了不算太长的3篇综述,更短的1篇由Strogatz完成[57],发表在Nature上;Albert和Barabási给出了一篇更像是教科书的综述[58],他们讨论的重点是演化的无标度网络,这篇文献在两年之内已经被引用了近千次;最为详尽的综述是Dorogovtsev和Mendes给出的[59],在这篇文章中,・43・物理图5 SCI 收录的关于复杂网络的研究论文数量(统计了从1998年到2004年第一季度的情况,从图中可以看出,复杂网络的研究方兴未艾)图6 arXiv :cond 2mat 上关于网络的研究论文数量(统计了从1997年到2003年cond 2mat 上标题含有“network ”的文章数目,从图中可以看出,网络的研究在近6年来越来越受到物理学家的关注)他们用超过100页的篇幅穷举了在此之前几乎所有关于演化网络的结论,包括相当详细的实验与分析的过程;2003年Newman 的综述堪称精品[60],漂亮的组织结构,地道风趣的语言和独到的视角,使你在阅读时会忘掉是在读一篇学术文献,后面所附的400多篇参考文献,足以填饱任何人的肚子;Wang 和Chen 在IEEE 期刊上的一篇短综述[61],非常适合作为入门读物,一个完全不谙此道的人都可以通过一个下午的阅读对复杂网络的研究概貌有所了解;Wang 的另一篇综述像是上一篇文章的扩展版[62],在这篇文献中,Wang 强调了复杂网络上的混沌同步,对这方面工作感兴趣的读者切不可放过该文献.最新的综述是Evans 在2004年5月完成的[63],这篇文献中包含了很多最新研究的结果.参考文献[1]Watts D J ,Strogatz S H.Nature ,1998,393:440[2]Faloutsos M ,Faloutsos P ,Faloutsos puter Communi 2cations Review ,1999,29:251[3]Liljeros F et al .Nature ,2001,411:907[4]Ebel H ,Mielsch L I ,Borbholdt S.Phys.Rev.E ,2002,66:035103[5]Sen P et al .Phys.Rev.E ,2003,67:036106[6]Erd s P ,R ényi A.Publications of the Mathematical Institute of the Hungarian Academy of Science ,1960,5:17[7]Erd s P ,R ényi A.Acta Mathematica Scientia Hungary ,1961,12:261[8]Bollob ás B.Random Graphs.London :Academic Press Inc ,1985[9]Milgram S.Psychology Today ,1967,2:60[10]Barab ási A L ,Albert R.Science ,1999,286:509[11]Barab ási A L ,Albert R ,Jeong H.Physica A ,1999,272:173[12]Newman M E J ,Watts D J.Phys.Rev.E ,1999,60:7332[13]Zhou T et al .arXiv :cond -mat/0405258[14]Jeong H et al .Nature ,2001,411:41[15]Jeong H et al .Nature ,2000,407:651[16]de Price D J S.Science ,1965,149:510[17]de Price D J S.J.Amer.S rm.Sci.,1976,27:292[18]Newman M E J.Phys.Rev.E ,2003,67:026126[19]Pastor 2Satorras R ,V ázquez A ,Vespignani A.Phys.Rev.Lett.,2001,87:258701[20]V ázquez A ,Pastor 2Satorras R Vespignani A.Phys.Rev.E ,2002,65:066130[21]Newman M E