精华内容
下载资源
问答
  • 2020-10-27 23:29:38

    本文针对数学建模美赛中的复杂网络题,做了一些总结,具体涉及一些该题的注意事项。

    注意事项

    1. 定义点和边的意义
    2. 制定连接规则,删除孤立节点(代表影响很小的点),可以限制网络的大小,减小运算量,同时也可以克服PageRank的不足点
    3. 网络根据有向/无向,有环/无环,有/无标度,可以根据其性质,制定不同的算法,简化传统的算法
    4. 常用度量的指标:度,中心性,聚类系数,密度,中介性Degree, Centrality, Clustering coefficient,  Density,  Betweenness一定要将各种指标联系实际,分析每种情况的特性
    5. 结合现实考虑,即使简化了也要表明出来
    6. 除了重要性,还应该考虑节点的权威性(如时间)等现实因素
    7. 考虑节点的时间因素,现实中的一切都是因果的,比如引用模型中,只能引用比自己先发表的论文,而且此时满足偏序关系
    8. 注意关系的自反性、对称性、传递性
    9. 关系网络:相容关系、等价关系、偏序关系;对分析出来的关系做说明,即使没有什么用也可以说明,来体现对该网络性质的研究
    10. 对网络关系性质的分析也是一个重点,网络的性质和建立网络的规则有关,规则又是由实际的问题情况决定
    11. 网络的稳定性探究也是很重要的一点,可以分析参数对排序或者其他结果的影响,还可以考虑节点缺失对网络造成的影响
    12. 拥有关系和引用关系类似
    13. 对于性质类似的网络,对不同问题采用不同的量化方法,制定规则量化为适合模型的值,使得模型可以推广
    14. 对于一道题搭了几个网络,可以将这几个网络的性质进行对比分析,最好还能说出各自的用途
    15. 扩散可以用到矢量分析与场论的知识,用梯度、散度、旋度来分析
    16. 传染病模型也经常用在网络题里面
    17. 1959年,汉森首次提出了交通可达性的概念,这被定义为接受道路网络中节点之间相互作用的机会。
    18. 可以自己定义算法,把边的权重转换到点上,这样就可以使用修正的PageRank算法求解点的重要性

    使得初始时点的权重为1,但是每条边的传递权重不同,而其邻接边的权重相加仍然为1(参考2014C--25318

     

    编程和图表

    1. 对于外行难懂的复杂网络图,最好给出图的解释,各种东西代表什么
    2. 对自己定义的网络规则最好用图来展示一下
    3. 复杂网络考虑计算复杂度,特别是在有改进的情况下说明复杂度的改善
    4. 网络有很重要的一点就是测试其稳定性

    数据预处理

    1. 复杂网络的题也常常涉及大数据,对于空白数据的处理很重要,对于空缺太多的数据直接删掉
    2. 接着对剩余数据处理;或者通过聚类,被聚类到一起的点,空缺数值可以用该类中数值完整的值的均值和方差来生成;最常用的就是插值,不过没有什么亮点
    3. C/D题,数据支撑和合理性很重要
    4. 归一化、标准化、中心化特别重要,记得说明各自的意义

    ​​​​​​​过程

    1. 一开始建立各项指标,用数据对属性进行描述,为数据预处理提供依据。同时这些指标的分类不同,可能作用于底层网络或者顶层网络,可能是节点指标也可能是边的指标(可以给边加权,可以给点加权注意两种网络的适用算法不同)
    2. 接着设置算法,选择算法;结合实际的问题,分析其是否有什么不合理的地方,对于不合理的地方想一想改进的措施
    3. 必要时考虑一下计算复杂度,考虑是否改善,对复杂度改善后可以使用原算法来验证正确性;考虑是否有可以用来类比的模型
    4. 建立好静态的网络结构之后,接下来就是要确定规则(类似于仿真规则),使网络变成动态模型
    5. 网络的改善就是不停对规则进行更改
    6. 注意模型建立好之后先验证合理性,再应用​​​​​​​

    一般情况都用双层网络,既不会过于简单,也不会计算量太大

    相关性很强(同一地区、同一背景等)的各集团作为高一层的节点,底层的网络由各个单独的节点构成

    采用双层网络模型有两种思路:

    1、先手动根据节点的某种/某些相似性把一些满足相似性的节点规定为一个集团,各个集团作为上层网络的节点

    2、直接所有节点一视同仁,然后用节点划分的方法,对网络进行分割,分割后每个集团作为底层网络,然后更改边的类型,集团内保持不变,集团间建立新的连接方式

    灵敏性/稳健性分析

    1. 研究网络是否是无标度性。(有些结论已经有了,比如社交网络就是无标度,先了解背景,如果没有研究文献再自己计算)其实复杂网络的无标度特性与网络的鲁棒性分析具有密切的关系。无标度网络中幂律分布特性的存在极大地提高了高度数节点存在的可能性,因此,无标度网络同时显现出针对随机故障的鲁棒性和针对蓄意攻击的脆弱性。这种鲁棒且脆弱性对网络容错和抗攻击能力有很大影响。研究表明,无标度网络具有很强的容错性,但是对基于节点度值的选择性攻击而言,其抗攻击能力相当差,高度数节点的存在极大地削弱了网络的鲁棒性,一个恶意攻击者只需选择攻击网络很少的一部分高度数节点,就能使网络迅速瘫痪。
    2. 删除重要节点,看对网络的影响
    3. 改变指标值/删除指标,分析影响
    4. 用斜率来度量影响是一种非常常见的方法,和灵敏度分析中分析参数的影响类似,特别是有解析式的时候
    5. 网络一般分析结果都是
      从节点的变化分析
      从边的参数变化分析
      从这个网络的演变(传播过程)分析
    更多相关内容
  • 安全技术-网络信息-产业复杂网络建模应用.pdf
  • 对于复杂的器件输入输出关系,直接逆向建模方法无法满足精度的要求,而其他精度可以满足要求的逆建模方法又具有结构复杂、计算量大等缺点,提出一种新颖的设计微波器件的逆建模方法。该方法只需建立神经网络正向模型,并...
  • 复杂网络安全产品质量评价体系的知识建模及其应用.pdf
  • 基于NetworkX构建复杂网络应用案例

