没有合适的资源?快使用搜索试试~ 我知道了~
基于网络熵的小世界网络演化分析
0AASRI Procedia 5 ( 2013 ) 274 – 28002212-6716 © 2013 The Authors. Published by Elsevier B.Vunder responsibility of American Applied Science Research Institute doi:10.1016/j.aasri.2013.10.0890ScienceDirect02013 AASRI Conference on Parallel and Distributed Computing and Systems0基于小世界网络演化的分析0网络熵0Liangxun Shuo, Yiying Chen, Zexin Zhang和Wenbin Li*0信息与网络安全实验室,石家庄经济学院,河北石家庄050031,中国0摘要0在规模自由或小世界网络的建模算法中,对节点的修改表示系统组成部分的新陈代谢,而对边的修改则代表系统结构的新陈代谢。由于节点和边的修改,网络结构以及网络的熵都会发生变化。因此,本文使用网络熵来描述系统的代谢过程。基于网络熵,对WS模型进行了分析。结论是,首先WS网络的网络熵变化呈U型。其次,在相同条件下,p的值影响熵图的下降和上升速率。而K决定了从下降到上升的时间。01. 引言01998年和1999年发表在《自然》和《科学》上的两篇文章被认为是小世界网络和无标度网络的开创性研究。0小世界网络[1]和无标度网络[2]的开创性研究。从那时起,复杂网络的实证研究越来越多,引起了复杂网络研究的热潮。0* WenbinLi。电话:+86-0311-87207591;传真:+86-0311-87208591。电子邮件地址:mr.liwb@gmail.com。0在线提供:www.sciencedirect.com0根据知识共享署名-非商业性使用-禁止演绎许可协0根据知识共享署名-非商业性使用-禁止演绎许可协议进行开放获取。0根据知识共享署名-非商业性使用-禁止演绎许可协议进行开放获取。0275 Liangxun Shuo et al. / AASRI Procedia 5 ( 2013 ) 274 – 2800不同网络的结构特征以及各种网络建模算法的发布,引起了复杂网络研究的热潮。目前,复杂网络的研究主要集中在三个领域[3]:网络模型的演化、复杂网络的稳定性、复杂网络的动力学。复杂网络的创建是指网络的形成过程。创建算法被称为复杂网络的演化模型。近年来,这个领域是最活跃的研究领域之一。这个领域的研究主要集中在:网络形成机制的规律、随机图的生成机制和模型、小世界网络的生成机制和模型、无标度网络的生成机制和模型、演化网络的形成机制和确定性网络的形成机制等。尽管这个领域的研究结果相当丰富,但仍然存在一些问题[3]:需要进一步研究小世界效应的新机制,缺乏符合真实系统三个统计特性的随机网络模型;对演化网络拓扑的分析方法的理解仍需探索;考虑动力学和其他因素的模型较少;对现实生活中特定网络的幂律形成机制仍需深入研究。本文重点探讨了WS小世界网络的形成机制,以理解经典演化算法。基于图熵,分析了WS模型生成的网络的特征。对于研究人员来说,本文的方法和结论对进一步解决建模复杂网络的问题具有参考价值。对于提出新的复杂网络模型,本文提供了新的视角。在我们看来,这是一次新的尝试。02. 网络熵与WS模型的分析0从网络的角度来看,系统的生成和演化可以总结为两个方面:一是节点的变化,二是连接的变化[4]。前者代表系统组成部分的新陈代谢,后者代表系统结构的新陈代谢。自然而然地,我们想知道在系统的代谢过程中熵是如何变化的。它是增加、减少、循环或不规则变化?只有对代谢过程有全面的了解,才能对系统进行“控制”。这种“控制”体现在设计更加现实的网络模型中。WS、NW[5]、BA模型(或其他模型)由于网络的节点或边的变化,网络的熵随着结构的变化而变化。因此,使用网络熵来描述系统的代谢过程是很自然的。02.1. 网络熵0假设在系统S中存在多个事件,用S =0n0i01 1,那么Ei的信息量为0i b E p I i log (1)0其中,b为2或自然常数e。从公式(1)可以看出,较小概率事件所携带的信息量大于较大概率事件所携带的信息量。