J.Phys.Rev.Lett.,2002,89:208701[22]Grimmett G R.Percolation.Berlin :S pringer -Verlag ,1989[23]Sander L M et al .Math.Biosci.,2002,180:293[24]Bailey N T J.The Mathematical Theory of Infectious Diseases and Its Applications.New Y ork :Hafner Press ,1975[25]Anderson R M ,May R M.Infectious Diseases of Humans.Oxford :Oxford University Press ,1992[26]Hethcote H W.SIAM Review ,2000,42:599[27]K ephart J O.Sci.Am.,1997,277:56[28]K ephart J O et al .IEEE Spectr.,1993,30:20[29]Pastor 2Satorras R ,Vespignani A.Phys.Rev.E ,2001,63:066117[30]Pastor 2Satorras R ,Vespignani A.Phys.Rev.Lett.,2001,86:3200[31]Barthelemy M et al .Phys.Rev.E ,2004,92:178701[32]Wu C W ,Chua L O.IEEE Trans.Circuits Syst.I ,1995,42:430[33]G ade P M ,Hu C K.Phys.Rev.E ,2000,62:6409[34]Wang X F ,Chen G R.Int.J.Bifurcation and Chaos ,2002,12:187[35]Barahona M ,Pecora L M.Phys.Rev.Lett.,2002,89:054101[36]Jiang P Q et al .Int.J.Mod.Phys.B ,2004,18:2674[37]Wang X F ,Chen G R.IEEE Trans.Circuits Syst.I ,2002,49:54[38]Olami Z et al .Phys.Rev.Lett.,1992,68:1244[39]K lein W ,Rundle J.Phys.Rev.Lett.,1993,71:1288[40]Christensen K.Phys.Rev.Lett.,1993,71:1289[41]Carvalho J X ,Prado C P C.Phys.Rev.Lett.,2000,84:4006・53・ 34卷(2005年)1期[42]Christensen K et al .Phys.Rev.Lett.,2001,87:039801[43]Carvalho J X ,Prado C P C.Phys.Rev.Lett.,2001,87:039802[44]Zhou T ,Wang B H.arXiv :cond 2mat/0406575[45]Jespersen S et al .Phys.Rev.E ,2000,62:4405[46]Pandit S A ,Amritkar R E.Phys.Rev.E ,2001,63:041104[47]Lahtinen J et al .Phys.Rev.E ,2001,64:057105[48]Lahtinen J et al .Physica A ,2002,311:571[49]Bianconi G et al .arXiv :cond 2mat/0011224[50]Burioni R et al .arXiv :cond 2mat/0104365[51]Burioni R et al .J.Phys.B ,2001,34:4697[52]K im B J et al .Phys.Rev.E ,2001,64:056135[53]Medvedyeva K et al .Phys.Rev.E ,2003,67:036118[54]Newman M E J.J.Stat.Phys.,2000,101:819[55]Hayes