    千次阅读 2021-12-11 18:42:18
    本文主要完成了networkx的安装以及校园网络拓扑图的绘制,又完成了根据权重筛选节点的功能。这里面比较使用的功能在于可以固定生成节点的位置,添加节点的自定义图标,以及根据权重,出入度等值完成节点筛选。

    基于NetworkX构建复杂网络的应用案例

    本文内容

    本文主要包含两个部分:
    1.networkx的安装以及校园网络拓扑图的绘制。这一步骤有固定生成节点的位置添加节点的自定义图标的功能实现。
    主要函数为:
    G.add_nodes_from(nodes=nodes_list,pos=pos)
    G.add_node(“信息中心”, image=images[“router”])

    2.基于networkx完成复杂网络拓扑图边的生成。同时给网络拓扑图添加权重节点,生成带权重的复杂网络拓扑图。生成拓扑图后,对节点的出度进行直方图分析,分析其均值mu和方程sigma。然后可以根据传入的边的权重,绘制不同的边的显示样式。
    在整体的完成过程在有参考官网,也有参考部分网络博客。官网连接如下:https://networkx.org/documentation/stable/reference/index.html
    本报告的具体实现通过代码注释描述

    1.安装networkx以及校园拓扑图构建

    1.1networkx安装

    pip install networkx
    

    需要注意的是,networkx有1.x和2.x的版本,两个版本的用法有所不同,默认安装2.X版本。

    1.2校园拓扑结构绘制

    打开编译环境,打开jupyter
    1)导入依赖库

    #加载依赖库
    import networkx as nx
    from matplotlib import pyplot as plt
    import PIL 
    

    2)指定画布大小并设定节点,边,位置,图标的基本信息

    # 指定画布大小
    plt.figure(figsize=(10,10))
    
    # 指定节点
    nodes_list = ['计算机学院','大数据专业','信息中心','教务处','科研处','外网','教育网']
    
    # 指定节点的位置
    pos = {'计算机学院': (8, 10), '大数据专业': (6, 10),
     '信息中心': (10, 10), '教务处': (10, 8), 
     '科研处': (10, 12), '外网': (12, 12),'教育网':(12, 8)}
    
    # 指定边
    edge_list = [
    ('信息中心', '教育网', {'weight': 2}),
    ('信息中心', '外网', {'weight': 2}),
    ('计算机学院', '大数据专业', {'weight': 1}),
    ('计算机学院', '信息中心', {'weight': 2}),
    ('信息中心', '教务处', {'weight': 2}),
    ('信息中心', '科研处', {'weight': 2}),
    ('教务处', '科研处', {'weight': 2})]
    
    # 给网络节点添加指定的图标
    # 参考:https://networkx.org/documentation/latest/auto_examples/drawing/plot_custom_node_icons.html
    # 网络节点的图标
    icons = {
        "router": "icons/路由器.png",
        "internet": "icons/互联网.png",
        "PC": "icons/PC.png",
    }
    
    # 加载图标
    images = {k: PIL.Image.open(fname) for k, fname in icons.items()}
    
    3)添加节点,边,位置等信息到图中
    # 生成一个图
    G = nx.Graph()
    
    # 添加所有节点信息
    G.add_nodes_from(nodes=nodes_list,pos=pos)
    
    # 添加所有的边信息
    G.add_edges_from(edge_list)
    
    # 给节点添加image属性
    G.add_node("信息中心", image=images["router"])
    G.add_node("教育网", image=images["internet"])
    G.add_node("外网", image=images["internet"])
    G.add_node("计算机学院", image=images["PC"])
    G.add_node("大数据专业", image=images["PC"])
    G.add_node("教务处", image=images["PC"])
    G.add_node("科研处", image=images["PC"])
    

    3)完成节点的图标叠加

    # 构建子图
    fig, ax = plt.subplots()
    
    # 绘制网络的边,同时指定ax为子图
    nx.draw_networkx_edges(
        G,
        pos=pos,
        ax=ax,
        arrows=True,
        arrowstyle="-",
        min_source_margin=15,
        min_target_margin=15,
    )
    
    # 绘制网络图的标签
    nx.draw_networkx_labels(G,pos,ax=ax,font_size=10,font_family="simhei")
    
    # 将数据的坐标系缩放为xlim和ylim之间,缩放后为展示图的坐标
    tr_figure = ax.transData.transform
    # 将展示的坐标系转换为绘图坐标系
    tr_axes = fig.transFigure.inverted().transform
    
    # 设定每个图标的大小以及图标中心位置
    icon_size = (ax.get_xlim()[1] - ax.get_xlim()[0]) * 0.0125
    icon_center = icon_size / 2.0
    
    # 将图标添加到各自的节点上
    for n in G.nodes:
        # pos[n]为每个节点的原始位置
        xf, yf = tr_figure(pos[n])
        # 将 节点坐标 转换为 画布上的坐标
        xa, ya = tr_axes((xf, yf))
        # get overlapped axes and plot icon
        # 获得重叠 的  子图 和 节点图标
        a = plt.axes([xa - icon_center, ya - icon_center, icon_size, icon_size])
        a.imshow(G.nodes[n]["image"])
        a.axis("off")
    
    plt.show()
    

    输出结果如图1-1所示:
    在这里插入图片描述
    图1-1 网络拓扑图

    2.复杂网络绘制,并指定筛选算法

    2.1生成复杂的网络拓扑节点,同时添加权重

    # 导入相关依赖
    from matplotlib import pyplot as plt
    import networkx as nx
    import numpy as np
    
    # 生成随机数据
    G = nx.erdos_renyi_graph(50,0.5)
    
    # 指定画布大小
    plt.figure(figsize=(18,18))
    
    # 生成新的图
    G_new = nx.Graph()
    
    # 依据图中边的数量,生成同样长度的随机权重值
    weightList = {}
    for i in range(len(G.edges())+1):
        weightList[i] = np.random.rand()
    
