Matlab实现小世界网络生成及其分析

引言
社会网络的结构属性
Watts-Strogatz小世界网络生成算法
- matlab代码实现
网络结构分析
- 网络结构属性分析及实现代码
拓展补充
参考资料/文献

引言

本文的主要工作包括：

对社会网络的结构属性做了一个介绍
对群聚系数、平均路径长度以及节点度分布计算方式做了一个介绍
提供了Watts-Strogatz“小世界”网络生成算法流程及其matlab代码实现

社会网络的结构属性

我们可以用图论的语言来刻画社会网络。此时，一个社会网络可以表示为由点集V(G)V(G)V(G)和边集E(G)E(G)E(G)所共同决定的一个图G(V,E)G(V,E)G(V,E)。其中，集合V(G)V(G)V(G)的元素个数表示网络节点的个数或社会群体的规模。
进一步，为了描述不同网络结构的图的表示的特点，学者们提出并研究了许多图的属性特征。常见的图结构属性包括：

节点度：指与该节点相连的边的数目。在无向图中，节点度即为与该节点相连接的所有其他节点的数目。而在有向图中，将所有指向某节点的边的数量记为该节点的入度，所有从该节点出发指向别的节点的边的数量记为该节点的出度。网络平均度反应了网络的疏密程度。
度分布：指随机选定一个节点，该节点的度数等于kkk的概率p(k)p(k)p(k)，即网络中节点的度数等于kkk的比例。通过度分布则可以刻画不同节点的重要性。
群聚系数：用于描述网络中与同一节点相连的节点间也互为相邻节点的程度。其用于刻画社会网络中一个人朋友们之间也互相是朋友的概率，反映了社会网络中的聚集性。
介数：为图中某节点承载整个图所有最短路径的数量，通常用来评价节点的重要程度，比如在连接不同社群之间的中介节点的介数相对于其他节点来说会非常大，也体现了其在社会网络信息传递中的重要程度。
网络直径：指网络中任意两个节点之间的最短路径的最大值，影响着复杂系统的收敛时间和整个网络的稳定性。
平均路径长度：指网络中任意两个节点之间的最短路径的平均值。用来度量整体网络节点之间通信的有效性，即一个个体的信息平均传播多少距离才能被另一个个体接收。

其中，度分布、群聚系数以及平均路径长度是衡量一个网络拓扑结构鲁棒性的三个最重要的指标。

Watts-Strogatz小世界网络生成算法

前面，我们已经了解到不同的社会网络会具有不同网络结构属性。并且，我们可以根据群聚系数、平均路径长度的差异将网络结构划分为三类：

规则网络：具有明显的局部群聚结构和较大的网络群聚系数，但网络平均路径长度会随网络节点数线性增长。
随机网络：网络平均路径长度随网络节点数对数增长，但不具有局部群聚结构，即网络群聚系数很小。
“小世界”网络：具有同规则网络相当的群聚系数以及和随机网络一样较小的网络平均路径长度。

顾名思义，“小世界”网络具有着“小世界现象”，亦即“六度空间理论”。现实社会中的许多网络结构都具有这一特性。例如：蠕虫线虫的神经网络、电影演员的合作关系网络、美国西部的电力网络[1]。

基于此，Watts和Strogatz提出了一种通过重连规则网络中的已有边从而生成小世界网络的算法。
具体的算法流程图如下：

matlab代码实现

%% Copyright 2015 The MathWorks, Inc.
% H = WattsStrogatz(N,K,beta) returns a Watts-Strogatz model graph with N
% nodes, N*K edges, mean node degree 2*K, and rewiring probability beta.
%
% beta = 0 is a ring lattice, and beta = 1 is a random graph.
% Inputs:
% N: total network nodes
% K: node degree
% beta: rewiring probability beta
% Outputs:
% retG: A graph object
% retMat: The adjacency matrix
% Examples:
% [retG,retMat] = WattsStrogatz(N,K,beta); % accept two results
% retG = WattsStrogatz(N,K,beta); % only accept the graph object
% [~, retMat] = WattsStrogatz(N,K,beta); % only accept the adjacency matrix
function [retG, retMat]= WattsStrogatz(N,K,beta)
hwait = waitbar(0,'Please wait. Generating WattsStrogatz graph.');
% Connect each node to its K next and previous neighbors. This constructs
% indices for a ring lattice.
s = repelem((1:N)',1,K);
t = s + repmat(1:K,N,1);
t = mod(t-1,N)+1;% Rewire the target node of each edge with probability beta
for source=1:N    waitbar(source/N,hwait,sprintf('Please wait. Generating WattsStrogatz graph.\n%.1f %%',(source/N)*100));switchEdge = rand(K, 1) < beta;newTargets = rand(N, 1);newTargets(source) = 0;newTargets(s(t==source)) = 0;newTargets(t(source, ~switchEdge)) = 0;[~, ind] = sort(newTargets, 'descend');t(source, switchEdge) = ind(1:nnz(switchEdge));
endretG = graph(s,t); % 返回图
retMat = adjacency(retG); % 返回邻接矩阵
delete(hwait);
end

