SA-混合网络模型的构造及其性质

目的:设计、构造若干无标度网络并验证其无标度性,比较原网络与新网络的发展速度.方法:用迭代法在Sierpiandki网络与2维-Apollonian网络的基础上构造SA-混合网络模型,验证新网络的度分布服从幂指数在2到3之间的幂律分布.结果:SA-混合网络的度分布幂指数约为2.63,位于2和3之间,且SA-混合网络的发展速度比Sierpiandki网络与Apollonian网络的发展速度快.结论:无标度性质对无标度网络之间的混合网络具有封闭性.     

Model construction and analyses of a class of scale-free network with variable power law exponent

多数现实网络的度分布指数(幂指数)介于(2,3),而BA网络的度分布指数恒等于3.基于BA模型,引入老节点之间的择优连接机制,建立了一类变幂率的无标度网络模型,给出了这类复杂网络演化的解析结果,证明了在不同的参数下,其幂指数介于[2,3].同时指出,BA网络只是该模型的一个特例,通过一些实际网络数据的分析,说明了该网络模型的有效性和合理性.     

一类特殊生长网络模型的分析与应用

讨论了一类基于BA模型生成机理的特殊的生长网络模型,采用率方程的方法计算得其度分布,证明了该网络是节点度分布是符合幂律分布的无标度网络,其幂指数为-2。从理论上分析了这个模型与BA模型由于拓扑结构的不同而造成的宏观性质的差异。并将这个模型应用于高校人才吸引网络,利用SPSS和M atlab模拟仿真证明了该模型数学期望关系式的正确性及模型的有效性。     

基于无标度网络的创新扩散模型研究

从无标度潜在采纳者关系网络出发,考虑潜在采纳者所处局域关系网络对创新采纳决策的影响,自底向上,从微观到宏观建立了创新扩散模型.模型一方面放宽了传统Bass类模型对于潜在采纳者关系网络不符合实际的假设;另一方面,引入了无标度网络的重要参数(度分布幂指数),使得创新采纳决策的微观机制能与宏观扩散数据相结合,体现了微分方程建模方法的优势,提高了模型的应用价值.对模型的进一步仿真分析发现,潜在采纳者关系网络节点度值的异质性程度越高及网络平均度值越小,则创新扩散深度越大、创新扩散速度越慢.     

从网络质量控制角度观察无标度网络

阐明了增长网络度分布概念.从网络质量控制角度直观地给出增长网络无标度的严密定义,明确网络中枢点的概念,体现无标度网络稳健而又脆弱的特点.指出Barabási和Albert等人对择优增长网络模型的分析不能体现网络中枢点的原因.考虑了节点吸引度的概率分布,提出Poisson增长择优连接网络(Poisson NPA模型),并且借助Γ分布的性质证明了Poisson NPA模型的无标度性.     

一类作为网络模型的可平面无标度图

无标度特性普遍存在于大量的实际网络和人造网络中.为了更好地研究这类无标度网络模型的拓扑性质和内在动力学,大量的模型被建立,如随机网络模型和确定性网络模型.鉴于以往确定性模型中的无标度指数都是唯一不变的常数,定义了一类具有广义自相似性的增长网络模型,分析了它的一些拓扑性质:平均度、聚集系数、直径、度分布、最多叶子生成树.得出该模型具有无标度特性和小世界效应,并且可以通过调整相应的参数来获得丰富的无标度指数.     

一种基于社团和分层思想的无标度演化模型

针对复杂网络节点度分布服从幂律分布问题, 给出一种基于社团和分层思想的无标度演化模型. 该模型利用转轮思想和限制节点度改进了无标度模型的优先连接策略; 加入分层结构优化了无标度网络的搜索; 将局域世界模型中的局域世界思想引入到模型中, 并利用社团结构改进了局域世界模型中局域世界的不确定性问题.  理论分析证明了模型的度分布服从幂律分布, 且幂律指数可调.  模拟实验结果表明, 模型有较小的平均路径长度和较大的聚类系数,  且两层网络搜索效率优于单层网络搜索.     

一类随机加权伪分形无标度网络

提出一类具有随机性的加权伪分形无标度网络,该模型含有可调参数n.分析了网络的度分布,强度分布,权重分布.结果表明网络的度分布和强度分布具有幂律特性,而权重服从指数分布.     