熵被定义为整个系统S的平均信息量,即: (3) 0276 Liangxun Shuo et al. / AASRI Procedia 5 ( 2013 ) 274 – 2800n0n0i E i s p p p I H i 1 1 log (2)0熵反映了系统的有序程度。熵越大,系统越无序。很容易知道,当所有概率相等时,熵达到最大值。当pi=0(i=1,...,n)时,熵达到最小值0,即Hs>=0。具有N个节点(即S)的复杂网络,其网络熵被定义并归一化为:0其中,pi定义为0n0i i i i d01 / di 表示第i个节点的度。02.2. 基于网络熵的分析算法0为了分析WS模型[1],我们提出了算法1。在网络演化的过程中,网络熵不断变化。算法1会逐个记录在过程中生成的网络熵。网络熵的趋势反映了WS模型在生成过程中所经历的熵的变化。根据网络熵的变化,可以分析WS模型的特征,从而可以改进甚至提出一个新的模型。算法1中第1行定义的链表用于记录每次迭代中计算出的网络熵。第3行用于选择要重新连接的边e。当满足条件(即1-p<=p')时,e将被连接(见第6~9行)。1-p越大,p越小。而p'落在阴影区域的可能性较小。换句话说,在较小的p下,IF语句执行的可能性较小。这意味着重新连接e的可能性较小。相反,1-p越小,重新连接e的可能性越大。每次重新连接都意味着网络熵的变化。在重新连接边之后,将计算“新”网络的网络熵(见第11行)。计算得到的网络熵将保存到链表中(见第12行)。链表中记录的网络熵清楚地反映了系统形成过程中的代谢趋势。0算法1. 基于网络熵的WS模型分析算法0输入: 由N个节点组成的环形邻居耦合网络,其中每个节点i与其邻居节点相邻,i = 1, 2,..., K /2,其中K是偶数。这里,K = 2 k (1 <= k <= N / 2)。输出: 网络熵的链接列表。过程: 1.初始化网络熵的链接列表L; //i表示网络中的第i条边 2. FOR(i = 1; i <= N * k; ++i) 3.选择第i条边(表示为e),假设其两个节点分别为:e i 0 ,e i 1 ; 4. 在范围(0,1]内生成一个随机数p'; 5. IF(1 - p < p') THEN //以概率p'随机重新连接网络的每条边0277 梁勋硕等. AASRI Procedia 5 (2013) 274-28006. 随机选择一个节点e,假设它是e i 0 ; 7. // P表示所有节点的集合 8.在P中随机选择一个节点(假设它是e' i 1 ),e' i 1 不能与e i 0 之前连接过; 9. 将e i 0 与e'i 1 连接; 10. 删除e; 11. 计算当前小世界网络的网络熵; 12.将以上网络熵添加到链接列表L中;02.3. 实验结果和分析0本文在基于算法1的WS模型上进行了一系列实验,旨在揭示主要参数对结构的影响。同时,基于网络熵的变化,对WS模型进行了分析。我们主要考虑了n、K和p的各种组合。实验I.它包括九个小实验。在这九个实验中,n固定为100,分别将K和p设置为三个不同的值。具体而言,k分别设置为2、8或40,p =0.1、0.5或0.9。图1(a)-(d)显示了这九个实验的结果。从这个图中不难得出以下结论:1)总体而言,在建模的早期阶段,网络熵呈下降趋势。然而,它在后期呈上升趋势。总体而言,变化呈U形。2)在相同的n和K条件下,较大的p使网络熵的变化点从下降转为上升的时间更早。3)在参数适当的情况下,熵在网络演化到一定程度时最终会接近初始水平。4)当迭代次数和p值设置为足够大时,熵在算法完成大约一半的迭代时呈下降趋势转为上升趋势。5)对于特定的n、p、K,在演化的后期阶段,网络熵回到较大的值,表明网络再次变得更加规则(即,每个节点的度变得更加均匀)。我们解释这一现象为:通过重新洗牌(边重新连接),网络从初始规则演化到新的规则。图1(c)显示了红色曲线(代表K = 40,n = 100,p =0.1的实验结果)呈直线。因此,我们在图1(d)中分别给出了该实验结果。从图1(d)可以观察到,该实验的网络熵的变化是明显的。实验II:它也包括9个小实验。在这九个实验中,n固定为1000,K分别设置为4、20或100。与实验I相比,这个实验中n的值变大了,相应地,K也变大了。p的设置与实验I相同。图1(e)-(i)显示了实验II的结果。