基于复杂网络的疾病传播

疾病传播问题的研究,一直是科学家所关注的焦点。近几年兴起研究的复杂网络,真实地反映出现实中系统的某些重要特性,成为研究现实网络的有效手段。在介绍复杂网络的基础上,着重阐述了复杂网络描述疾病传播的研究工作及成果,特别指出其就用于SARS病毒传播研究得到的一些有意义的结论,从而为控制病毒的传播提供了一种重要的参考依据。     

含有免疫作用的SIR传染病模型在复杂网络上的动力学行为

研究含有免疫作用的易感染者-感染者-移出者传染病模型(SIR模型)在复杂网络上的动力学行为.首先考虑具有齐次性质的复杂网络（度分布服从指数分布）中免疫作用对疾病传播的影响,然后讨论具有非齐次性质的复杂网络（度分布不服从指数分布,如幂分布）中免疫作用以及非齐次性质对疾病传播的影响.     

复杂网络初探

讨论了复杂网络的基本概念,重点介绍了小世界网络和无标度网络,提出了一些值得进一步研究的复杂网络问题.     

复杂校园网络实证研究

以某校园网为例,进行了复杂网络实证研究.介绍了网络通信和复杂网络的基本特征,在调查研究校园网的基础上,完成了其逻辑拓扑结构图构建,分析了各节点的出入度情况,给出了校园网的若干特点,证实了校园网具有复杂网络的显著特性:少数几个节点具有大量的链接,而大量的节点只有少数链接,有的甚至没有链接;节点度分布大致服从幂律分布.依据分析结果提出建议:学校网络中心应加强出入度数高节点的软硬件建设,以保证校园网的安全性和稳定性.     

基于复杂网络的微博用户关系网络特性研究

以新浪、腾讯、搜狐三大微博注册用户为研究对象,根据用户之间的关注关系构建了复杂网络,分别给出了该网络的度分布、聚集系数以及平均路径长度等统计特征,得出微博用户关系网络具有无标度特性以及小世界效应.     

基于复杂网络理论的WSN拓扑控制与安全维护

通过理论推导,得到复杂网络参数与无线传感器网络(WSN)网络容量的关系式.在关系式指导下,运用删减冗余边、添加长程边等方法,对WSN拓扑控制以提高网络容量.针对经过拓扑控制后具有小世界特性的WSN,提出一种考虑节点病毒传播强度的病毒传播局域控制方法.研究表明,拓扑控制可以有效提高WSN网络容量,通过对少量的重要节点免疫,可以节省免疫成本,提高WSN抗病毒攻击能力.     

网络结构鲁棒性指标及应用研究

为了更好地测度网络抵御破坏的能力,基于网络连通和恢复能力提出了连接鲁棒性和恢复鲁棒性两种指标.运用这两种指标,以网络规模为500,取20次独立实验的均值,对ER随机网络、规则网络、BA无标度网络以及WS小世界网络4种典型网络结构进行仿真.实验结果表明:ER随机网络对于恶意攻击的鲁棒性要优于其他3种网络;BA无标度网络仅节点恢复鲁棒性较好,边恢复鲁棒性和连接鲁棒性最差;规则网络拥有很好的连接鲁棒性但恢复鲁棒性最差;WS小世界网络受其参数影响,鲁棒性介于ER随机网络和规则网络之间.同时还发现,网络结构鲁棒性的下降随着去除节点个数的增加和网络结构参数的改变而呈现出一定的"涌现"现象.     

复杂网络独立集的免疫策略分析

根据独立集的概念,提出了新的复杂网络的免疫策略,免疫一个独立集中度数最大顶点的免疫方法,称为独立集的目标免疫。当独立集中免疫节点度数和等于全网络的目标免疫节点度数和时,独立集的目标免疫策略比全网络的目标免疫更加有效,并从网络结构的角度阐明这一结果出现的原因。随后比较了独立集中的随机免疫策略与全网络的随机免疫策略,实验结果表明对独立集的随机免疫并没有去掉更多的高度数节点。对于经典的SI传播模型,所有节点都只有两种状态：易染状态和感染状态。在复杂网络免疫策略的研究中,SI传播模型与SIR、SIS传播模型相比较,使用SI传播模型对于免疫策略的研究将更加有利。     

复杂网络上具有分布式传染速率的流行病传播行为

提出一个改进的SI模型来研究分布式传染速率对复杂网络上的流行病传播的影响.与标准的SI模型不同,假定传播速率为几种典型的分布参数,如二值分布、均匀分布和指数分布.这种分布式的速率可以表示个体在传染性上的差异,这种差异可在很多真实的传染病中观察到.大量的数值仿真表明,这种分布式的传染速率能大大减小被感染结点的密度,减缓其动态传播过程,并且允许有更长的时间来采取相应的控制措施.因而,当前的研究结果对进一步理解网络上真实流行病的传播特性具有重要意义.     

Binary opinion dynamics with noise on random networks

Two kinds of noise strategies in binary opinion dynamics on ER random networks are discussed. Random noise p1 in the initial configuration plays a role in redistributing the opinion states associated with the network. Under synchronous updating, the system can attain a stable state within few time steps. The fraction of nodes with changed opinion states F decreases exponentially with time, and the ratio of one of the two opinion states R remains almost unchanged during the evolution. The average ratio crosses at the half-half initial concentration under different p1. For noise in the dynamical evolution p2, the system can reach a steady state with small fluctuations. With larger p2, more nodes have changed opinion states at each updating and more nodes with opposite opinions coexist. If p2 is greater than 0.5, the two opinions coexist with equal support.