B.American Scientist ,2000,88:9[56]Hayes B.American Scientist ,2000,88:104[57]Strogatz S H.Nature ,2001,410:268[58]Albert R ,Barab ási A L.Rev.Mod.Phys.,2002,74:47[59]Dorogovtsev S N ,Mendes J F F.Advances in Physics ,2002,51:1079[60]Newman M E J.SIAM Review 2003,45:167[61]Wang X F ,Chen G R.IEEE Circuits &Systems Magazine ,2003,3:6[62]Wang X F.Int.J.Bifurcation &Chaos ,2002,12:885[63]Evans T S.arXiv :cond 2mat/0405123・物理新闻和动态・用激光观察分子轨道科学家们演示了一种观察简单分子周围的电子“云”的新方法.他们利用激光脉冲将氧和氮的分子解离成离子对,然后根据离子的轨迹重构出分子原来的电子云或“轨道”.发表在2004年9月10日的PRL 上的结果,证实了关于电场中分子的分裂可能依赖于其电子轨道的理论预言.这种技术可以帮助研究者探查在激光聚变系统、日冕和生物分子间所发生的反应.当分子漂移进入一个强的电磁场(如太阳表面)时,就会被电离.研究人员可以在实验室中利用超短激光脉冲研究这一过程.激光的强电场迫使分子中的2个电子离开分子,只剩下2个离子.近期的实验表明,像O 2和S 2这类分子与像N 2这样的分子相比,更不易被电离.这是一种很奇怪现象,因为将这3种分子束缚在一起的化学键的强度相差无几.这一现象似乎可以从轨道的形状中找到解释.某些轨道形状有利于电子按激光的电场排列,这使得这些电子更易被电离.在Manhattan 的K ansas 州立大学的Lewis Cocke 的光学物理组,决定采用一种新的能更直接地对电子轨道进行观察的技术来检验这一想法.他们将氧和氮喷在激光通过的路径上,激光器调谐到能在8fs 长的时间内发射出15μJ 的能量,这能量刚好.安装在附近的探测器收集离子并记录它们的位置.然后他们重构出原来的分子相对于激光的电场的取向.研究人员对每种分子的测量结果作图.将每一取向角度在图上标出一个点.该点到图的中心的距离对应于分子破裂的概率.例如,当激光电场与分子的长轴平行时,氮分子最容易被电离,在其他情况下则很难被电离.氮的图形看上去类似于一个长轴是沿零度方向的椭圆形.这种图形与由计算得知的氮的外层轨道的大体形状相符,外层轨道主要集中分布在沿连接两个原子的连线上.而氧分子当电场与分子轴线成40°左右角度时,即分子外层轨道像四叶草的形状时,更容易被电离.(树华 编译自Alnaser A S et al .Phys.Rev.Lett.,2004,93:113003)图1 病人手腕上的脉络图像寻找脉络为了能很好地管理静脉血液,在皮下寻找必要的脉络是一件不容易的事情.最近,美国田纳西大学健康科学中心的H.Zeman 教授和他的同事们,在美国Rochester 召开的“前沿光学会议”上,展示了他们所发明的一台新的仪器———脉络对比增长器(Vein Constrast Enhancer ,简称为VCE ).这种仪器是利用灵敏的红外传感器去寻找皮下的脉络,然后投射为脉络图像,再明显地展示在病人的手腕上(如图1所示).这种图像能使医务工作者们非常容易地进行各种注射.这台仪器的工作原理极为简单.它是由一组发光二极管将红外光照射在对象上,利用红外光对红血球与其周围的脂肪组织有着极不相同的散射性能,当散射光线通过滤光片后就被CCD TV 摄像机接收,并转变为每秒可形成30帧画面的图像.这些经过细致矫正后就形成为解剖学所要求的皮下图像.H.Zeman 教授的研究组利用VCE 进行了大量的临床试验,并且对投影能力也作了各种测试.现在,VCE可探测到皮下8mm 深处的脉络,并形成图像,图像的空间分辨率一般为011mm.(云中客 摘自Frontiers in Optics Meeting ,15October 2004)・63・物理。
复杂网络模型的建立与分析研究