这些结果再次证实了实验I的结论。也就是说,总体而言,网络熵的趋势与n、K和p无关。这些图符合U形定律(即,从下降到上升,最后稳定)。为了更清楚地显示K = 100,n = 1000,p =0.1的实验结果,给出了图1(i)。实验III:它包括三个小实验。在这些实验中,n固定为较大的值10000,K固定为较小的值4。分别设置p =0.1、0.5或0.9。在这3个小实验中,发现当n足够大时,网络熵的总体趋势与前两个实验相同。0278 梁勋硕等. AASRI Procedia 5 (2013) 274-2800 (a) (b)0 (c) (d)0 (e) (f)0279 梁勋硕等. AASRI Procedia 5 (2013) 274-2800 (h) (i)0图1. 实验中的网络熵趋势0从上述结果得出的结论如下。1)在相同条件下,p值影响熵的平坦程度。具体而言,p值越大,网络熵的图形越陡峭,反之,越平坦。2)在相同条件下,K值影响到下降过程中的时间。具体而言,K值越大,时间越向前,反之,越向后。前面提到,WS网络是通过预先给定的规则网络的“重新连接边”来构建的。根据这一点,可以推测上述结论的原因如下。1)在相同条件下,较大的p意味着重新连接选定边的概率更大。重新连接的边的数量对网络熵具有更大的潜在影响。必然地,这使得网络熵的变化趋势更加明显。2)在相同条件下,对于一个节点,较大的K意味着与其相连的其他节点更多。此外,网络中的边也更多。总体而言,将发生更多的重新连接。因此,更有可能引起网络熵的变化。这必然会使网络熵的变化趋势从下降到上升的时间不可避免地推迟。03. 结论0本文分析了小世界网络建模算法。基于网络熵,研究了WS网络建立过程中网络熵的趋势。对于WS模型,p和K对其网络熵有一定影响。总体而言,WS模型的网络熵趋势呈现U形。进一步的研究包括:无标度网络的网络熵趋势如何?从网络熵的角度,我们将考虑设计一种新的小世界网络建模算法。0参考文献0[1] D.J. Watts , S.H. Strogatz. 小世界网络的集体动力学. 自然, 393, 1998: 440-442. [2] A. L. Barabasi,R.Albert and H. Jeong. 无标度随机网络的平均场理论, 物理学报 A 272, 1999: 173-187.0280 梁勋硕等. AASRI Procedia 5 (2013) 274-2800[3] 张展钊. 复杂网络演化模型. 大连理工大学博士学位论文, 2006. [4] 苗德胜. 系统科学大学演讲.人民大学出版社, 北京, 2007. [5] 何天才. 复杂网络模型. 经济市场. 2007, (2): 81-85. [6] 王晓峰, 李欣, 陈荣.复杂网络理论与应用, 清华大学出版社, 北京, 2006. [7] M. E. J. Newman, D. J. Watts.小世界网络模型的重整化群分析, 物理学报 263, 1999: 341-346. [8] A. Barrat, M. Weigt.关于小世界网络的特性, 欧洲物理杂志 B 13, 2000:547. [9] M. E. J. Newman. 复杂网络的结构和功能. SIAM综述, 2003, 45:167-256.
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- C++多态实现机制详解:虚函数与早期绑定
- Java多线程与异常处理详解
- 校园导游系统:无向图实现最短路径探索
- SQL2005彻底删除指南:避免重装失败
- GTD时间管理法:提升效率与组织生活的关键
- Python进制转换全攻略:从10进制到16进制
- 商丘物流业区位优势探究:发展战略与机遇
- C语言实训:简单计算器程序设计
- Oracle SQL命令大全:用户管理、权限操作与查询
- Struts2配置详解与示例
- C#编程规范与最佳实践
- C语言面试常见问题解析
- 超声波测距技术详解:电路与程序设计
- 反激开关电源设计:UC3844与TL431优化稳压
- Cisco路由器配置全攻略
- SQLServer 2005 CTE递归教程:创建员工层级结构
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功