具有均匀与幂律双重混合分布的复杂网络动态演化模型的研究

提出了一类复杂网络模型的动态演化算法,利用数理统计方法和MATLAB工具对由该算法所生成模型的度分布进行了理论分析和数值仿真,证明该演化算法所生成的复杂网络模型具有均匀与幂律混合分布的特征,对人们公认的节点度分布服从幂律分布或介于指数分布和幂律分布之间这一真实网络分布特征提出了不同的观点.     

一种具有稳定链路的幂律可调WSNs无标度容错拓扑算法

针对固定幂律WSNs无标度容错拓扑不具普适应的问题,采用节点批量到达的Poisson网络规模以及节点吸引度规则,提出幂律可调的WSNs无标度容错拓扑算法APSL.该算法利用接收信号强度值建立通信链路,避免了网络中的不稳定链路,并通过调节拓扑参数,构建出了幂律指数在(1,+∞)的无标度容错拓扑.实验结果表明,APSL算法能够提升网络链路的稳定性,同时还能够满足网络多样化容错需求.     

具有适应度的无标度网络

提出了一个具有适应度的无标度网络模型。每个时间间隔,网络以概率p增加一个新点,并以适应度择优选择m个旧点与新点连接,产生m条新边;以概率1-p按度数择优的规则在旧点之间生成m条新边。对于一些特定的节点适应度的概率密度函数ρ（x）和率函数f（x,y）,该网络的度分布具有幂律尾部,且幂律指数2〈γ〈＋∞。     

一类点边同时变化的无标度复杂网络模型研究

在BA模型的基础上,提出了一个能较好描述现实复杂网络特征的无标度网络模型.该模型的节点和连边能同时发生变化,即新节点的加入和旧节点的删除,旧节点的再生连接和删除.运用连续介质理论和平均场理论建立起与之对应的演化方程,并计算出了它的严格解,导出了该模型的度分布和幂律指数的表达式.研究分析表明:该模型能自组织演化成无标度网络,其幂律指数在1~3范围内,这与现实中的许多复杂网络相吻合,因此,该模型更具有一般性.     

一种动态的无标度网络模型

针对BA无标度网络模型模拟现实世界的局限性,同时参考其它扩展模型的结果,提出一种新模型,该模型包含新节点的加入和旧节点的删除,旧节点之间择优的再生连接和反择优的删除连接.运用连续介质理论和平均场理论建立起与之对应的演化方程,并计算出了它的严格解,导出了该模型的度分布和幂律指数的表达式.分析结果表明该模型能自组织演化成无标度网络,其幂律指数在1-3范围内,调节参数就可与现实中的许多复杂网络的幂律指数相吻合,因此,该模型更具有一般性.     

《上海理工大学学报》编辑委员会

提出了一个确定性网络模型,模型考虑了新生成节点有不同的强弱状态,用节点度刻画节点的强弱,即强节点的度比较大.通过解析计算,得到了网络的特征系数,其特点是幂律度分布、大集聚系数和幂律簇度相关性,即模型生成了一个无标度层次网络.认为网络是无标度的,由于其生成方式上的特点,越早生成的节点拥有的度越大,这与BA无标度网络生长方式相似.如果节点度代表了个体拥有的资源、能力及社会关系等,那么越早生成的节点度越大,恰好对应于占先策略,即先行者优势.     

一个有先行者优势的确定性网络

提出了一个确定性网络模型,模型考虑了新生成节点有不同的强弱状态,用节点度刻画节点的强弱,即强节点的度比较大.通过解析计算,得到了网络的特征系数,其特点是幂律度分布、大集聚系数和幂律簇度相关性,即模型生成了一个无标度层次网络.认为网络是无标度的,由于其生成方式上的特点,越早生成的节点拥有的度越大,这与BA无标度网络生长方式相似.如果节点度代表了个体拥有的资源、能力及社会关系等,那么越早生成的节点度越大,恰好对应于占先策略,即先行者优势.     

有先行者优势的确定性网络

提出了一个确定性网络模型.模型考虑了新生成节点有不同的强弱状态,用节点度刻画节点的强弱,即强节点的度比较大.通过解析计算,得到了网络的特征系数,其特点是幂律度分布、大集聚系数和幂律簇度相关性,即模型生成了一个无标度层次网络.认为网络是无标度的是由于其生成方式上的特点,越早生成的节点拥有的度越大,这与BA(Barabási-Albert)无标度网络生长方式相似.如果节点度代表了个体拥有的资源、能力及社会关系等,那么越早生成的节点度越大,恰好对应于占先策略,即先行者优势.     