    # 将生成的随机权重复制给G_new图
    i = 0
    for edge in G.edges():
        i += 1
        G_new.add_edges_from([(edge[0], edge[1], {'weight': weightList[i]})])
    # 绘制G_new图
    nx.draw_networkx(G_new)
    plt.show()
    

    生成如图2-1所示
    在这里插入图片描述
    图2-1 G_new图可视化

    2.2对节点的出度分布进行分析

    描述数据分布时,可通过mu, sigma表示,本部分使用scipy的统计函数,计算sigma值,再计算出mu值,然后对网络的degree值,通过直方图展示出来。
    代码如下:

    # 将网络中节点的degree转换为字典类型
    de = dict(G_new.degree)
    print(de)
    # keys为节点的id,values为节点对应的出度
    keys = [de[v] for v in de.keys()]
    values = [v for v in de.values()]
    
    # 计算均值和标准差
    N = len(values)
    narray=np.array(values)
    sum1=narray.sum()
    narray2=narray*narray
    sum2=narray2.sum()
    mean=sum1/N
    var=sum2/N-mean**2
    var =np.around(var,2)
    
    # 绘制直方图
    plt.hist(values,bins=15)
    
    # 添加注释信息
    plt.text(25, 12, r'$\mu={},\ \sigma={}$'.format(mean,var))    #文本中注释
    plt.grid(True) 
    
    plt.show()
    

    输出如图2-2所示:
    在这里插入图片描述
    图 2-2 网络图的度分布情况

    2.3通过边的权重绘制不同样式的图,实现对图中节点和边的选择

    这里采用输入最大权重和最小权重2个参数,筛选出3份不同的边,然后采用不同的样式进行绘制。
    具体代码如下:

    ## 设置显示图像的方式
    %matplotlib inline
    %config InlineBackend.figure_format = "retina"
    plt.figure(figsize=(18,18))
    
    # 获取最大和最小权重")
    elarge_num = input("输入最大的权重")
    if len(elarge_num)<2:
        elarge_num = 0.3
    else:
        elarge_num = float(elarge_num)
    
    emidle_num = input("输出最下的权重")
    if len(emidle_num)<2:
        emidle_num = 0.3
    else:
        emidle_num = float(emidle_num)
    
    ## 根据输入的边的权重,筛选出不同边
    elarge=[(u,v) for (u,v,d) in G_new.edges(data=True) if d['weight'] >elarge_num]
    emidle = [(u,v) for (u,v,d) in G_new.edges(data=True) if (d['weight'] >emidle_num) & (d['weight'] <= elarge_num)]
    esmall=[(u,v) for (u,v,d) in G_new.edges(data=True) if d['weight'] <=emidle_num]
    
    # 图的布局,获取所有节点的位置
    pos=nx.random_layout(G_new) # positions for all nodes
    
    # 获取度的信息
    de = dict(G_new.degree)
    keys = [de[v] for v in de.keys()]
    values = [v for v in de.values()]
    
    # nodes根据节点来设置节点的大小
    nx.draw_networkx_nodes(G_new,pos,alpha=0.6,node_size=keys * 100)
    
    # 根据筛选后的edges绘制不同的网络
    nx.draw_networkx_edges(G_new,pos,edgelist=elarge,
                        width=2,alpha=0.9,edge_color='g')
    nx.draw_networkx_edges(G_new,pos,edgelist=emidle,
                        width=1.5,alpha=0.6,edge_color='y')
    nx.draw_networkx_edges(G_new,pos,edgelist=esmall,
                        width=1,alpha=0.3,edge_color='b',style='dashed')
    
    # 设置标签为黑体,便于显示中文
    nx.draw_networkx_labels(G_new,pos,font_size=10,font_family="simHei")
    
    plt.axis('off')
    plt.title("复杂模型衡量",FontProperties = font)
    plt.show() # display
    

    输出截图如图2-3所示:
    在这里插入图片描述
    图2-3 筛选后的网络图绘制

    3.总结

    本文主要完成了networkx的安装以及校园网络拓扑图的绘制,又完成了根据权重筛选节点的功能。这里面比较使用的功能在于可以固定生成节点的位置,添加节点的自定义图标,以及根据权重,出入度等值完成节点筛选。

    展开全文
  • 复杂网络模型及其应用》清华大学出版社 包括第一章引论 第二章网络拓扑基本模型及其性质 第三章inter拓扑特性及建模 第四章复杂网络上的传播机理与动力学分析 第五章复杂网络上的相继故障
  • 网络技术-系统集成-基于数据仓库和SOA的地学数据集成与应用的关键技术研究.pdf
  • 安全技术-网络信息-复杂大系统建模与仿真的可信性评估研究.pdf
  • BioNet-Finder是一个基于网络的基因组数据建模项目,得到了Pavia大学(意大利Pavia)的大脑和行为科学系的多元统计实验室的支持,目的是共享数据,方法和代码,以进行基于网络的分析复杂的疾病。 我们的目标是提供...
  • :针对热力站为多变量、非线性...以包头某热力站大量实时工况 数据通过 tensorflow 框架搭建神经网络模型,仿真对比结果表明,长短时记忆网络建模能有 效的减小建模误差,进一步提高神经网络在热力站系统建模中的精度。
  • 一文读懂复杂网络应用、模型和研究历史)

    万次阅读 多人点赞 2018-05-02 09:40:05
    摘要:随着近几年关于复杂网络(Complex network)理论及其应用研究的不断深入,已有大量关于复杂网络的文章发表在Science,Nature,RL,NAS等国际一流的刊物上,侧面反映了复杂网络已经成为物理界的一个新兴的研究...

