% 节点数 N = 100; % 边数 M = 300; % 节点状态，1表示正面态度，-1表示负面态度 state = ones(N, 1); % 邻接矩阵 A = zeros(N, N); % 随机生成边 for i = 1:M x = randi(N); y = randi(N); if x ~= y A(x, y) = 1; A(y, x) = 1; end end % 模拟舆情传播 for t = 1:100 % 随机选取一个节点进行状态更新 i = randi(N); % 计算节点i的邻居节点的平均态度 average_state = sum(A(i, :) .* state') / sum(A(i, :)); % 更新节点i的态度 if average_state > 0 state(i) = 1; else state(i) = -1; end end % 统计正面态度节点和负面态度节点数目 pos_num = sum(state == 1); neg_num = sum(state == -1); % 绘图展示 figure; subplot(1, 2, 1); gplot(A, [rand(N,1),rand(N,1)], '_*'); title('网络结构'); subplot(1, 2, 2); bar([pos_num, neg_num]); title('正面态度和负面态度节点数目');

这段代码是一个简单的模拟舆情传播的例子，主要包括以下几个步骤：

1. 初始化节点状态和邻接矩阵。节点数为N，初始状态都为1（即正面态度），邻接矩阵A为N×N的零矩阵。

2. 随机生成边。生成M条边，保证任意两个节点之间只有一条边。

3. 模拟舆情传播。重复执行100次，每次随机选择一个节点i，计算其邻居节点的平均态度，如果大于0，则节点i的状态为1，否则为-1。

4. 统计正面态度和负面态度节点数目。计算所有节点中状态为1和-1的个数。

5. 绘图展示。绘制网络结构和正面态度和负面态度节点数目的柱状图。

该例子简单直观地展示了舆情传播的过程，可以帮助理解社交网络中信息传播的规律和机制。