复杂网络模型的建立与分析研究随着社交媒体、互联网和大数据等领域的快速发展，复杂网络模型已成为研究的热点之一。
复杂网络模型是指由节点和连接组成的网络结构，是对现实世界中诸如社交网络、生物网络、交通网络等众多网络的抽象形式化描述。
建立和分析复杂网络模型可以对实际问题进行深入的研究和解决，因此在计算机、物理学、社会学等领域都具有重要的应用价值。
在建立复杂网络模型的过程中，主要分为以下几步骤。
首先，要确定网络的节点集和连接集。
节点集可以表示实体或者抽象概念，连接集则描述节点之间的联系。
其次，要构建网络连通性矩阵，以便进行后续的网络分析和建模。
网络连通性矩阵可以是邻接矩阵或者关联矩阵。
邻接矩阵描述了节点之间的直接连接，而关联矩阵则描述了节点之间的关联关系。
最后，需要进行模型验证和分析。
通常使用复杂网络的度分布、聚类系数、介数中心性等参数来量化网络性质，以验证模型的正确性和有效性。
与传统的图论相比，复杂网络模型提供了更加细致的网络分析方式和应用场景。
例如，社交网络中节点的度分布可以用于关键人物的识别，生物网络中网络结构的研究有助于分子生物学的探索和药物研发，交通网络中的研究可以为城市规划提供重要参考。
几乎所有与人类社会、自然界、技术和经济等领域有关的问题都可以用复杂网络模型来进行分析和研究。
例如在社交网络中，一个节点可以表示一个人，而边表示他们之间的关系。
在这个模型中，有些节点会比其他节点更具有影响力。
通过研究网络中的度中心性、紧密中心性和介数中心性等参数，可以找出社交网络中的核心人物，即关键人物。
这些关键人物往往具有较高的社交地位，拥有更多的信息和资源，可以对社会产生更大的影响力。
找到这些人物从而可以在企业管理、市场营销等方面做出更有利的决策。
在物理学领域，复杂网络也经常被应用于探究自组织现象和相变行为。
例如在研究网格布局中的交通模型时，复杂网络模型可以用于描述复杂的交通流量和拥堵现象。
这种模型的建立和分析可以有助于设计出更加高效的交通管理系统和城市规划方案。
复杂网络图中心节点分布的研究
１ 复 杂 网络 的节 点 中心 性度 量
研 究 的复杂 网络是 无 向无 权 图． 复 杂 网络 设
对网络中信息或流 的控制能力 ， 接近 中心性分析
节 点在 网络 中的聚集 能力 ， 特征 向量 中心性 考虑 与 目标 节点 建 立 连接 的节 点 的重 要 性 并 通 过邻
接 节 点的重 要性来 确 定 目标 节 点 的地位 作 用． 通
影 响力． 例如在 社 会 网 络 中 ， 个 节 点 和 另 一 个 一 节点 有边 相连 ， 明这 两个 人有 朋 友关 系． 说 因此 ，
如果 一个 人 能够 把 信 息 在 最 短 时 间 内传 递 给 其
他 所 有人 （ 括 自 己的 朋 友 和 朋 友 的 朋 友 ） 则 包 ， 说 明这个 人在 这群 人 中的影 响力 最 大 ； 近 中心 接
信网络中对信息传播 具有 重要控制能力 的节点
等．
利用 节点 中心性 度 量方 法 可 以计 算 每 个 节
收 稿 日期 ：０ １ １— ｌ ２ １ —１ ０
｛国家 自然科 学基金项 目资助 （ １７ １ １ ６ １１４ ）
第 １期
复杂网络 图中心节点分布 的研究
３ ８
Ｃ（ ）： ｃ
的分 布较分 散 ， 同配型 网络 的全 局 中心节 点 在 网 络 图上 的分 布 较为集 中． 在一些 真 实 的复 杂 网 络 图 和合 成 复 杂 网络 图上 研究 了全 局 中心节 点 的分 布 ． 实 的复 杂 网 真 络 图包括 ： 手 道数 据 集 、ｏｉｃｌ ｏｋ数 据 集 、 空 Ｐｌｉａ ｂｏ ｔ ｄｌｈｎ 数 据 集 、ｏｔａ 数 据 集． ｋ个 全 局 中 ｏ ｉ ｐ ｓ Ｆｏｂｌ ｌ 前
复杂网络研究简介
∑d
i> j
ij
d12 = 1
d13 = 1 d 23 = 1
d14 = 2 d 24 = 1 d 34 = 2
d15 = 1 d 25 = 2 d 35 = 2 d 45 = 3
Total = 16 Average:
L = 16 / 10 = 1.6
聚类系数
• 一个网络的聚类系数 C满足:
0<C<1
规则网络
(a) 完全连接;
(b) 最近邻居连接;
(c) 星形连接
规则网络
... ...