    出处:https://yq.aliyun.com/articles/231424?do=login#

    摘要: 随着近几年关于复杂网络(Complex network)理论及其应用研究的不断深入,已有大量关于复杂网络的文章发表在Science,Nature,RL,NAS等国际一流的刊物上,侧面反映了复杂网络已经成为物理界的一个新兴的研究热点。

    f400ea0de4287d8e02e057228fc99cea01df8a97

    随着近几年关于复杂网络(Complex network)理论及其应用研究的不断深入,已有大量关于复杂网络的文章发表在Science,Nature,RL,NAS等国际一流的刊物上,侧面反映了复杂网络已经成为物理界的一个新兴的研究热点。人们开始尝试应用这种新的理论工具来研究现实世界中的各种大型复杂系统,其中复杂系统的结构以及系统结构与系统功能之间的关系是人们关注的热点问题[1]

    在自然界中存在的大量复杂系统都可以通过形形色色的网络加以描述。一个典型的网络是由许多节点与节点之间的连边组成,其中节点用来代表真实系统中不同的个体,而边则用来表示个体间的关系,往往是两个节点之间具有某种特定的关系则连一条边,反之则不连边,有边相连的两个节点在网络中被看作是相邻的。例如,神经系统可以看作大量神经细胞通过神经纤维相互连接形成的网络[2];计算机网络可以看作是自主工作的计算机通过通信介质如光缆、双绞线、同轴电缆等相互连接形成的网络[2]。类似的还有电力网络[3]、社会关系网络[2,4-5]、交通网络[6]、调度网络[7]等等。

    复杂网络的研究由于其学科交叉性和复杂性的特点,涉及了众多学科的知识和理论基础,尤其是系统科学、统计物理、数学、计算机与信息科学等,常用的分析方法和工具包括图论、组合数学、矩阵理论、概率论、随机过程、优化理论和遗传算法等。复杂网络的主要研究方法都是基于图论的理论和方法开展的,并已经取得了可喜的成果。但近几年,统计物理的许多概念和方法也已成功地用于复杂网络的建模和计算,如统计力学、自组织理论、临界和相变理论、渗流理论等[8],如网络结构熵的概念,并用它来定量地度量复杂网络的“序”。复杂网络模型在很多科学领域都得到广泛的应用。

    参考文献:

    [1] 孙玺菁, 司守奎. 复杂网络算法与应用[M]. 国防工业出版社, 2015.

    [2] Watts D J, Strogatz S H. Collective dynamics of 'small-world' networks.[J]. Nature, 1998, 393(6684):440.

    [3] Faloutsos M, Faloutsos P, Faloutsos C. On power-law relationships of the Internet topology[J]. Acm Sigcomm Computer Communication Review, 1997, 29(4):251-262.

    [4] Hofman J M, Sharma A, Watts D J. Prediction and explanation in social systems.[J]. Science, 2017, 355.

    [5] Ebel H, Mielsch L I, Bornholdt S. Scale-free topology of e-mail networks[J]. Phys Rev E Stat Nonlin Soft Matter Phys, 2002, 66(3 Pt 2A):035103.

    [6] 吴文祥, 黄海军. 固定需求交通网络的一般系统最优模型与性质[J]. 管理科学学报, 2015, 18(12):58-67.

    [7] 宣琦,吴铁军. 复杂open shop问题的网络模型及调度规则设计[J]. 浙江大学学报(工学版),2011,(06):961-968.

    [8] Albert R, Barabási A. Statistical mechanics of complex networks[J]. Review of Modern Physics, 2002, 74(1):47-97.

     

    1. 复杂网络的研究历史

     

    1736,欧拉:哥尼斯堡七桥问题;1950,Erdos, Renyi: 随机图论;1998,Strogatz, Barabasi:小世界和无标度网络。

     

    c1eff034096c91834b6f096d6e2ec490e99dda4e

     

    两篇开创性的文章可以看作是复杂网络研究新纪元开始的标志:

    一篇是美国康奈尔(Cornell)大学理论和应用力学系的博士生Watts及其导师、非线性动力学专家Strogatz教授于1998年6月在Nature杂志上发表的题为《“小世界”网络的集体动力学》(Collective Dynamics of ‘Small-World’ Networks)的文章;

    另一篇是美国Notre Dame大学物理系的Barabāsi教授及其博士生Albert于1999年10月在Science杂志上发表的题为《随机网络中标度的涌现》(Emergence of Scaling in Random Networks)的文章。这两篇文章分别揭示了复杂网络的小世界特征和无标度性质,并建立了相应的模型以阐述这些特性的产生机理。至此,人们逐渐展开了对复杂网络的研究。

    关于网络的研究,数学家早在两百多年前就开始了,他们已经发展出了成体系的理论与技术,而物理学家的进入只有十几年左右的历史!到底是什么鼓动物理学家来趟这塘浑水,他们的到来有意义吗?

    在我们看来,研究对象特殊的尺度效应是召唤物理学家到来的根本原因。

    数学家经典的网络理论,要么是分析包含几十数百个顶点,可以画在一张纸上从而形成直观印象的网络;要么是讨论不含有限尺度效应,可以精确求解的网络性质。“随机移走一个顶点会对网络的性能产生什么样的影响?”这个问题对于研究有限规则网络的数学家是有意义的,对于拥有几千万个节点,接方式复杂多样的真实网络而言,或许“随机移走 3%的顶点会对网络性能产生什么样的影响?”这个问题更有意义。这个尺度的网络,是被物理学家称作“足够大”的网络,对它们的研究,需要使用统计物理的方法。

    数学家和物理学家在考虑网络的时候,往往只关心节点之间有没有边相连,至于节点到底在什么位置,是长还是短,弯曲还是平直,有没有相交等等都是他们不在意的。在这里,他们把网络不依赖于节点的具体位置和边的具体形态就能表现出来的性质叫做网络的拓扑性质,相应的结构叫做网络的拓扑结构

    那么,什么样的拓扑结构比较适合用来描述真实的系统呢?两百多年来,这个问题的研究经历了三个阶段。在最初的一百多年里,数学家们认为真实系统各因素之间的关系可以用一些规则的结构表示,如二维平面上的欧几里德格网,看起来像是格子体恤衫上的花纹;又或者最近邻环网,总是会让你想到一群手牵着手围着篝火跳圆圈舞的姑娘。

