基于信息维数的复杂网络自相似性的研究14.pptVIP

基于信息维数的复杂网络自相似性的研究;引言 BA模型的扩展 复杂网络的自相似性研究 仿真分析 结论 参考文献 ;1.引言;999年Barabasi和Albert提出了无尺度模型（BA）[3]。BA模型指出了决定互联网、万维网等网络具有无尺度模型的两个基本原理：增长性和择优连接。虽然小世界网络与无尺度网络刻画了网络的基本特性，但它们是基于对现实网络进行简化的前提下得到的结果。因此我们有必要对复杂网络建模进行深入研究，使它更加符合现实世界。本文提出了网络的自相似性，网络通过节点与节点相连汇聚形成，节点与节点之间是通过某种共性而连接在一起的。如人际关系之间的“物以类聚，人以群分”。 。 ;2 .BA模型的扩展;Bianconi和Barabasi通过模仿这一过程提出了BA模型的一个扩展模型。在他们的扩展模型中，每个新出现的顶点i都赋予一个“适应度”fi,它代表该顶点的吸引力和由些而产生新连接的倾向。适应度是从某一分布中选取的。新边连接到顶点i的概率不是与顶点的度数ki成比例，而是与kifi 成比例。模型算法如下：;（1）开始总共有N个节点，每一个节点i分配一个度fi，fi是一个真实的数值为了测量它的重要性或级别。度值是一个从给定的概率p(x)中随机获得的数字。 对每一对节点，i,j 相连接的概率是f(xi,xj), f(xi,xj)依赖于在xi,xj上两个顶点的重要性。;“度的重要性 ”或适应度在复杂网络领域中已经成功的介绍过了，但在BA模型中是作为一种附加的成份。当然，在这里通过消除择优规则而强调适应度的重要性。正如所定义的，模型是静态的，但通过在每一时间步里加入新的节点可以把它看作动态的，通过上述规则把它们连接到已存在的节点上。; 对BA模型的另一推广就是顶点拷贝模型。Kleinberg等人认为有些模型是通过拷贝顶点来生长的。他们对Web网的生长感兴趣，其模型介绍如下。该网络通过随机地增加顶点、随机地增加边或从其他顶点拷贝边来进行生长。特别地，我们先选择一个已经存在的顶点及M条边，然后确定这M条边的目标顶点，通过随机地选择其他顶点或拷贝这M条边的目标顶点，即可完成一个网络图的生长。 ;如果所选顶点出席小于M，则其M条边将是拷贝的，且一个顶点接一个顶点地拷贝它的边，直到M条边都拷贝完为止。显然，拷贝机制将会产生幂律度分布。随机选取某个顶点，它的一条边连向入度为K的其他某个特定顶点的概率是与K与比例的。因而，一个顶点的度数的增加与其当前度数成比例。但这会出现一种特殊情况，即当前度数为0的顶点将永远不会获取新的边。 ;3. 自相似性复杂网络;尽管众多的网络演化模型已经被用来分析和研究可能潜藏的演化规律，但这些研究仍然忽视了一些重要因素。例如计算机网络节点之间的连接。如果是按照择优连接概率：则新的节点会全部连接到同一个节点上，但现实网络并非如此，而是形成不同的集散节点。这个例子说明了网络节点之间的连接有可能是基于一些相似的性质，节点与节点之间有某种共性才相连。因此建立并研究基于相似性的网络演化模型有利于我们更好地认识现实世界中的复杂网络 。 ;3.2 自相似性网络容量维数; 自相似性就是局部与整体相似，局部中又有相似的局部，每一小局部中包含的细节并不比整体所包含的少，不断重复的无穷嵌套，形成了奇妙的分形图案，它不但包括严格的几何相似性，而且包括通过大量的统计而呈现出的自相似性。 自然界存在大量统计意义下的自相似体，一般并不知道自相似比。 ;为了解决这类物体的维数计算，发展了计算容量相似维数方法。常用的容量维数分析方法有变方法、结构函数法，自仿射法以及盒子覆盖算法。其中盒子覆盖算法简单、快速、精确得到广泛应用。本文采用盒子覆盖算法来计算网络容量维数。计算相似比时，采用圆片（或方块）去填充（或覆盖）被测对象，统计覆盖所需的方块数来计算其维数。如此方法计算的维数称为容量维数。 ;如果用长度为 尺子去测长度为 的线段，与 之比为 。 值的大小与 长短有关，越小 越大：。 对于 维物体： 取对数得容量相似维数：;3.3 自相似性网络信息维数;鉴于此，本文应用信息维数法研究复杂网络的自相似性并探讨复杂网络与自相似性之间的关系。 通常网络中节点的分布具有不均匀性，导致不同计数盒子覆盖不同的节点数。为了能够客观的反映每个盒子中覆盖的节点数对容量维数进行如下改进：;(1) 对每个覆盖盒子按填充程度（所含点多少）进行编号; (2) 统计出分形结构落入第 i 只盒子的几率 Pi(r)：;由公式（1）可得出信息公式：; 3.4 自相似特性测量方法 现实中的网络是动态增长的，为了测量复杂网络的自相似性，以网络的增长为例来测量不同阶段网络的自相似维数。不同阶段的网络为