(d) Lattice
(z) Layers
随机图理论
• 随机图论 - Erdös and Rényi (1960) • ER 随机图模型统治四十余年…… 直到今天 …… • 当今大量可获取的数据＋高级计算工具，促使人们 重新考虑随机图模型及其方法
“图论之父”
看作4个节点，7条边的 图
路必须有起点和终点。 一次走完所有的桥，不重复，除起点与终点外，其余点必须有偶数 条边，所以七桥问题无解。 1875年, B 与 C 之间新建了一条桥解决了该问题！☺
Euler 对复杂网络的贡献
Euler 开启了数学图论，抽象为顶点与边的集 合 图论是网络研究的基础 网络结构是理解复杂世界的关键
电信网络
(Stephen G. Eick)
美国航空网
世界性的新闻组网络
(Naveen Jamal)
生物网络
人际关系网络
复杂网络概念
• • • • • • 结构复杂：节点数目巨大，网络结构呈现多种不同特征。 节点多样性：同一网络中可能有多种不同的节点。 连接多样性：节点之间的连接权重存在差异，且有可能存在方向性。 网络进化：表现在节点或连接的产生与消失。例如WWW，网页或链 接随时可能出现或断开，导致网络结构不断发生变化。 动力学复杂性：节点集可能属于非线性动力学系统，例如节点状态随 时间发生复杂变化。 多重复杂性融合：即以上多重复杂性相互影响，导致更为难以预料的 结果。例如，设计一个电力供应网络需要考虑此网络的进化过程，其 进化过程决定网络的拓扑结构。当两个节点之间频繁进行能量传输时， 他们之间的连接权重会随之增加，通过不断的学习与记忆逐步改善网 络性能。 复杂网络简而言之即呈现高度复杂性的网络。
复杂网络模型及其应用研究
复杂网络模型及其应用研究一、引言网络模型在各种研究领域中都扮演着重要的角色，如社交网络、交通网络、蛋白质相互作用网络等。
为了更好地理解和研究这些网络，科学家们提出了一些复杂网络模型。
本文将介绍几种常见的网络模型及其应用研究。
二、随机图模型随机图模型是最早被讨论和研究的网络模型之一，该模型中每个节点都有相同的度数分布，每对节点之间的连边独立等概率地存在。
该模型的研究成果被应用于社交网络，比如，评估节点之间的联系性以及社交网络中信息的传播和影响等问题。
三、小世界网络模型在小世界网络模型中，节点之间连接的方式是在随机图中随机建立的，但是每个节点与他人的距离非常短，有利于信息传输。
该模型常被应用于通信网络，如电话网络和因特网等领域。
近年来，该模型在计算机科学领域得到了广泛的关注。
四、尺度无关网络模型尺度无关网络模型是一种可用于描述复杂网络中节点度数分布的模型。
在该模型中，节点度数的分布与网络的大小无关，因此该模型也成为无标度网络模型。
该模型被广泛应用于生物学和社交网络等领域。
在社交网络领域，这种模型可用于确定群体中活跃和不活跃成员之间的关系。
五、无尺度网络模型无尺度网络模型是一种与尺度无关网络模型非常相似的网络模型，但它假设网络中节点度数分布呈现幂律分布，即度数较大的节点出现的概率相对较小。
该模型被应用于物理、社交、金融、医疗等多个领域，例如，可以通过该模型来分析股票市场中不同公司之间的联系方式。
六、小结网络模型在各种应用领域中都扮演着重要的角色。
通过对不同的网络模型的研究，我们可以更好地了解和理解网络的复杂性，同时也能够更好地处理和解决相关问题。
尽管这些模型都有它们的局限性和不足，但是它们仍然是现代研究领域中必不可少的研究方法之一。
复杂网络与社交网络分析
复杂网络与社交网络分析一、复杂网络的概念和基本模型复杂网络是一种由许多节点和连接它们的边组成的网络，具有复杂的拓扑结构和动态行为。
在真实世界中，很多现象都可以用复杂网络来描述，例如社交网络、交通网、电力网等。
复杂网络分析是研究这些网络的结构、性质和演化规律的学科。
常见的复杂网络模型包括随机网络、小世界网络和无标度网络等。
随机网络是指节点之间的连接具有随机性，节点度数呈现正态分布。
小世界网络是在随机网络的基础上增加一些具有长程联系的节点，从而使得网络具有短路径和聚类性质。
无标度网络则是由一些具有非常大度数的节点（称为“中心节点”）和大量度数较小的节点（称为“外围节点”）组成，呈现“无标度性”。
二、复杂网络的度分布和聚类性质度分布是指网络中节点度数的概率分布函数，是描述网络拓扑结构的重要指标之一。
在随机网络中，节点度数呈现正态分布，但在其他类型的网络中，度分布往往呈现幂律分布。
幂律分布的特点是存在少数节点（通常为中心节点）的度数非常大，而大部分节点的度数非常小。
