这个例子展示了如何构建和分析Watts-Strogatz小世界图。Watts-Strogatz模型是一个具有小世界网络属性的随机图,例如聚类和较短的平均路径长度。
创建Watts-Strogatz图有两个基本步骤:
用。创建一个环状格子平均度节点
.每个节点都连接到它的
两边距离最近的邻居。
对于图中的每条边,用概率重新连接目标节点.重新连接的边缘不能是重复或自循环。
在第一步之后,图是一个完美的环格。所以,当,没有边被重新连接,模型返回一个环晶格。相反,当
,所有的边被重新布线,环格被转换成一个随机图。
该文件WattsStrogatz.m
为无向图实现此图算法。输入参数为N
,K
,β
根据上述算法描述。
查看文件WattsStrogatz.m
.
函数h = WattsStrogatz (N, K,β)% H = WattsStrogatz(N,K,beta)返回带有N的WattsStrogatz模型图%节点,N*K条边,平均节点度2*K,重新布线概率beta。%% = 0是一个环格,而= 1是一个随机图。%连接每个节点到它的下一个和前一个邻居K。这个结构环格的%指数。s = repelem ((1: N), 1, K);t = s + repmat(1:K,N,1);t =国防部(t - 1 N) + 1;用概率重新连接每条边的目标节点为source=1:N switchEdge = rand(K, 1) < beta;newTargets = rand(N, 1);newTargets(源)= 0;newTargets (s (t = =)) = 0;newTargets(t(source, ~switchEdge)) = 0;[~, ind] = sort(newTargets,“下”);t(source, switchEdge) = ind(1:nnz(switchEdge));结束h =图(s, t);结束版权所有2015 The MathWorks, Inc.
构造一个有500个节点的环格WattsStrogatz
函数。当β
为0时,函数返回一个节点都具有度的环晶格2 k
.
h = WattsStrogatz(0) 500年25日;情节(h,“NodeColor”,“k”,“布局”,“圆”);标题('Watts-Strogatz Graph with $N = 500$ nodes, $K = 25$, and $\beta = 0$',...“翻译”,“乳胶”)
通过提升来增加图表中的随机性数量β
来0.15
和0.50
.
h2 = WattsStrogatz(500年,25岁,0.15);情节(h2,“NodeColor”,“k”,“EdgeAlpha”, 0.1);标题('Watts-Strogatz Graph with $N = 500$ nodes, $K = 25$, and $\beta = 0.15$',...“翻译”,“乳胶”)
h3 = WattsStrogatz(500年,25岁,0.50);情节(h3,“NodeColor”,“k”,“EdgeAlpha”, 0.1);标题('Watts-Strogatz Graph with $N = 500$ nodes, $K = 25$, and $\beta = 0.50$',...“翻译”,“乳胶”)
通过递增生成一个完全随机的图β
到它的最大值1.0
.这重新布线了所有的边。
h4 = WattsStrogatz(1) 500年,25日;情节(h4,“NodeColor”,“k”,“EdgeAlpha”, 0.1);标题('Watts-Strogatz Graph with $N = 500$ nodes, $K = 25$, and $\beta = 1$',...“翻译”,“乳胶”)
在不同的Watts-Strogatz图中,节点的度分布是不同的。当β
为0时,所有节点的度数相同,2 k
,所以度分布只是一个狄拉克函数的中心2 k
,.然而,随着
β
增加,度分布改变。
这张图显示了的非零值的度分布β
.
直方图(学位(h2),“BinMethod”,“整数”,“FaceAlpha”, 0.9);持有在直方图(学位(h3),“BinMethod”,“整数”,“FaceAlpha”, 0.9);直方图(学位(h4),“BinMethod”,“整数”,“FaceAlpha”, 0.8);持有从标题(瓦茨- strogatz模型图的节点度分布)包含(节点的度) ylabel (节点的数量)传说(‘\β= 1.0,‘\β= 0.50,‘\β= 0.15,“位置”,“西北”)
Watts-Strogatz图具有较高的聚类系数,因此节点倾向于形成小团体,即紧密相连的节点组成的小团体。作为β
增加到最大值1.0
,您会看到越来越多的轮毂节点,或相对程度高的节点。枢纽是图中其他节点和派系之间的公共连接。集线器的存在允许小团体的形成,同时保持较短的平均路径长度。
计算每个值的平均路径长度和轮毂节点数β
.对于本例来说,中心节点是度数大于或等于55的节点。这些节点的度都比原来的环点阵增加了10%或更多。
n = 55;D = [mean(mean(distance (h))), nnz(degree(h))>=n);...平均(平均(距离(h2))), nnz(学位(h2) > = n);...平均(平均(距离(h3))), nnz(学位(h3) > = n);平均(平均(距离(h4))), nnz(学位(h4) > = n)];T = table([0 0.15 0.50 1]', d(:,1), d(:,2),...“VariableNames”, {“β”,“AvgPathLength”,“NumberOfHubs”})
T = 4x3 table Beta AvgPathLength NumberOfHubs ____ _____________ ____________ 0 5.48 0 0.15 2.0715 20 0.5 1.9101 85 1 1.9008 92
作为β
增加时,图中的平均路径长度迅速下降到其极限值。这是由于形成了高度连接的枢纽节点,这些节点变得越来越多β
增加。
画出Watts-Strogatz模型图,使每个节点的大小和颜色与其程度成比例。这是可视化枢纽形成的一种有效方法。
colormaphsv度=学位(h2);nSizes = 2 *√(deg-min(度)+ 0.2);nColors =度;情节(h2,“MarkerSize”nSizes,“NodeCData”nColors,“EdgeAlpha”, 0.1)标题('Watts-Strogatz Graph with $N = 500$ nodes, $K = 25$, and $\beta = 0.15$',...“翻译”,“乳胶”) colorbar