复杂网络基础理论3.pptVIP

3.8.2 自相似复杂网络的构造方法 1.伪分形无标度网络 2.基于Sierpinski分形垫的无标度网络 * 3.8.2 自相似复杂网络的构造方法 3.确定性分形的无标度网络 * 返回 目录 * Thank you! 3.5.2 BA模型 （2）当m0=2、m=2、N=20且从孤立节点开始（pp=1）的程序运行结果如下图所示。 * 3.5.3 BA无标度网络的度分布和度相关 1.度分布 对BA无标度网络的度分布的理论研究主要有三种方法：连续场理论（前面已介绍），主方程法和速率方程法。 ①速率方程法 ②主方程法 * 3.5.3 BA无标度网络的度分布和度相关 主方程法和速率方程法是等价的，而在渐进极限下，也和连续场理论得到的结果一致。因此，在计算度分布标度行为时，它们可以相互转化。 BA模型标度γ＝－3与m无关。度分布渐进地与时间无关，进而也与系统尺度N＝m0＋t无关。这就意味着，尽管网络在不断增长，最后都能达到一个稳定的无标度状态，而且幂律分布的系数与m2成正比。 2.度相关 考虑有边连接的所有度值为k和l的节点对，不失一般性，设度值为k的节点是新近加入系统的节点。为简化起见，令m＝1，用符号Nkl（t）表示t时刻连接度为k的和度为l的节点对的数量，则 * 3.5.3 BA无标度网络的度分布和度相关 右边第一项表示由于增添了一条边到度为k－1或度为k的节点，并把它连接到度值为l的节点，在Nkl中产生的变化。由于增添的新边使节点的度数加1，分子中的第一项对应着Nkl的增加，而第二项对应损失。右边第二项用于其它节点，与第一项有相同的效果。最后一项为k＝l时的概率。因此，添加到了度为l－1的节点的边是连接这两个节点的同一条边。该式中可用 和 转换成与时间无关的递归关系，求得 * 3.5.3 BA无标度网络的度分布和度相关 对一个具有任意度分布的网络，若边随机连接，则 。而上式最重要的特性是联合度分布不能进行因子分解，即 。这表明连通节点度之间的相关性自然产生。仅当1kl，nkl才可以简化为因子分解表达式， 。正如所期望的那样，若网络缺少相关性，在这种情况下都与nkl＝k-3l-3不同。该结果首次证明了产生无标度网络的动态过程建立了节点间的非平凡相关。 * 3.5.4 BA无标度网络的平均距离和集聚系数 1.平均距离 下图给出了平均度＜k＞＝4的BA模型平均距离LBA随网络规模N的变化曲线，跟它比较的是相同规模和相同平均度条件下的随机图的平均距离Lrand。 * 3.5.4 BA无标度网络的平均距离和集聚系数 从图中可以看出，对任意N，BA网络中的平均距离比随机图中的要小得多，这说明异质性无标度网络拓扑比同质性随机图拓扑在“拉拢节点”方面效率更高。从模拟结果上看，BA模型网络中的平均距离是随N按指数增长的，它很好地符合下式 LBA＝Aln（N＋B）＋C 式中，A，B和C为常数。 然而这是有争议的，因为大多数学者提出的BA网络的平均距离随N按指数增长关系为 LBA∝lnN／ln（lnN） 由此可见BA网络的平均距离比较小，表明该网络具有小世界特性。 * 3.5.4 BA无标度网络的平均距离和集聚系数 2.集聚系数 下图给出了平均度＜k＞＝4的BA模型集聚系数CBA随网络规模N的变化曲线，跟它比较的是相同规模和相同平均度条件下的随机图的集聚系数Crand。 * 3.5.4 BA无标度网络的平均距离和集聚系数 从图中可以看出：①无标度网络的集聚系数几乎是随机图的5倍，随节点数的增加，这个倍率还会稍微地随着增加；②BA模型网络的集聚系数是随着网络尺度N的增加而减小的，其大概遵循幂指数规律，即CBA～N-0.75；③BA模型网络的集聚系数比随机图Crand的衰减要慢；④由于无标度网络的集聚系数依赖于N，因此它的行为与小世界模型（集聚系数与N无关）不同。 因此，BA模型不仅平均距离很小，集聚系数也很小，但比同规模随机图的集聚系数要大，不过当网络趋于无穷大时，这两种网络的集聚系数均近似为零。目前，学者们已经给出了BA无标度网络集聚系数的解析公式为 * 3.5.5 BA无标度网络的特征谱 BA模型的谱密度是连续的，但它与随机图的半圆形分布的形状有很大的不同。BA模型谱密度ρ（λ）的主体部分基本上关于0对称，呈