聚类性质是指网络中节点之间的联系程度，可以通过聚类系数来描述。
聚类系数指节点的邻居之间的连接占最大可能连接数的比例。
在随机网络中，聚类系数比较低，但在小世界网络中，聚类系数较高。
三、社交网络的结构和特点社交网络是指由一组人以及它们之间的社会关系构成的网络。
社交网络可以分为在线社交网络和离线社交网络，其中在线社交网络包括Facebook、微信等，离线社交网络则包括学校、家庭、组织等。
社交网络的结构和特点与复杂网络有很大的联系。
在社交网络中，节点代表人员，边则代表人员之间的关系，例如朋友、家庭成员、同事等。
社交网络可分为稠密网络和稀疏网络两类。
稠密网络的特点是节点之间联系紧密，而稀疏网络则相对分散。
此外，社交网络还具有小世界和无标度等特点。
四、社交网络的行为和演化规律社交网络中的行为和演化规律是指人们在社交网络中的行为方式以及社交网络本身的演化规律。
复杂网络的性质及研究进展
复杂网络的性质及研究进展随着互联网技术的进步，现代社会中出现了大量复杂网络。
复杂网络是一类由大量节点和连接构成的复杂结构，如社交网络、互联网、物流网络等。
复杂网络中的节点可以是人、机器、城市、物品等，节点间的连接可以是关系、交易、信息传递等。
复杂网络的性质及研究进展成为当前网络科学热门话题。
一、复杂网络的性质复杂网络具有许多独特的性质。
其中最著名的是小世界现象和无尺度性。
小世界现象指的是在相对较少的步数内，两个节点间可以通过少量的中间节点相互连接。
这个现象源于节点个数巨大的复杂网络中所存在的“短路”现象。
无尺度性则指的是复杂网络中存在少数节点拥有极高的度数，这些度数相对较低的节点则占据大多数。
这个现象发生的原因是特定节点的度数与网络结构有关，而网络结构可以不断扩大，使得度数与网络尺寸成幂律分布。
另外，复杂网络还具有同配性和社团结构这些特征。
同配性指的是节点之间存在相似的连接方式。
也就是说，度数大的节点会与度数大的节点相连，而度数小的节点会与度数小的节点相连。
在社交网络中，身份地位相近的人之间也会有相似的交际方式。
社团结构则指的是节点在网络中的归属群体。
网络社团结构不仅有助于分析节点间的关系，而且有助于我们更好地理解复杂网络的拓扑性质。
二、复杂网络研究进展近年来，复杂网络的研究取得了非常显著的进展。
1. 复杂网络模型为了更好地研究复杂网络，科学家提出了一些复杂网络模型。
比较常用的模型有随机图模型、小世界模型、无尺度网络模型等。
这些模型的提出极大地推动了复杂网络的研究，使得我们能够更加深入地理解复杂网络的性质和演化规律。
2. 复杂网络在社会与生命科学中的应用复杂网络不仅被广泛应用于计算机科学领域，而且在社会网络与生命科学领域也有着广泛的应用。
例如，社交网络分析被广泛应用于研究社交关系、信息传播和个人信任等问题；基因调控网络分析被应用于研究生物调控机制和疾病发生机理等重要问题。
复杂网络为社会与生命科学领域的研究提供了一个全新的视角，使得我们能够更加全面地了解问题背后的本质。
- 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)。
复杂网络度分布的研究................................................................................................ 1 1. 复杂网络的研究对象........................................................................................ 1 2. 复杂网络的研究内容........................................................................................ 1 3. 复杂网络中的三个概念.................................................................................... 1 4. 复杂网络的几何量............................................................................................ 1 5. 