*编制程序实现基于随机图理论构建节点数N=100的随机网络，并分别绘制不同p值情况下的随机网络的度分布。* P值分别以0.1为步长从0到1取

在Python中，你可以使用`networkx`库结合`matplotlib`来实现这个任务。随机图理论中，`erdos_renyi_graph`函数常用来生成给定节点数和边概率的随机图。下面是一个简单的步骤指南：

1. **安装所需的库**：
如果还没安装，首先确保安装了`networkx`和`matplotlib`，如果没有可以运行：

   pip install networkx matplotlib

2. **导入必要的模块**：

   import networkx as nx
   import matplotlib.pyplot as plt
   import numpy as np

3. **设置网络参数**：
定义节点数 `N = 100` 和一系列不同的边概率 `p_values`，例如0.1步长从0到1：

   N = 100
   p_values = np.arange(0, 1.1, 0.1)  # 0到1之间每0.1取一个值

4. **创建并绘制随机网络**：
循环遍历所有 `p_values`，对每个概率创建一个新的网络，然后计算和绘制度分布：

   for p in p_values:
       G = nx.erdos_renyi_graph(N, p)
       degree_sequence = list(G.degree())
       degrees = [d[1] for d in degree_sequence]
       plt.figure(figsize=(8, 6))
       plt.hist(degrees, bins='auto', density=True, alpha=0.5, label=f"p={p:.1f}")
       plt.legend(loc="upper right")
       plt.title(f"Degree distribution for N = {N}, p values from 0 to 1 with step 0.1")
       plt.xlabel("Degree")
       plt.ylabel("Probability Density")
       plt.grid(True)
       plt.show()

5. **保存结果**：
每次绘图后，可以根据需求保存图片到文件。

在这个过程中，你会得到一系列随机网络的度分布，对应不同的边概率 `p` 值。随着 `p` 增大，网络变得更稠密，度分布可能会更倾向于高度集中于少数几个节点（如果接近完全连接状态），反之则更为均匀。