sis模型检验节点重要性案例python

以下是一个使用SIS模型检验节点重要性的Python案例：

import networkx as nx
import random

# 生成一个随机图
G = nx.gnm_random_graph(100, 500)

# 设置每个节点的传染率和恢复率
for node in G.nodes():
    G.nodes[node]['beta'] = random.uniform(0, 1)
    G.nodes[node]['gamma'] = random.uniform(0, 1)

# 定义SIS模型的演化函数
def sis_model(G, beta, gamma, initial_infected, num_steps):
    infected = set(initial_infected)
    for i in range(num_steps):
        new_infected = set()
        for node in G.nodes():
            if node in infected:
                # 对每个感染节点，以beta的概率传染它的邻居
                for neighbor in G.neighbors(node):
                    if random.random() < beta and neighbor not in infected:
                        new_infected.add(neighbor)
            else:
                # 对每个未感染节点，以gamma的概率让它恢复
                if random.random() < gamma:
                    new_infected.add(node)
        infected |= new_infected
    return infected

# 对每个节点进行影响力评估
scores = {}
for node in G.nodes():
    initial_infected = [node]
    final_infected = sis_model(G, G.nodes[node]['beta'], G.nodes[node]['gamma'], initial_infected, 10)
    scores[node] = len(final_infected)

# 输出前十个影响力最大的节点
rank = sorted(scores.items(), key=lambda x: x[1], reverse=True)
for i in range(10):
    print(rank[i])

以上代码中，我们首先生成一个包含100个节点、500条边的随机图，然后为每个节点设置传染率beta和恢复率gamma。接着，我们定义了一个名为sis_model()的函数，用于模拟SIS模型的演化过程，并返回最终感染的节点集合。在模拟过程中，我们以每个节点为初始感染点，运行10轮模拟，并记录最终感染的节点数作为该节点的影响力评分。

最后，我们对所有节点进行影响力评估，并输出影响力最大的前十个节点。这样，我们就可以快速得到对网络影响最大的节点，以便进行后续的分析和应用。