复杂网络第二讲.pdf

复杂网络第二讲 网络拓扑基本模型及其性质 李凯凯 • 规则网络 • 随机图 • 小世界网络模型 • 无标度网络模型 • 局域世界演化网络模型 • 模块性与等级网络 • 复杂网络的自相似性 规则网络 系统中节点及其与边的关系是固定的。 （a）全局耦合网络； （b）最近邻耦合网络； （c）星形网络 全局耦合网络具有最小的平均路径长度L =1和最大的聚类 全局耦合网络 gc 系数C =1； gc 最近邻耦合网络:包含N个围成一个环的点，其中每个节点都 最近邻耦合网络 包 与它左右各K/2个邻居点相连（K为偶数），对于较大的K 值，最近邻耦合网络的聚类系数为 3 ( K 2 ) 3 C nc  4 ( K 1) 4 因此，这样的网络是高度聚类的。对于固定的K值，网络平 均路径长度为 L nc  N   (N ) 2K 星形耦合网络：有一个中心点，其余N-1个点都只与这个中 星形耦合网络 心点连接，其平均路径长度为 2(N 1) Lstar 2  2 (N ) N (N 1) 聚类系数为 N 1 C star N  1 (N ) 随机图 • 随机图是与规则网络相反的网络，一个典型模型是Erdos 和Renyi于40多年前开始研究的随机图模型。 假设有大量的纽扣（N》1）散落在地上，并以相同的概率 p给每对纽扣系上一根线。这样就会得到一个有N个节点， 约pN(N-1)/2条边的ER随机图的实例。 ER随机图的性质 随机图理论的一个主要研究课题是： 当概率p为多大时，随机图会产生一些特殊的属性？ Erdos和Renyi系统地研究了当 N  时，ER随机图的性质与概 率p之间的关系，他们采用了如下定义： 如果当N  时产生一个具有性质Q的ER随机图的概率为1，那 么就称几乎每一个ER随机图都具有性质Q。 Erdos和Renyi的最重要的发现时ER随机图具有如下的涌现或相 变性质： ER随机图的许多重要的性质都是突然涌现的。也就是说，对 于任意给定的概率p，要么几乎每一个图都具有性质Q，要 么几乎每一个图都不具有该性质。 上述纽扣网络，如果p大于某个临界值p c(lnN)/ N ，那么几乎 每一个随机图都是连通的。 ER 随机图的平均度是 k  p(N - 1) pN ,平均路径长度 L ER ln N / ln  k 。L 为网络规模的对数增长函数是典 ER 型的小世界特征。ER随机图的聚类系数是C=p=k/N 《1，这意味着大规模的稀疏ER随机图没有聚类特性。 实际网络的聚类系数要比相同规模的ER随机图的聚类系 数要高得多。 ER随机图的度分布可用Poission分布来表示： k k  N  k  N k k e P (k )  p (1