    到了二十世纪五十年代末,数学家们想出了一种新的构造网络的方法,在这种方法下,两个节点之间连边与否不再是确定的事情,而是根据一个概率决定。数学家把这样生成的网络叫做随机网络,在接下来的四十年里一直被很多科学家认为是描述真实系统最适宜的网络。直到最近几年,由于计算机数据处理和运算能力的飞速发展,科学家们发现大量的真实网络既不是规则网络,也不是随机网络,而是具有与前两者皆不同的统计特征的网络。这样的一些网络被科学家们叫做复杂网络(Complex Networks),对于它们的研究标志着第三阶段的到来。

    国内学者对国外复杂网络理论研究的介绍最早始于汪小帆(2002)发表在国外杂志上的一篇文章[3],文中回顾了近年来国外复杂网络研究所取得的重要成果,其中包括平均路径长度、聚集系数、度分布等网络度量,Internet、www和科学合作网络等现实系统,规则网络、随机网络、小世界网络、无标度网络等网络模型,以及复杂网络上的同步等。

    而在国内刊物上对国外复杂网络理论研究的介绍可追溯到朱涵(2003) [4]在《物理》杂志上发表的“网络‘建筑学”’,文章以小世界、集团化和无标度等概念为中心,介绍了复杂网络的研究进展。

    之后,吴金闪等[5]从统计物理学的角度总结了复杂网络的主要研究结果,对无向网络、有向网络和加权网络等三种不同网络统计性质研究的现状分别作了综述,对规则网络、完全随机网络、小世界网络和无标度网络等网络机制模型进行了总结,并对网络演化的统计规律、网络上的动力学性质的研究进行了概括。

    周涛等(2005)围绕小世界效应和无标度特性等复杂网络的统计特征及复杂网络上的物理过程等问题,概述了复杂网络的研究进展。

    刘涛等[6]从平均路径长度、聚集系数、度分布等复杂网络的统计性质,小世界网络和无标度网络等网络模型等层面简述了复杂网络领域的相关研究

    史定华[7]从对网络节点度和度分布的理解入手,对网络分类、网络的演化机理和模型及结构涌现等方面取得的进展进行了总结

    遗憾的是,目前而言,科学家们还没有给出复杂网络精确严格的定义,从这十几年的研究来看,之所以称其为复杂网络,致少包含以下几层意思:首先,它是大量真实复杂系统的拓扑抽象;其次,它至少在感觉上比规则网络和随机网络复杂,因为我们可以很容易地生成规则和随机网络,但就目前而言,还没有一种简单方法能够生成完全符合真实统计特征的网络;最后,由于复杂网络是大量复杂系统得以存在的拓扑基础,此对它的研究被认为有助于理解复杂系统之所以复杂”这一至关重要的问题。

    参考文献:

    [1] Watts D J, Strogatz S H. Collective dynamics of 'small-world' networks.[J]. Nature, 1998, 393(6684):440.

    [2] Barabási A, Albert R. Emergence of Scaling in Random Networks[J]. Science, 1999, 286(5439):509-512.

    [3] XIAO FAN WANG. COMPLEX NETWORKS: TOPOLOGY, DYNAMICS AND SYNCHRONIZATION[J]. International Journal of Bifurcation & Chaos, 2002, 12(5):885-916.

    [4] 朱涵, 王欣然, 朱建阳. 网络“建筑学”[J]. 物理, 2003, 32(6):364-369.

    [5] 吴金闪, 狄增如. 从统计物理学看复杂网络研究[J]. 物理学进展, 2004, 24(1):18-46.

    [6] 刘涛, 陈忠, 陈晓荣. 复杂网络理论及其应用研究概述[J]. 系统工程, 2005, 23(6):1-7.

    [7] 史定华. 网络——探索复杂性的新途径[J]. 系统工程学报, 2005, 20(2):115-119.

     

     

    2. 复杂网络的统计特征

     

    2.1平均路径长度L

    在网络中,两点之间的距离为连接两点的最短路径上所包含的边的数目。网络的平均路径长度指网络中所有节点对的平均距离,它表明网络中节点间的分离程度,反映了网络的全局特性。不同的网络结构可赋予L不同的含义。如在疾病传播模型中L可定义为疾病传播时间,通网络模型中L可定义为站点之间的距离等。

    2.2聚集系数C

    在网络中,节点的聚集系数是指与该节点相邻的所有节点之间连边的数目占这些相邻节点之间最大可能连边数目的比例。而网络的聚集系数则是指网络中所有节点聚集系数的平均值,它表明网络中节点的聚集情况即网络的聚集性,也就是说同一个节点的两个相邻节点仍然是相邻节点的概率有多大,它反映了网络的局部特性。

    2.3度及度分布

    在网络中,点的度是指与该节点相邻的节点的数目,即连接该节点的边的数目。而网络的度<k>指网络中所有节点度的平均值。度分布P(k)指网络中一个任意选择的节点,它的度恰好为k的概率。

    2.4介数

    包括节点介数和边介数。节点介数指网络中所有最短路径中经过该节点的数量比例,边介数则指网络中所有最短路径中经过该边的数量比例。介数反映了相应的节点或边在整个网络中的作用和影响力。

    2.5小世界效应

    复杂网络的小世界效应是指尽管网络的规模很大(网络节点数目N很大),但是两个节点之间的距离比我们想象的要小得多。也就是网络的平均路径长度L随网络的规模呈对数增长,即L~In N。大量的实证研究表明,真实网络几乎都具有小世界效应。

    2.6无标度特性

    对于随机网络和规则网络,度分布区间非常狭窄,大多数节点都集中在节点度均值<k>的附近,说明节点具有同质性,因此<k>可以被看作是节点度的一个特征标度。而在节点度服从幂律分布的网络中,大多数节点的度都很小,而少数节点的度很大,说明节点具有异质性,这时特征标度消失。这种节点度的幂律分布为网络的无标度特性。

     

    3. 各种网络模型

     