网络结构分析

在这一重连过程中，网络结构会随着边重连概率ppp的值的不同而有所改变。

相应地，网络结构属性也会有所改变。我们只考虑网络结构的群聚系数以及平均路径长度的改变情况。并且，统计了不同的边重连概率ppp下的结构属性的变化情况。

图2：群聚系数与平均路径长度随边重连概率变化的曲线图

从图2中，我们可以发现：

当边重连概率ppp在区间[0,0.01]增长时，网络结构的群聚系数不会发生太大的变化，而网络的平均路径长度却会快速下降。这就是“捷径边”的影响。影响了网络的全局结构属性
而当边重连概率进一步增加时，原来网络结构中的边随机性增强。最终在p=1p=1p=1的时候得到一个完全随机的网络。在这一过程中，群体局部的群聚结构被打破，进而导致群聚系数逐渐减小。

网络结构属性分析及实现代码

关于群聚系数和平均路径长度的定义式，已经有许多公开的不错文献。大家可以自行参考。以下只贴代码：
计算群聚系数的代码

function [acc, c] = avgClusteringCoefficient(graph)
%Computes the Average Clustering Coefficient for the undirected, unweighted
%graph input as adjacency matrix 'graph' and returns it in variable 'acc'.
%It also returns the local clustering coefficient of each node in 'c'.
%This implementation does not take into account nodes with zero degree.
%
%The definition of clustering coefficient used in this implementation was
%taken from:
%
%   Watts,D.J. and Strogatz,S.H. (1998) Collective dynamics of
%   "small-world" networks. Nature, 393, 440-442.
%
%INPUT
%   graph -> The adjacency matrix representation of a graph. It has to be a
%            NxN matrix where N is the number of nodes in the graph. This
%            parameter is required.
%
%OUTPUT
%   acc -> Average clustering coefficient of the input graph.
%   c -> Local clustering coefficient of each of the graph's nodes
%
%Example usage:
%
%   [acc, c] = avgClusteringCoefficient(my_net);
%   acc = avgClusteringCoefficient(my_net);
%   [~, c] = avgClusteringCoefficient(my_net);
%
% Copyright (C) Gregorio Alanis-Lobato, 2014%% Input parsing and validation
ip = inputParser;%Function handle to make sure the matrix is symmetric
issymmetric = @(x) all(all(x == x.'));addRequired(ip, 'graph', @(x) isnumeric(x) && issymmetric(x));parse(ip, graph);%Validated parameter values
graph = ip.Results.graph;%% Clustering coefficient computation%Make sure the graph unweighted!!!
graph(graph ~= 0) = 1; deg = sum(graph, 2); %Determine node degrees
cn = diag(graph*triu(graph)*graph); %Number of triangles for each node%The local clustering coefficient of each node
c = zeros(size(deg));
c(deg > 1) = 2 * cn(deg > 1) ./ (deg(deg > 1).*(deg(deg > 1) - 1)); %Average clustering coefficient of the graph
acc = mean(c(deg > 1));
end

计算平均路径长度的代码

function [APL, L] = avgPathLength(adjMat)
%Computes the Average path length for the undirected, unweighted
%graph input as adjacency matrix 'adjMat' and returns it in variable 'APL'.
%It also returns the global path length of each node in 'L'.
%This implementation does not take into account nodes with zero degree.
%
% Average path length is a concept in network topology that is defined as
% the average number of steps along the shortest paths for all possible
% pairs of network nodes. It is a measure of the efficiency of information
% or mass transport on a network.
% L_g = sum(d(vi,vj))/n*(n-1)
% where d(vi,vj) denotes the shortest length between two nodes, and equals
% to 0 if node i cannot be reached from j%INPUT
%   adjMat -> The adjacency matrix representation of a graph. It has to be a
%            NxN matrix where N is the number of nodes in the graph. This
%            parameter is required.
%
%OUTPUT
%   APL -> Average Path Length of the input graph.
%   L -> Global Path length of each of the graph's nodes
%
%Example usage:
%
%   [APL, L] = avgClusteringCoefficient(my_net);
%   APL = avgClusteringCoefficient(my_net);
%   [~, L] = avgClusteringCoefficient(my_net);
%
% Copyright (C) KunTang, 2022%% Input parsing and validation
ip = inputParser;%Function handle to make sure the matrix is symmetric
issymmetric = @(x) all(all(x == x.'));addRequired(ip, 'graph', @(x) isnumeric(x) && issymmetric(x));parse(ip, adjMat);%Validated parameter values
adjMat = ip.Results.graph;
%% Path Length computation%Make sure the graph unweighted!!!
adjMat(adjMat ~= 0) = 1; graphObj = graph(adjMat);
L = distances(graphObj); % Calculate the shortest path length
%Average Path Length of the graph
APL = sum(sum(L))/(size(L,1)*size(L,1)-1);
end

