next up previous
Next: 结束语 Up: 解析与数值计算方法 Previous: 随机网络的几何性质

Scale Free网络的偏好依附模型

对偏好依附模型的一般处理方法包含连续性方法[18,21],速率方程[20,23],Master方程[19]与 生成函数方法[9],这也是统计物理学经常使用的方法。这一节,我们围绕偏好依附模型的幂率分布形式介绍连续性方法, 速率方程与Master方程在复杂网络研究中的应用。

考虑Scale Free网络的偏好依附模型,从顶点的度值变化的角度,假设其度值连续,我们有如下方程,

$\displaystyle {\frac{{\partial k_{i}}}{{\partial t}}}$ = m$\displaystyle \Pi$$\displaystyle \left(\vphantom{k_{i}}\right.$ki$\displaystyle \left.\vphantom{k_{i}}\right)$ = m$\displaystyle {\frac{{k_{i}}}{{\sum k_{j}}}}$ (28)
每一步我们加入m条边,即增加2m个度值,于是 $ \sum$kj = 2mt + m0,则

$\displaystyle {\frac{{\partial k_{i}}}{{\partial t}}}$ = $\displaystyle {\frac{{k_{i}}}{{2t}}}$ (29)
顶点ki是在ti时刻进入系统的,且满足初始条件 ki$ \left(\vphantom{t_{i}}\right.$ti$ \left.\vphantom{t_{i}}\right)$ = m,于是

ki$\displaystyle \left(\vphantom{t}\right.$t$\displaystyle \left.\vphantom{t}\right)$ = m$\displaystyle \left(\vphantom{\frac{t}{t_{i}}}\right.$$\displaystyle {\frac{{t}}{{t_{i}}}}$$\displaystyle \left.\vphantom{\frac{t}{t_{i}}}\right)^{{\frac{1}{2}}}_{}$ (30)
利用上式,结合ti的分布,就可以知道任意t时刻ki的分布,即

P$\displaystyle \left(\vphantom{k_{i}\left(t\right)<k}\right.$ki$\displaystyle \left(\vphantom{t}\right.$t$\displaystyle \left.\vphantom{t}\right)$ < k$\displaystyle \left.\vphantom{k_{i}\left(t\right)<k}\right)$ = P$\displaystyle \left(\vphantom{t_{i}>\frac{m^{2}t}{k^{2}}}\right.$ti > $\displaystyle {\frac{{m^{2}t}}{{k^{2}}}}$$\displaystyle \left.\vphantom{t_{i}>\frac{m^{2}t}{k^{2}}}\right)$. (31)
t时刻, ti $ \in$ $ \left[\vphantom{0,t}\right.$0, t$ \left.\vphantom{0,t}\right)$的分布函数为

P(ti) = $\displaystyle {\frac{{1}}{{m_{0}+t}}}$. (32)
结合以上两式就可以得到ki的分布,

P(k) = $\displaystyle {\frac{{\partial P\left(k_{i}\left(t\right)<k\right)}}{{\partial k}}}$ = $\displaystyle {\frac{{2m^2t}}{{m_{0}+t}}}$$\displaystyle {\frac{{1}}{{k^3}}}$ $\displaystyle \sim$ 2m2k-3(t $\displaystyle \rightarrow$ $\displaystyle \infty$). (33)

方程(28)是一种平均意义上的描述,实际随机过程中所加入的边只是按照 $ \Pi$$ \left(\vphantom{k_{i}}\right.$ki$ \left.\vphantom{k_{i}}\right)$的分布来选择,并不能保 证确实让每一个顶点的度值增加那么大,也正是因此称为连续性方法,所以对实际随机过程分布函数演化的描述需要用到其他方法。引入分布 函数 p$ \left(\vphantom{k;t_{i},t}\right.$k;ti, t$ \left.\vphantom{k;t_{i},t}\right)$,表示ti时刻引入系统的顶点在t时刻度值为k的几率,其初始条件为 p$ \left(\vphantom{k;t_{i},t_{i}}\right.$k;ti, ti$ \left.\vphantom{k;t_{i},t_{i}}\right)$ = $ \delta$$ \left(\vphantom{k-m}\right.$k - m$ \left.\vphantom{k-m}\right)$,,满足如下Master方程,