    3.1 规则网络

    最简单的网络模型为规则网络,它是指系统中各元素之间的关系可以用一些规则的结构表示,也就是说网络中任意两个节点之间的联系遵循既定的规则,通常每个节点的近邻数目都相同。常见的具有规则拓扑结构的网络包括全局耦合网络(也称为完全图)、最近邻耦合网络和星型耦合网络。

    b2adf38aafaf481204c92f08c75ff96b4de086c7

    3.2 随机网络

    从某种意义上讲,规则网络和随机网络是两个极端,而复杂网络处于两者之间。节点不是按照确定的规则连线,如按纯粹的随机方式连线,所得的网络称为随机网络。如果节点按照某种自组织原则方式连线,将演化成各种不同网络。

    b0c6161f517cd03b3ed917e9aabdcf4efe346d5f

    3.3 小世界网络

    规则的最近邻耦合网络具有高聚类特性,但并不是小世界网络。另一方面,ER随机网络虽然具有小的平均路径长度但却没有高聚类特性。因此,这两类网络模型都不能再现真实网络的一些重要特征,毕竟大部分实际网络既不是完全规则的,也不是完全随机的。作为从完全规则网络向完全随机网络的过渡,Watts和Strogtz于1998年引入了一个小世界网络模型,称为WS小世界模型。

    c952ab032db15d58f481c8f873862d0e96664ce6

    3.4 无标度网络

    很多网络(包括Internet和新陈代谢网络等)都不同程度拥有如下共同特性:大部分节点只有少数几个链接,而某些节点却拥有与其他节点的大量链接,表现在度分布上就是具有幂律形式,即P(k)~k—γ。这些具有大量链接的节点称为“集散节点”,所拥有的链接数可能高达几百、几千甚至几百万。包含这种集散节点的网络,由于网络节点的度没有明显的特征长度,故称为无标度网络。

    b97cf151f52b69530e21e3e3037126f845d7dd66

     

    3.5 自相似网络

    自相似是相似中的一种特殊情况,它是指系统的部分和整体之间具有某种相似性,这种相似性不是两个无关事物间的偶然近似,而是在系统中必然出现并始终保持的。这种自相似是层次复杂网络共有的拓扑性质,而自相似又是分型的一个基本特征,所以复杂系统与各层次子系统之间的自相似性,可以利用分形加以描述。

    f0846279c4942df98b37e3d5a916adddf87c0776

     

     

    4. 复杂网络主要研究内容及应用

    4.1 主要研究内容

    复杂网络模型:

    • 典型的复杂网络:随机网、小世界网、无标度网等;
    • 实际网络及其分类。

    网络的统计量及与网络结构的相关性:

    • 度分布的定义和意义,聚集性、连通性的统计量及其实际意义等。

    复杂网络性质与结构的关系:

    • 同步性、鲁棒性和稳定性与网络结构的关系。

    复杂网络的动力学:

    • 信息传播动力学、网络演化动力学、网络混沌动力学。

    复杂网络的复杂结构:

    • 社团结构、层次结构、节点分类结构等。

    网络控制:

    • 关键节点控制、主参数控制和控制的稳定性和有效性。

    4.2 复杂网络的应用

    • 复杂网络与生物体的新陈代谢系统、大脑神经网络相结合;
    • 复杂网络与生物传染病相结合、在流行病传播与免疫控制方面的研究;
    • 复杂网络上的博弈;
    • 复杂网络在交通网络与社会经济中的应用;
    • 复杂网络在通信网络中的应用;
    • 复杂网络在计算机网络与互联网中的应用;
    • 复杂网络在传感器网络中的应用;
    • 复杂网络在语言词汇网络和社会意见传播等方面的应用等。

    技术网络:

    6ecb682c71682c50fbf4edd44f6f614d9bcfbc6e

     

    计算机互联网络已经发展成为一个巨大的复杂系统,网络的数以千万计的终端用户通过网关和路由器(网络节点)相连,形成一个非常复杂的不规则的拓扑结构而且,越来越多的信息按照协议通过互联网络由各种信息资源传给不同的终端用户(随着用户数量和网络连接的迅猛增加,网络拓扑结构更为复杂,导致网络传输速率下降和等待时间加长,从而使得网络拥塞网络的拥塞又使得人们不停的改进网络协议和操作系统、增加网络带宽、增加和优化网络资源,以利于网络更为有效合理的使用。[32]

    61d086ecf608b75583a9c1a7952528d3f034ba73

    现实世界中的许多系统都可以用复杂网络来描述,力系统是人类创造的最为复杂的网络系统之一。当前经典的网络模型与实际电力网络存在较大差异。从电力网络本身的演化机理入手,提出并研究了一种可以模拟电力网络演化规律的新型局域世界网络演化模型。[33]

    社会网络:

     

    79b0802dfe4a62960c67b243c0fabc19aa2ab76e

    朋友关系网作为一种典型的社会网络,受到了复杂网络领域诸多学者的关注。顾名思义,朋友关系网是根据人们之间的朋友关系所建立的网络,以人为节点,两人之间若有朋友关系则连接一条边。一些学者之前对朋友关系网的研究也获得了许多成果。[34]

    99f6814b0279e9b1e23963c5a9dbfbf59c016ae9

    引文网络是体现知识生产、传播过程的一个重要方面。随着知识量的迅速增长,引文网络已经形成了一个超大规模的网络系统。然而,科学计量学领域中关于大型引文网络的研究还非常少,关于引文网络中知识生产和传播过程的研究更是少有涉及。

    本文立足于科学学引文网络,整合复杂网络理论和社会网络分析方法,从宏观、微观和中观三个层面对科学学的引文网络进行研究,探讨网络的结构及其对知识的流动传播产生的影响。 对从SCI中下载的数据进行了权威控制并对其进行纠错,力图使研究最接近于真实情况。在此基础上对科学学引文网络的整体结构进行了研究,发现科学学引文网络同时具有复杂网络的“无标度”、“小世界”和“高集聚”的特性。科学学引文网络的整体结构适宜于知识快速流动,但是知识传播的路径还有待于进一步的优化。[35]

    交通运输网络:

    199d2ce69923583bfa756357d3795783740b6f47

    在城市道路交通网络中,于恶劣天气、交通事件等可能造成一个或少数关键路段或路口失效(如堵塞),些失效路段或路口会通过路段、路口间的相互关联引起其它路段或路口失效,成连锁效应,终导致整个网络或局部崩溃,就是级联失效。[36]

    aef1148191a97c7931aec5b1a2c38e3d6624ca0c

    基于整个航空运输网络研究航班延误及其产生的次生衍生突发事件链式效应。以航班延误为中心,讨航班延误及其波及的发生发展过程,立基于阶段细分的航班延误波及模型;

    根据导致航班延误的原因以及次生衍生事件链式效应规律,理由航班延误及其波及导致的下游航班或下游机场航班延误等一系列次生衍生事件链,建航班延误次生衍生事件链式网络;

    通过建立航空运输网络结构,拟航班延误及其次生衍生事件链式效应的传播扩散过程,精确预测航班延误引发的次生衍生事件,量分析航班延误波及效应的影响程度。有助于民航应急管理部门有针对性地预防和管控航班延误可能发生的次生衍生事件,而有效地缓解由航班延误波及引发的次生衍生事件的后果与影响,低航班延误的损失。[37]

    de8d2234bfa87f25282d4cc5496ddda779055dc1

    随着城市化进程的加速,人们出行日益增加,城市的交通拥堵问题越来越严重。公共交通是解决城市拥堵问题最为有效的途径,而城市公共交通网络容量是城市公共交通的一项重要研究。大量的研究如,如何定义城市公共交通网络容量;如何确定影响因素以及计算容量的大小。[38]

    生物网络:

    b83143ff6d7c485be8f2e43415c67fb66d54174d

    生态网络是对生态系统中物质、能量流动进行模拟的结构模型。生态网络分析是指对生态网络进行分析的方法和理论。它在年代后期开始引起人们的注意。其领域涉及生态网络流动分析、信息分析、随机分析、结构分析以及灵敏度分析等。它是系统生态学的重要分支。[39]

    3b778d4697b882a4241176465e9d0557f4ed56ef

     

    随着人类基因组测序工作的完成,蛋白质组学的研究逐渐成为生命科学领域中的研究热点,对其研究有助于人类更好地理解在生物过程中蛋白质的作用。蛋白质相互作用网络是一个生命有机体内所有相互作用的蛋白质连接而成的一种复杂网络。[40]

    8eb5da2347c078be1d840bdfaead2319f17c3a31

     

    人脑是由大量的神经元细胞组成的,神经元的工作产生了人脑的智能,人脑的研究导致了神经网络这一门学科的诞生,以说脑科学和神经科学的发展对神经网络研究的进展起到了很大的帮助和引领作用。模拟人类或者其他高级灵长类动物、哺乳动物、鸟类等的视觉、听觉、语言理解等功能的原理,是神经网络研究的初衷,这也是为什么神经网络领域的研究常常和脑科学以及神经学、认知学等领域存在交叉。

    由此而发展起来的机器学习可以分为两大类:有监督学习和无监督学习。有教师监督的学习指的是所学习的数据样本是标注好的,学习模型在学习的时候知道要学习的结果是什么样,然后根据已知的结果去调节学习的过程和模型本身的参数,监督学习指的是数据样本没有标注,学习模型无法得知学习的最终结果,能按照一定的规则去学习未知的结果。[41]

     

    5. 复杂网络研究相关著作及论文

     

    [1] 谢逢洁. 复杂网络上的博弈[M]. 清华大学出版社, 2016.

    [2] 蒋忠元, 梁满贵. 复杂网络传输容量分析与优化[M]. 北京交通大学出版社, 2016.

    [3] 孙玺菁, 司守奎. 复杂网络算法与应用[M]. 国防工业出版社, 2015.

    [4] 李凤华, 熊金波. 复杂网络环境下访问控制技术[M]. 人民邮电出版社, 2015.

    [5] 苏厚胜, 汪小帆. 复杂网络化系统的牵制控制:英文版[M]. 上海交通大学出版社, 2014.

    [6] 张子柯. 大数据下复杂网络的机遇与挑战[M]. 科学出版社, 2014.

    [7] 傅新楚, MichaelSmall, 陈关荣,等. 复杂网络传播动力学:模型、方法与稳定性分析[M]. 高等教育出版社, 2014.

    [8] 陆再珍. 基于复杂网络理论的城市轨道交通系统[M]. 2013.

    [9] 郭进利. 复杂网络和人类行为动力学演化模型[M]. 科学出版社, 2013.

    [10] 何铮. 复杂网络在管理领域的应用研究[M]. 电子科技大学出版社, 2013.

    [11] 陈关荣, 汪小帆, 李翔. 复杂网络引论[M]. 高等教育出版社, 2012.

    [12] 郭世泽. 复杂网络基础理论[M]. 科学出版社, 2012.

    [13] 王维红. 金融危机沿国际贸易网络跨国传播研究:基于复杂网络理论[M]. 企业管理出版社, 2012.

    [14] 刘颖. 复杂网络视角下的知识传播[M]. 中国人民大学出版社, 2012.

    [15] 温磊. 基于复杂网络的供应链建模与仿真研究[M]. 河北大学出版社, 2012.

    [16] 刘健. 复杂网络社团结构的动力学方法研究[M]. 北京大学, 2011.

    [17] 李岸巍. 细胞自动机及其在复杂网络中的应用[M]. 人民邮电出版社, 2011.

    [18] 谭利. 复杂网络模型及应用研究[M]. 中南大学出版社, 2010.

    [19] 吴建军. 城市交通系统复杂性:复杂网络方法及其应用[M]. 科学出版社, 2010.

    [20] 谭玲玲. 中国煤炭需求复杂网络结构建模研究[M]. 经济管理出版社, 2009.

    [21] 汪小帆. 复杂网络理论及其应用[M]. 清华大学出版社, 2006.

    [22] 郭雷, 许晓鸣. 复杂网络[M]. 上海科技教育出版社, 2006.