社会网络与其它网络的判别指标.................................................................... 2 6. 随机网络－ER模型 ......................................................................................... 2 7. 随机网络的研究宗旨........................................................................................ 2 8. 子图出现的临界概率........................................................................................ 3 9. 子图临界概率存在的证明................................................................................ 3 10. BA模型与度的幂指分布 ................................................................................ 4 11. BA模型构造的网络度符合幂指形式的证明 ................................................ 4
复杂网络度分布的研究 － 复杂网络度分布的研究 河北工大硕士论文 陈德伟 指导教师：何文辰 1. 复杂网络的研究对象 用来描述真实网络统计特征的物理量主要有度分布、平均路径长度、聚集系数、相关系数等，都是力求更加详细、精确的描述复杂的真实网络。寻找网络各种宏观统计性质的微观生成机制一直都是网络研究中一项极具意义而且也是极具挑战性的工作。现在人们已经对复杂网络的小世界性质和无标度特征的微观生成机制有了一定的认识，但是度的相关性、团体性质、分层结构等更为复杂的宏观统计性质的微观生成机制的探索还处于起步阶段。对不同结构复杂网络的鲁棒性和脆弱性(vulnerability)的研究也是一个具有广泛应用价值的课题。
2. 复杂网络的研究内容 目前，复杂网络研究的内容主要包括：网络的几何性质，网络的形成机制，网络演化的统计规律，网络上的模型性质，以及网络的结构稳定性，网络的演化动力学机制等问题。
3. 复杂网络中的三个概念 三种概念在当代对复杂网络的思考中占有重要地位。第一，小世界概念；第二，集群即集聚系数的概念；第三，幂律的度分布概念。
4. 复杂网络的几何量 直径：网络的直径是指任意两个顶点之间最短路径的最长长度(包含的边数)。 集聚系数：对于网络中的任意一个节点i来说，其集聚系数iC表示与i相连的节点中任意两点之间相互连接的概率。它可定义如下：如果与节点i相连的点的数目为ik，则在这ik个节点之间最多存在2/)1(kk条边，而实际存在的可能只有iE
条边，则得到i的集聚系数iC为
)1(2iiiikkEC. 对具有N个节点的网络来说，网络的集团系数C则被定义为网络中所有节点的集聚系数的平均值。
iiCNC
1.
随机图的度分布：令随机网络中度的平均值为k，随机图的度分布服从下列泊松分布
!)(kkekPkk.
泊松分布的形式在)(kP处达到峰值，小世界网络的度分布类似泊松分布。 无标度网络的度分布：许多大的网络不服从泊松分布，如WWW，新陈代谢网络，这些网络都服从幂律分布形式rkkP~)(，这样的网络称为无标度网络。度分布函数反映了网络的宏观统计性质，是现阶段网络分类的主要依据之一。 介数：介数分为边介数和节点介数。节点的介数为网络中所有的最短路径中经过该节点的数量比例；边介数的含义与之类似。介数反映了相应的节点或者边在整个网络中的作用和影响力。
5. 社会网络与其它网络的判别指标 两种相关性－不同度数的节点之间的相关性1C、节点度分布与其集聚系数之间的相关性2C，在判别中起重要作用。社会网络中1C为正而2C为负，其它类型的网络则相反。
6. 随机网络－ER模型 Erdos和Renyi在1959年提出了随机网络ER模型。ER模型中有N个标了号的节点，N个节点中任意两个点被连接的概率为p。因此，所有边的数目是一个随机变量，期望值为]2/)1([)(NNpnE。如果0G是一个有N个节点和n条边构成的图，则0G出现的概率即为各边出现的概率，亦即
nNNnppGP]2/)1([0)1()(.
