复杂网络上动力学研究.docVIP

复杂网络上动力学研究 　　[摘要]通过对复杂网络动力学性质的研究，一方面可以使我们更好地了解和解释现实世界中复杂网络所呈现出来的各种动力学现象；另一方面我们可以将对复杂网络动力学性质研究的理论成果应用到具体问题当中去，使得网络理论可以为我们所用。介绍网络上的几个动力学过程，包括网络中的疾病传播，网络的同步和网络的鲁棒性。 　　[关键词]复杂网络 动力 研究 　　中图分类号：O19 文献标识码：A 文章编号：1671－7597(2008)0610053－02 　　 　　一、引言 　　 　　复杂网络的研究从大量的实证数据的统计分析出发，然后构建相应的网络演化模型，最终目的是为了通过复杂网络的拓扑结构来认识网络上的动力学行为。复杂网络的结构及功能之间的相互关系已经成为物理学，生物学，信息学以及社会学的一个重要的研究课题。如人们希望了解www网络的拓扑结构如何影响web冲浪和搜索引擎；社会网络中，国家间地理关系和人口结构如何影响流行病或信息的传播，食物链网络结构如何影响种群的动力学行为；销售网络的拓扑结构如何影响企业收益与利润等。不同的网络拓扑结构对网络上的动力学行为产生不同的影响。以疾病或病毒在网络上的传播为例，在规则网络和随机网络上的研究表明，疾病的传染强度存在一个阈值，只有当传染强度大于这个阈值时，疾病才能在网络中长期存在.但是对于无标度网络，并不存在这样的阈值，只要传染病发生，就将长期存在 。类似的，不同的网络结构对随机错误的鲁棒性和对蓄意攻击的脆弱性、网络上的级联效应、网络上的同步、网络上的交通动力学等都产生不同的影响.正确理解网络结构和网络上的动力学行为之间的关系，对于网络上的疾病传播控制、网络的安全设计具有重要的理论意义和现实的指导意义。 　　对于复杂网络中的病毒及流言传播问题，我们主要关注网络上的传播动力学问题，对于传染病的流行问题，计算机病毒在计算机网络上的蔓延问题以及谣言在社会网中的扩散等都可以看作服从某种规律的网络传播行为。目前研究最为彻底，应用最为广泛的经典传染病模型是SIS模型和SIR模型。 　　现实生活中存在大量的同步现象(synchronization)，如萤火虫发光的同步、大脑神经元细胞的同步和剧场中观众鼓掌频率的同步等。早期对同步的研究主要是基于规则网络或随机网络。近来，一些学者基于复杂网络结构研究不同的网络结构如小世界网络、无标度网络对同步的影响。研究表明，与规则网络相比，小世界网络和无标度更容易发生同步。这一现象被解释为由于小世界网络和无标度网络的平均最短距离较小，使得振子间的信息交流更为有效。如果在网络的每个节点上加一个动力学系统，让有边相连的两个节点的动力学系统之间存在相互的耦合作用，就形成了一个动力学网络。人们比较关心的一个问题是网络的拓扑结构如何影响网络的同步能力。大量的研究表明网络的平均最短距离L是一个重要因素，L越小，网络的同步性能越好，Nishikawa等学者研究了同步区域有界时无标度网络的平均最短距离D、平均度、度分布的标准差。Hong等学者在研究WS小世界网络的特征量对网络同步稳定性的影响时，发现最大介数越小，网络的同步能力越好，这个结论与Nishikawa的结论一致。还有人做了网络的度度相关性对同步的影响，发现节点之间异类混的网络更容易同步，即度大的节点与度小的节点连接将增强网络的同步能力。 　　 　　二、复杂网络中的病毒以及流言传播 　　 　　（一）SIS模型 　　对于像感冒、淋病这类治愈后患者也没有办法获得免疫能力的疾病，往往采用SIS模型。在SIS模型中，人群被划分为两类:第一类是易感人群(s)：他们不会感染他人，但有可能被传染；第二类是染病人群(I)：他们已经患病，具有传染性。假设单位时间内每个染病个体独立传染一个易感个体的概率为β，用i，s分别标记群体中易染人群和染病人群所占的比例，且患者被治愈后自动恢复为易感状态的几率为γ。因此，对于SIS模型，疾病传播可以用下列微分方程组描述: 　　 　　上式中βi代表了一个处于易感状态的节点被其邻居传染的几率。对于一个度为k的节点，PastoSatorras等用βi→θ（λ）。侧幻代替，其中λ是通过与一个已染病的节点相连而被感染的几率，θ（λ）是随机一条连线指向一个染病节点的几率: 　　 　　将(2.2)代入(2.1)可以得到: 　　 　　在(2.3)中我们考虑一个染病节点恢复健康的几率γ=l。同时，我们还假设θ（λ）对于所有节点都是相同的，但是一般来讲，它依赖于节点的度，这是一种平均场的近似方法，可以近似的预测系统的性质。根据稳定情况立，我们得出: 　　 　　将(2.2)式代入(2.4)式，即可求得θ（λ）值。研究病毒传播的一个关键值是病毒爆发的临界点。只有当感染率超过临界点时，病