    [23] Hofman J M, Sharma A, Watts D J. Prediction and explanation in social systems.[J]. Science, 2017, 355.

    [24] Newman, Barabasi, Watts. The Structure and Dynamics of Networks. Princeton University Press, 2006.

    [25] S.Boccaletti, et al. Complex Networks: Structure and dynamics, Phys. Rep. 424 (2006) 175-308.

    [26] E. Ben-Naim, et al. Complex Networks, Springer, 2004.

    [27] S. N. Dorogovtesev, J.Mendes. Evolving of Networks, Oxford Un. Press, 2003.

    [28] Ebel H, Mielsch L I, Bornholdt S. Scale-free topology of e-mail networks[J]. Phys Rev E Stat Nonlin Soft Matter Phys, 2002, 66(3 Pt 2A):035103.

    [29] Albert R, Barabási A. Statistical mechanics of complex networks[J]. Review of Modern Physics, 2002, 74(1):47-97.

    [30] Barabási A, Albert R. Emergence of Scaling in Random Networks[J]. Science, 1999, 286(5439):509-512.

    [31]  Watts D J, Strogatz S H. Collective dynamics of 'small-world' networks.[J]. Nature, 1998, 393(6684):440.

    [32] 刘锋, 任勇, 山秀明. 互联网络数据包传输的一种简单元胞自动机模型[J]. 物理学报, 2002, 51(6):1175-1180.

    [33] 王光增, 曹一家, 包哲静,等. 一种新型电力网络局域世界演化模型[J]. 物理学报, 2009, 58(6):3597-3602.

    [34] 张恺, 马忠军, 李科赞. 朋友关系网络的实证统计研究[J]. 电子科技大学学报, 2014(3):336-341.

    [35] 张美平. 科学引文网络分析及其应用研究[D]. 电子科技大学, 2015.

    [36] 王正武, 王杰, 黄中祥. 控制城市道路交通网络级联失效的关闭策略[J]. 系统工程, 2016(2):103-108.

    [37] 贾萌. 基于航空网络的航班延误次生衍生事件链式效应研究[D]. 南京航空航天大学, 2015.

    [38] 刘岩, 邵岩, 王利杰,等. 城市公共交通网络容量研究[J]. 大连交通大学学报, 2015, 36(s1).

    [39] 韩博平. 生态网络分析的研究进展[J]. 生态学杂志, 1993(6):41-45.

    [40] 韩跃, 冀俊忠, 杨翠翠. 基于多标签传播机制的蛋白质相互作用网络功能模块检测[J]. 模式识别与人工智能, 2016, 29(6):548-557.

    [41]  赵国振. 基于自组织神经网的复杂网络社区发现研究[D]. 吉林大学, 2015.

    展开全文
  • 基于神经网络复杂计算机网络安全评价指标体系建立及应用研究.pdf
  • 卷积神经网络复杂核素识别中的应用.pdf
  • BP神经网络复杂储层流体识别中的应用.pdf
  • 针对热力站为多变量、非线性、强...以包头某热力站大量实时工况数据通过tensorflow框架搭建神经网络模型,仿真对比结果表明,长短时记忆网络建模能有效地减小建模误差,进一步提高神经网络在热力站系统建模中的精度。
  • 多模态神经网络复杂大数据特征学习中的应用.pdf
  • 基于BP神经网络的气体钻井复杂工况预警技术研究与应用.pdf
  • 神经网络技术在复杂断块油藏水淹层评价中的应用.pdf
  • BP和RBF神经网络复杂型面零件点云漏洞的修补应用.pdf
  • 神经网络辅助的多目标粒子群优化算法在复杂产品设计中的应用.pdf
  • 在传统的模糊神经网络中引入递归环节和补偿环节,构成...对典型的热工对象以及复杂的ALSTOM 气化炉进行的建模计算结果表明,提出的CRFNN具有优良的动态响应特性和很强的学习能力,值得在热工建模与控制领域中推广应用
  • 在工程应用中经常会遇到一些复杂得非线性系统,这些系统状态方程复杂,难以用数学方法准确建模。这种情况下,可以建立BP神经网络表达这些非线性系统。该方法把未知系统看成是一个黑箱,首先用系统输入输出数据训练BP...
  • 基于BP神经网络的填海区复杂地层盾构掘进参数预测与应用.pdf
  • 目前主流的通风网络解算方法有回路法和节点法,节点法相对回路法有着很多优势,但一直没有被普遍应用。...结果证明研究开发的节点法中风机的处理方法和网络建模方法具有可行性与通用性,可以处理真实矿井的复杂情况。
  • 摘要:针对无线通信环境的复杂特性,为了实现无线通信系统快速准确的建模仿真,应用GNU Radio和USRP组成的软件无线电系统作为新的建模仿真方法。  本文介绍并分析该方法的软件特性和硬件架构,进行MPSK调制系统在...
  • 网络安全中人类行为的各个方面为用户提供了更自然的安全性。 这项研究将预期网络威胁及其抽象层次结构层次的外观集中在人类的心理画面水平上。... 在这些方法中,模型中考虑了网络攻击复杂性的影响。
  • 针对工业生产过程的复杂性和时变性, 提出一种用于工业生产过程建模的自适应监督式分布 神经网络(SDNN )。介绍了SDNN 网络的结构和自适应学习方法, 并将 SDNN 网络与传统建模方法相 结合, 应用于铅锌烧结...
  • 针对水轮发电机组的复杂动态特征,提出一种新的动态递归模糊神经网络结构,并将其应用于解决水轮发电机组的建模问题’通过在网络规则层引入乘积运算,使得复杂模糊规则容易提取,模糊推理功能易于实现.在网络隐层中引入...
  • 基于BP网络的跳汰机松散度软测量建模应用研究,牛洪科,李建刚,床层松散度测量系统为复杂的非线性系统,用传统的数学方法很难解决。针对这一问题,本文利用BP神经网络具有的非线性动态处理能力�

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 83,956
精华内容 33,582
关键字:

复杂网络建模应用