一种新的获得无标度网络的方法

提出一种新的获得无标度网络的新方法。该方法是从一个已有任意网络中,按照与度成反比的概率去除一个老结点,即结点连边越少、度越小,该点被去除的概率越大;去除一个老结点后,将一个新结点按照度优先原则加入到网络中去,占据去除结点位置;如此反复演化,可以获得一个无标度网络,该网络具有度分布较为集中,没有标准BA无标度网络的胖尾。     

一类度约束最小生成树问题的Dijkstra算法

度约束最小生成树问题是网络设计和优化中的一个NP难题。结合该问题的特征,基于Dijkstra算法的基本思想,提出了一种求解网络G关于指定节点的最大度最小生成树的新算法。该算法在保证指定节点最大度的前提下,每次通过选取剩余边中权最小的边加入当前网络,最终得到网络G关于指定节点的最大度最小生成树。同时对算法的复杂度进行了分析。最后通过与其他算法的仿真比较和算例,表明了新算法的有效性。     

网络嵌入价值视角下信息中介服务进入决策

研究了信息中介的服务与决策者构成的复杂网络之间的相互作用,提出了网络嵌入价值VNE,同时考虑网络收益与中介收益标度既可用于评价服务对于网络的价值,也可为信息中介决策提供依据.在中介和网络间建立了一个博弈模型,得到了中介服务能生存于网络中的条件.在此基础上定义了信息中介的网络嵌入价值,从网络的视角考察了中介服务进入市场的成本C和价格P的决策.最后比较了ER网络(随机网络)与SF网络(无标度网络)这两种不同网络结构下网络嵌入价值与决策的差异.     

权重演化的加权网络

无标度加权网络的模型构建已经引起了越来越多的关注。提出了一种权重依时间增长的加权网络模型,其中每个时间间隔的权重增长量是个随机变量。利用主方程方法,可以证实当时间t→∞时,该网络有稳定权重分布p（w）。通过两个计算实例,发现p（w）～w^-γ,其中幂律指数γ〉2。     

基于无标度网络的LDPC码的构造

基于无标度网络的幂律分布特性来优化不规则低密度奇偶校验(LDPC)码的变量节点和校验节点度的分布,使其具有最短的迭代译码长度。根据节点度的分布,采用渐进添边算法和短环删除算法设计出无四环的新LDPC校验矩阵。利用Matlab对所构造的SF-LDPC码进行仿真分析。结果表明,在保证误码率性能的前提下,SF-LDPC码的平均译码长度和运算复杂度得以降低。     

节点吸引度相关联的无标度竞争网络

针对WWW网络每时每刻每个网页对人们的吸引程度不同及吸引度相互关联特征,提出了吸引度依赖于时间的Poisson NPA(增长择优网络)竞争网络模型.它不仅是初始吸引度为常数的Dorgovtsev等人的无向网络模型的推广,而且刻画出了增长网络的竞争机制.通过对这个模型进行分析,获得了度分布的解析表达式,并给出了渐近线性吸引系数A与新节点边数m的关系.理论分析与数值模拟表明,这类网络的幂律指数在区间(2,m 1)内,幂律指数为3的条件是渐近线性吸引系数A为0,且|A|/m越小,度分布的理论值与模拟结果的误差越小.     

基于复杂网络的基金加权网络结构分析

为了探讨中国基金市场的网络结构,先通过二分网的单顶点网络构建了基金无向加权网络,再利用网络的基本几何统计量对网络结构特征进行分析.实证分析结果表明基金网络系统是小世界网络和同类匹配网络,并且网络度分布和点强度分布服从幂律分布.进一步分析,找到了这些网络特征的现实含义以及基金在股票投资中的一些特点.     

具有无标度特性的港口网络演化模型

针对现实港口网络自身的结构特征,提出一个具有无标度特性的港口网络演化模型.在经典BBV加权网络模型的基础上,通过引进三角连接结构,研究了三角结构的演化机制对无标度模型结构特性的影响.仿真结果表明,该港口网络的度和强度都服从幂率分布.港口网络的平均簇系数与度的函数关系服从幂率分布.仿真结果表明三角结构的演化机制能够显著的提高网络的聚类系数.     

Self-similarity of complex networks

Complex networks have been studied extensively owing to their relevance to many real systems such as the world-wide web, the Internet, energy landscapes and biological and social networks. A large number of real networks are referred to as 'scale-free' because they show a power-law distribution of the number of links per node. However, it is widely believed that complex networks are not invariant or self-similar under a length-scale transformation. This conclusion originates from the 'small-world' property of these networks, which implies that the number of nodes increases exponentially with the 'diameter' of the network, rather than the power-law relation expected for a self-similar structure. Here we analyse a variety of real complex networks and find that, on the contrary, they consist of self-repeating patterns on all length scales. This result is achieved by the application of a renormalization procedure that coarse-grains the system into boxes containing nodes within a given 'size'. We identify a power-law relation between the number of boxes needed to cover the network and the size of the box, defining a finite self-similar exponent. These fundamental properties help to explain the scale-free nature of complex networks and suggest a common self-organization dynamics.     

Network dynamics: jamming is limited in scale-free systems

A large number of complex networks are scale-free--that is, they follow a power-law degree distribution. Here we propose that the emergence of many scale-free networks is tied to the efficiency of transport and flow processing across these structures. In particular, we show that for large networks on which flows are influenced or generated by gradients of a scalar distributed on the nodes, scale-free structures will ensure efficient processing, whereas structures that are not scale-free, such as random graphs, will become congested.