基于三角点阵模型的自组织城市网络探讨

基于城市体系的三角点阵模型提出了自组织城市网络空间结构无标度性的数学定义和描述方法：假定区域城市是三角点阵格局上的无规分布，构造城市两两之间的空间关联函数；只要城市关联密度与码尺之间满足幂指数关系，就表明城市体系是无标度网络，可以用标度指数进行度量。以河南省为研究区，对城市空间关联进行了实证分析，发现在双对数坐标图上存在明确的无标度区，从而在揭示自组织城市网络内在复杂规律的同时，证实了上述方法刻画无标度城市网络的有效性。     

基于无标度网络的最大度二分度搜索策略

在复杂网络研究领域的现实网络中,大多数实际网络的分布都呈现幂律分布的无标度网络,因此在研究这些网络搜索算法的过程中,如何在同一个网络的不同网络结构中采用更为有效的搜索算法成为在网络搜索算法策略研究的重点.基于最大度的搜索算法在复杂网络的网络结构中更适用于幂律分布指数区间内的无标度网络,因此为了更加充分地利用无标度网络的度分布特性,将最大度搜索策略与二分度策略有效结合进行搜索,从而使得相关搜索策略存在的问题得以改善,并得到高效的搜索结果 .文章从理论分析和实验结果证明了这一点.     

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.     

一类变幂率的无标度网络模型构建和分析

依据网络中节点的局域特征,提出了一种简单的节点重要性的度量方法.其主要原则是网络中节点的重要性不但与节点本身的度具有一定的关系,而且与节点的邻居节点的度也存在一定的关联.实验结果表明:该方法能够在不了解网络全局拓扑架构的基础上,比较细致地描述网络中各节点之间的差异性,而且算法时间复杂度仅为o(m+n),因此对于大型复杂网络也可以获得理想的计算能力.     

论无标度网的增长和择优

增长和择优机制是无标度网络中两种重要的演化机制,已发现比较重要的择优机制有度择优和秩次择优,比较重要的增长方式有星形图增长和完全图增长.该文首先分析了秩次择优机制对网络度指数的影响,指出可以利用秩次择优来构造度指数在较大范围内变化的模型. 接下来分析了星形图增长和完全图增长的优缺点,并提出了更符合实际情况的模体增长方式,然后结合秩次择优机制和模体增长方式提出了一个新模型——模体增长秩次择优模型,该模型除了具有较宽的度指数范围外,还在度指数大于2.5时具有独立于网络规模的群集系数.     

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〈＋∞。     

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.     

Structural Fault Tolerance of Scale-Free Networks

The fault tolerance of scale-free networks is examined in this paper. Through the simulation on the changes of the average path length and network fragmentation of the Barabasi-Albert model when faults happen, it can be observed that generic scale-free networks are quite robust to random failures, but are very vulnerable to targeted attacks at the same time. Therefore, an existing optimization strategy for the robustness of scale-free networks to failures and attacks is also introduced. The simulation similar with the above proved that the so-called (1,0) network has potentially interconnectedness closer to that of a scale-free network and robustness to targeted attacks closer to that of an exponential network. Furthermore,its resistance to random failures is better than that of either of them.     

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.     

Asymptotic Mandelbrot Law for Some Evolving Networks

Complex networks are now the focus of many branches of research. Particularly, the scale-free property of some networks is of great interest, due to their importance and pervasiveness. Recent studies have shown that in some complex networks, e.g., transportation networks and social collaboration networks, the degree distribution follows the so-called "shifted power law" （or Mandelbrot law） P （ k ） ∝ （ k + c ）-γ. This study analyzes some evolving networks that grow with linear preferential attachments. Recent results for the quotient Gamma function are used to prove the asymptotic Mandelbrot law for the degree distribution in certain conditions. The best fit values for the scaling exponent, γ , and the shifting coefficient, c , can be directly calculated using Bernoulli polynomial functions. The study proves that the degree distribution of some complex networks follows an asymptotic Mandelbrot law with linear preferential attachment depicted by P k ∝ ( k +（b+a+1）/2^-b-a.     

Malicious Code Modeling and Analysis in Weighted Scale-Free Networks

0 Introduction Nowadays, malicious codes such as com- puter viruses, worms and so on are an important risk to the computational systems endangering either corporation systems of all sizes or personal computers used for simple applications as ac- cessing b…