7. 随机网络的研究宗旨
从10N个孤立的节点开始，分别取1.0p和15.0p，并以相同的概率连接每一对节点，从图中可看到树和圈等结构的出现。 随机图论研究具有N个节点的随机图在N时概率空间的性质。随机图的大部分性质可用概率论的方法加以确定。Erdos和Renyi定义：当N时，如果拥有性质Q的概率接近1，那么几乎每个随机图都存在性质Q。随机图理论的目的就是确定在多大连接概率时网络的特殊结构(或性质)最容易体现出来。在数学中，随机图的构建称之为演化。从N个孤立的节点开始，通过连续加大随机连接概率使系统演化。Erdos和Renyi最重要的发现就是，随机图的很多重要性质都是在演化过程中突然出现的。也就是说对某种性质(或结构)存在一个临界概率)(Npc，如果当N时)()(NpNpc，则几乎可以肯定网络没有性质Q；相反，如果当N时)()(NpNpc，则几乎可以肯定网络具有性质Q。
8. 子图出现的临界概率 Erdos和Renyi研究随机图的第一个性质就是子图的出现，比如环、树和完全图。为研究一般情形下子图出现的临界概率，令图G中有N个节点，某子图F
由k个点和l条边构成。图G中可能存在很多这样的子图，下面来研究到底存在
多少这样的子图。从N个节点中取出k个节点可以有kNC种方式，形成l条边的概率为lp(注意，当研究网络中是否具有某种结构(如环)时，非研究对象的边(如圈内部的边)是否存在不影响结果)，交换k个节点的位臵共可以得到ak!个子图，其中a是相互同构的子图的数目。因此，图G中存在子图F数目的期望为
aNpkNNNappakCXEklllkN)1)...(1(!][. (1)
可证，几乎所有N个节点的随机图都包含上述子图F(k个点l条边)的临界概率为lkcNNp/)(。因此有下列结论： I. 存在一个k阶树的临界概率为)1/()(kkccNNp，(树满足1kl)； II. 存在一个k阶环的临界概率为1)(cNNpc，(环满足kl)； III. 存在一个k阶完全图的临界概率为)1/(2)(kccNNp。 dNp~
从上图中可以看出，当02/3pN，随机图中只存在孤立的节点和边，当3/4~Np，四阶树开始出现，当1~Np，各阶树都开始出现，同时，各阶环也
开始出现，等等。
9. 子图临界概率存在的证明 由式(1)知，当0N，0)(/lkNNp，进而0][XE，这就意味着几乎所有的随机图G中都不包含子图F。当cNNplk/)(，从而lkNcNp/)(时，子图的期望值就会存在一个有限值，用acl表示。考察子图数目分布的概率，
!)(limrerXPrpN 图G中包含至少一个子图F的概率为 acrrrppleeeererXPFGP11)1(!)()(11
. (2)
当c增大时，(2)式的值趋于1，这表明几乎所有的随机图都包含F；而0c，(2)式的值趋于0，这表明几乎所有的随机图都不包含F。 (杨：从(2)式看，似乎对大的l，1c是个临界点。)
10. BA模型与度的幂指分布 近年来在复杂网络研究上的一个重大发现就是许多真实复杂网络具有幂指数形式的度分布函数，即rkkP~)(。1999年Barabasi、Albert和H. Jeong在Physica A上给出了一个宏观上度分布符合幂指形式的(微观)产生或构造方式。这种方式具有两个重要因素，即增长机制和优先连接机制(马太效应)。增长机制即网络规模不断扩大，优先连接机制是指一个新加入网络中的点更有可能与网络中已存在的具有较高连接度的点建立连接。例如，新发表的文章更倾向于引用一些已经被广泛引用的一些重要文献。 假定初始网络包含0m个节点，且没有任何边存在，定义如下： (1) 增长机制：在每一个时间步，一个新的节点被加入到网络中来并与m(0mm，0m为常数)个网络中已经存在的节点建立连接； (2) 优先连接：新增加的点与网络中某点i进行连接的概率i，被假定为正比于点i的度ik。 根据以上规则，在经过t时间之后，可以得到一个具有0mtN个点以及mt
条边的网络。
11. BA模型构造的网络度符合幂指形式的证明 (采用连续性方法)首先计算节点i的度ik随时间t的演化。假设ik是一个连续的变量，因为每个节点的加入与原有网络中的m个节点连接，因此，在t时刻，原有节点集合中总的度的增加值为m。又已知网络中节点度值的增加正比于其度分布概率(是否此处度为ik的节点数目不一定仅有一个，因此在新节点加入后，其增长并非为1？)，由于节点总数为10tm，经过归一化后有