在这两个脚本的基础上，我们可以对不同概率ppp下的网络结构进行属性统计，并绘制成图2。

%% 本脚本将被用于绘制小世界网络图的两个结构属性随边重连概率p变化的曲线图
% 尝试对文献“collective dynamics of small world networks”的图二复现
% 依赖的外部脚本：
% 1. WattsStrogatz，用于生成小世界网络
% 2. avgClusteringCoefficient，用于统计网络的群聚系数
% 3. avgPathLength，用于统计网络的平均路径长度
% 特别地，在可视化工作中，会用到第三方颜色库cbrewer
%% 代码实现
clear;
% 这个刻度需要好好调整
p = [0.00014,0.0003,0.00045,0.001,0.0019,0.004,0.008,0.018,0.021,0.071,0.13,0.23,0.5,1]; % 接近论文的概率组合
caseNum = length(p); % 仿真参数的组合个数
N = 1000;
k=5;
%% 计算regular ring的两个结构参数
regularRing = WattsStrogatz(N,k,0); % 生成得到regular ring
regularAM = adjacency(regularRing); % 获得邻接矩阵
C0 = avgClusteringCoefficient(regularAM);
APL0 = avgPathLength(regularAM);
%% 开始统计不同概率下得到的无序网络同规则网络的两个结构属性的比值
ratioC = zeros(caseNum,1);
ratioAPL = zeros(caseNum,1);
C = ratioC;
APL = ratioAPL;
for i=1:caseNumgraphI = WattsStrogatz(N,k,p(i));graphAM = adjacency(graphI); % 邻接矩阵C(i,1) = avgClusteringCoefficient(graphAM);APL(i,1) = avgPathLength(graphAM);ratioC(i,1) = avgClusteringCoefficient(graphAM)/C0;ratioAPL(i,1) = avgPathLength(graphAM)/APL0;
end % 更新演化结束
%% 绘制半对数图
figure
semilogx(p,ratioC,'o');
hold on;
semilogx(p,ratioAPL,'*');
%% 绘制双刻度y的双曲线图
% 参考来源：阿昆的科研笔记
%% 图片尺寸设置（单位：厘米）
figureUnits = 'centimeters';
figureWidth = 20;
figureHeight = 8;
%% 定义线型、标记符号、线宽和颜色
colorTypes = cbrewer('div','Spectral',8,'linear');
% 定义因变量Y1线型、符号、线宽与颜色
Y1_LS = '-';
Y1_MK = 'none';
Y1_LW = 1.5;
Y1_C = colorTypes(2,:);
% 定义因变量Y2线型、符号、线宽与颜色
Y2_LS = 'o';
Y2_MK = 'none';
Y2_LW = 1.5;
Y2_C = colorTypes(7,:);
%% 窗口设置
figure
%% 激活左轴
yyaxis left
semilogx(p,C,'o','Color', Y1_C,'LineWidth',1.5);
set(gcf, 'Units', figureUnits, 'Position', [0 0 figureWidth figureHeight],'Color','w');
hold on;
hYLabel1 = ylabel('');
% 坐标区调整
set(gca, 'YColor', [.1,.1,.1],...         % 坐标轴颜色'YTick', 0:0.2:1,...        % 刻度位置、间隔'Ylim' , [0 1], ...          % 坐标轴范围'Yticklabel',{[0:0.2:1]},...'XMinorGrid','on',...'YMinorGrid','on',...'YMinorTick','on');    % Y坐标轴刻度标签
ylabel('Cluster Coefficient');
%% 激活右轴
yyaxis right
semilogx(p,APL,'s','Color', Y2_C,'LineWidth',1.5)
hold on;
% 坐标区调整
set(gca, 'YColor', [.1,.1,.1],...         % 坐标轴颜色'YTick', 0:10:55,...        % 刻度位置、间隔'Ylim' , [0 55], ...          % 坐标轴范围'Yticklabel',{0:10:55},...'XMinorGrid','on',...'YMinorGrid','on',...'YMinorTick','on',...'MinorGridAlpha',0.4);    % Y坐标轴刻度标签legend('Cluster Coefficient', 'Average Path Length');
xlabel('$p$','Interpreter','latex');
ylabel('Average Path Length');
xticklabels({0.0001,0.001,0.01,0.1,1});%% 图片输出
%  fileout = 'test';
%  print(figureHandle,[fileout,'.png'],'-r600','-dpng');