p$\displaystyle \left(\vphantom{k;t_{i},t+1}\right.$k;ti, t + 1$\displaystyle \left.\vphantom{k;t_{i},t+1}\right)$ = p$\displaystyle \left(\vphantom{k;t_{i},t}\right.$k;ti, t$\displaystyle \left.\vphantom{k;t_{i},t}\right)$ + wget$\displaystyle \left(\vphantom{k-1}\right.$k - 1$\displaystyle \left.\vphantom{k-1}\right)$p$\displaystyle \left(\vphantom{k-1;t_{i},t}\right.$k - 1;ti, t$\displaystyle \left.\vphantom{k-1;t_{i},t}\right)$ - wget$\displaystyle \left(\vphantom{k-1}\right.$k - 1$\displaystyle \left.\vphantom{k-1}\right)$p$\displaystyle \left(\vphantom{k;t_{i},t}\right.$k;ti, t$\displaystyle \left.\vphantom{k;t_{i},t}\right)$ (34)
其中 wget$ \left(\vphantom{k}\right.$k$ \left.\vphantom{k}\right)$ = $ {\frac{{k}}{{2t}}}$。所有顶点的度值分布定义所有不同时刻加入系统的顶点的平均行为,即

P$\displaystyle \left(\vphantom{k}\right.$k$\displaystyle \left.\vphantom{k}\right)$ = $\displaystyle \lim_{{t\rightarrow\infty}}^{}$$\displaystyle {\frac{{\sum_{t_{i}}p\left(k;t_{i},t\right)}}{{t}}}$. (35)
有以上两式可以求得度分布

P$\displaystyle \left(\vphantom{k}\right.$k$\displaystyle \left.\vphantom{k}\right)$ = $\displaystyle {\frac{{2m\left(m+1\right)}}{{k\left(k+1\right)\left(k+2\right)}}}$ $\displaystyle \sim$ k-3. (36)

速率方程从另一个分布空间描述。t时刻度值为k的顶点组成一个集团,集团大小为 Nk$ \left(\vphantom{t}\right.$t$ \left.\vphantom{t}\right)$。当新顶点进入系统时, Nk可能发生改变,其变化率满足如下方程,

$\displaystyle {\frac{{dN_{k}\left(t\right)}}{{dt}}}$ = mWget$\displaystyle \left(\vphantom{k-1}\right.$k - 1$\displaystyle \left.\vphantom{k-1}\right)$ - mWget$\displaystyle \left(\vphantom{k}\right.$k$\displaystyle \left.\vphantom{k}\right)$ + $\displaystyle \delta_{{k,m}}^{}$. (37)
其中 Wget$ \left(\vphantom{k}\right.$k$ \left.\vphantom{k}\right)$为所有度值为k的顶点获得新的联接的几率,

Wget$\displaystyle \left(\vphantom{k}\right.$k$\displaystyle \left.\vphantom{k}\right)$ = $\displaystyle {\frac{{kN_{k}\left(t\right)}}{{\sum_{d}dN_{d}\left(t\right)}}}$. (38)
Nk同样满足方程 $ \sum_{{k}}^{}$kNk$ \left(\vphantom{t}\right.$t$ \left.\vphantom{t}\right)$ = 2mt + m0,且

P$\displaystyle \left(\vphantom{k}\right.$k$\displaystyle \left.\vphantom{k}\right)$ = $\displaystyle \lim_{{t\rightarrow\infty}}^{}$$\displaystyle {\frac{{N_{k}\left(t\right)}}{{\sum_{d}N_{d}\left(t\right)}}}$. (39)
结合一上方程可以解得度分布 P$ \left(\vphantom{k}\right.$k$ \left.\vphantom{k}\right)$,具体计算见文章[20,23]。


next up previous
Next: 结束语 Up: 解析与数值计算方法 Previous: 随机网络的几何性质
wwwwjs 2004-01-04