具有高对称但非小世界的无标度网络.docx

具有高对称性但非小世界的无标度网络摘要：不相关的无标度性网络必然是小世界的(事实上，比小世界更小)。尽管如此，无标度网络相关度分布可能并非如此。我们描述一个产生具有高对称性但非小世界的无标度性网络模型的演化机理，我们证明产生任何度指数，且满足平均最短路径非常大的网络的可能性。为了实现这一目标，节点不添加任何择优连接方式，这样代替优化网络的分类。这是在物理基础上推动了新一代网络优化。通过禽流感疫情的观察数据进行分析，结果表明这个网络展示出相似的物理特性（高匹配性，聚类性和长路径）。1、引言在过去的二十年里，特别是小世界和无标度性网络，已经被深入调查为复杂的网络，这期间，巴拉布曼阿尔贝广管局的模型优惠附件已成为标准的机制用来解释出无标度性网络。把节点添加到网络中，以偏向优惠附件的节点，已经具有较高的水平。电力出现之后自然会影响指数定律额的分布，（即频率节点其程度是K ）许多学者探索发现，小世界和无标度性网络存在各种各样的应用。对于大多数的这些例子，优惠附件模型对最初的无标度性结构网络观察机构提供了一个很好的解释。然而，没有优惠附件模型和偏见链接点的高度,就缺乏一个共同特征实现小世界中的数据：这些是相辅相成的，相互联系的,对于我们自己的工作，不良连接节点,我们可以近似观察无标度性网络的和大型平均路径长度。由于有这两个重要的来源,将会被美国证券交易委员会视为深入的网络。在科恩报告中提到，无标度性相关网络，在该文件标题中为零，只有如此，相关网络才不一定在分类中才为零。在现有的文献中有很少人把注意力集中在复杂的网络模型中，通过加强他们之间的分类。有一个重点贡献显著,就是通过重新布线两个4月底部之间的联系点,加强他们之间现有的无标度网络[1]。与印第安纳州相比，我们的模式是一种正在成长的无标度性网络,这是尽可能产生在相对称基础上的算法。（方法可以进一步结合起来以构成相对称）与此相反的，一些不相同的网络最近受到关注。克雷姆和安哥拉介绍了一种新型的网络增长算法，他突出集群并且使集群不同（这就是消极相对称系数）。他们发现，一个小变化组的节点是“积极的”，并通过优惠偏置附件选择这些节点，导致一个高度集中和不同类型的网络，在某些情况影响，我们仍然可以看到一个非常大的平均路径长度。以下是类似原因的方法，戈麦斯罗 G和莫雷诺介绍了“亲”参数网络增长算法，并允许优先重视节点与其他类似的亲和力。并且亲和力会代表任何实物量，节点类似程度就是我们的算法。然而，该算法描述在,并且产生不同类型的网络和平均路径长度的增长速度较低，比如，广管局标准算法（它仍然小于小世界)。在最后的这项结果工作中，莫雷诺和瓦斯奎兹探索传播蔓延这种网络。他们发现，在这样一个非零网络表现出开始时容易SIS型感染。根据这一结果和最近调查表明,禽流感流行的展览品无标度性,是小世界的特点，我们推荐一种平均路径长度的无标度模式生成网络，并表明，身体机制与拓扑特征密切相匹配的网络，来观察来自全球禽流感（人工智能数据）。本文安排如下。我们首先介绍秒建模机制，然后在对我们的模型分析关键特点，特别是平均路径长度;最后，我们总结一些重要的特性，该算法，以比较常规的定义了广管局网络和我们模型[2-3]。我们还估计全球时空网络禽流感爆发的同一拓扑特征。我们发现并且对比，这一网络是非常密切的机制。最后，在这里建议美国证券交易委员会接受我们的结论。2、方案在本文中，我们提出以下建议，对于建造网络的分布程度 (虽然该算法不一定局限于幂律的形式) 。请注意，相反，对于广管局模式，我们必须指定检验分布程度。可以允许优先选择。此外，我们认为在物理系统中有充足的证据证明幂律分布，因此，并非是不合理作出这样的选择。第1步。确定尺寸的原始预期网络。以达成完全连接网络节点与m0 以用于启动模型;每次以一个新的节点添加到预期规模网络，第2步，为了产生一个无标度网络,选择一个分布函数的程度模型。，我们认为概率密度函数( PDF格式)学位分配为P [其中C是一个相应的常数预定N的和]满足第3步。一定程度上建立一个新的节点。步骤3.1。在每一个时间t ，我们随机采取的程度次节点的设定（，其中kmax是获得最大程度的“自然”截止,[其中 ]。为了方便起见，我们选择一个随机数满足。步骤3.2 。在增加了新的节点中，先确定所选择的学位是否已经饱和。也就是说，是否确定目前样本值满足，如果是这种情况，根据步骤3.1产生另一种新的学位，否则不可以作为学位新的节点。第4步。每一个连接新的节点的网络分类。通过应用一个原则，我们连接新的节点，与现有的节点是相同的。如果不存在，我们将它连接到节点，其程度是较高或较低是由N = 1决定。如果失败了，保值增值的N 或者1重复。该算法保证,由新节点一次一个连接到现有的网络，由此造成的网络连接，并连接多个不同的边缘接