拓展补充

在绘制群聚系数和平均路径长度随边重连概率ppp的过程中，我们将这两个结构属性通过双轴散点图进行了直观地展示。
在这一过程中，可以拓展了解一下

matlab着色方案cbrewer。
双轴散点图/曲线图绘制方案

参考资料/文献

[1]: D. J. Watts, S. H. Strogatz. Collective dynamics of ‘smallworld’ networks[J]. nature, 1998, 393(6684): 440442
[2]: Build Watts-Strogatz Small World Graph Model

Matlab实现小世界网络生成及其分析相关推荐

matlab ws小世界网络,【MATLAB】构建WS小世界网络
分析: 进行复杂网络相关研究的基础,就是要构建适当的网络模型.这次选择用Matlab构建一个WS小世界网络练练手. 首先,为了方便数据处理,网络模型我们用邻接矩阵的表示,这样虽然看上去不太直观,但是对 ...
小世界网络matlab程序,小世界网络简介及及matlab建模.doc
小世界网络简介及及matlab建模.doc 小世界网络MATLAB建模1简介小世界网络存在于数学.物理学和社会学中,是一种数学图的模型.在这种图中大部份的结点不与彼此邻接,但大部份结点可以通过任一其它 ...
小世界网络邻接矩阵生成——python
小世界网络邻接矩阵生成--python 网络生成方法 python生成小世界网络最便捷的方式是导入networkx库,使用random_graphs.watts_strogatz_graph(n, k ...
WS小世界网络构建实验（Matlab版）
WS小世界网络构建实验(Matlab版) 一.构造原理思路 1.小世界模型3个参数,N为点的数目,K表示每个点左边K/2个邻居,右边K/2个邻居,一共K个邻居,P代表每条边以多少概率重连 2.首先给定 ...
matlab程序：NW 小世界网络
目录 NW 小世界网络构造算法: Matlab 代码 NW 小世界网络构造算法: (1)从规则图开始.考虑一个含有N个点的最近邻耦合网络,它们围成一个环,其中每个节点都与它左右相邻的个K/2节点相 ...
【复杂网络学习笔记】1：基本知识和小世界网络初步建立
这学期和李青老师学习复杂网络的一些基础知识,并进行建模. 复杂网络在生活中很常见,这学期主要学习其中的两种模型--小世界模型和无标度模型. 著名的小世界实验发现了社会群体中人和人之间六度分离的关系(任 ...
小世界网络中的SIRS传染病模型实现
小世界网络小世界网络模型是Watts和Strogatz于1998提出的一种描述现实社交关系网络的模型,该模型体现了现实社交网络中同质性和弱联系,使得"六度分隔"现象有了理论依据, ...
复杂网络之无标度网络与小世界网络生成程序
近日需要用到无标度网络与小世界网络,早上用matlab写了这两种网络的matlab程序,放在这,有用者可以拿去用,请自己验证正确性后使用. 共有三个文件,swnet.m 是sw小世界模型 ...
人人网之兴起与小世界网络
前几天,传来了熊猫直播凉凉的消息,除了少数铁粉外,似乎并没有掀起什么波澜.这些年,A站,小蓝,ofo,黄太吉,锤子的起起伏伏-大家已经见怪不怪了.但倘若要评选最能够撩起大家怀旧情怀的公司,火爆一时的人 ...
基于小世界网络的Cov-19扩散问题可视化研究
摘要:近年来,疾病传播问题得到了广泛的研究.一般来说,疾病的传播被认为是从一个人到另一个人的过程.目前,关于传染病在复杂网络上传播的研究很多.事实上,在现实生活中,传染病在人群网络中的传播是极其复杂的 ...

Matlab实现小世界网络生成及其分析

Matlab实现小世界网络生成及其分析

引言

社会网络的结构属性

Watts-Strogatz小世界网络生成算法

matlab代码实现

网络结构分析

网络结构属性分析及实现代码

拓展补充

参考资料/文献

Matlab实现小世界网络生成及其分析相关推荐

最新文章

热门文章

Matlab实现小世界网络生成及其分析

Matlab实现小世界网络生成及其分析

引言

社会网络的结构属性

Watts­-Strogatz小世界网络生成算法

matlab代码实现

网络结构分析

网络结构属性分析及实现代码

拓展补充

参考资料/文献

Matlab实现小世界网络生成及其分析相关推荐

最新文章

热门文章

Watts-Strogatz小世界网络生成算法