动态网络拓扑演变:局部动态到全局的相变|TopologicalEvolutionofDynamicalNetworks: Global Criticality from Local Dynamics

Topological Evolution of Dynamical Networks: Global Criticality from Local Dynamics

动态网络拓扑演变：从局部动态到全局的相变

Stefan Bornholdt and Thimo Rohlf

Abstract

我们通过一个简单的局部随机重连规则，对非对称链接的阈值网络拓扑结构进行演化。规则是安静的节点增长链接，活跃的节点失去连接。这导致网络的平均连通性在临界值$K_c=2$处收敛，对于有$N$个节点的大型系统。这条原则可以如何在自然的复杂系统中产生自组织性，我们以两个案例来讨论：神经网络和基因组网络
这会导致平均网络的连通性对临界值 Kc 2 在大型系统大小 N.极限的收敛性这一原则如何能自然的复杂系统中生成自组织讨论的两个例子 ︰ 神经网络和基因组调控网络。

Introduction

• 问题：连通性是否可以由一些动态机制驱动，达到一个临界点
• 先前的人研究过无向图，所以我研究非对称的阈值网络的拓扑演化，研究局部规则是如何影响全局连通性，以及网络全局上的聚集程度的

---

• 我们定义了一个阈值网络模型，含有局部、拓扑演化规则。数值结果被呈现出来，表明一个演化的拓扑到达临界的连通性（在有限的大型系统数量上）
• 我们讨论这些结果与其他自组织机制的关系，指出自然系统中交互网络可能的链接

Model

一个网络含有$N$个随机相互连接的二值元素，状态为$\sigma_i = \pm 1$
对每个节点$i$，它在$t+1$时刻的状态，由它接收到的其他节点在$t$时刻的状态函数决定

$$\sigma_i (t+1) = \mathrm{sgn} [f_i(t)]\ \ \ \ \ \ \ \ (1)$$
其中

$$f_i(t) = \sum_{j=1}^{N}c_{ij}\sigma_j(t)+h\ \ \ \ \ \ \ \ (2)$$

交互权重（interaction weights）$c_{ij}$采用离散的值$c_{ij}=\pm 1$或$c_{ij}=0$，如果节点$i$没有收到节点$j$的输入信息。$h$ 是阈值强度

网络状态的动态过程通过迭代这条规则，从随机状态变成periodic attractor（周期吸引子，有限环或者固定点）

使用如下策略，随机寻找点$i$
- 如果节点$i$在吸引子那儿没有改变状态，它从一个随机节点$j$获得一个新的非零链接$c_{ij}$
- 如果它改变了状态，至少改了一次，在吸引子附近，它失去它的一个非零链接$c_{ij}$
定义节点$i$的平均活跃度$A(i)$ average activity

$$A(i)=\frac{1}{T_2-T_1}\sum_{t=T_1}^{T_2}\sigma_i(t)\ \ \ \ \ \ \ \ (3)$$

如果attractor在到达$T_\mathrm{max}$后还未达到，$A(i)$就用$T_\mathrm{max}/2$到$T_\mathrm{max}$时间计算。

算法定义如下：
1. 选择一个随机网络，具有平均连通性$K_{ini}$
2. 选择一个随机状态向量 $\vec\sigma(0)=(\sigma_1(0),...\sigma_N(0))$
3. 依据公式2计算新的系统状态$\vec\sigma(t),t=1,...,N$，依据并行更新$N$个节点
4. 当一个先前状态重新出现（一个动态attractor到达），否则在$T_\mathrm{max}$次更新之后，仿真停止。
之后，依据如下局部重连规则改变网络结构。
5. 节点$i$被随机选中，它的平均活跃度 $A(i)$被确定下来
6. 如果$|A(i)|=1$，$i$收到新的连接$c_{ij}$从随机选择的节点$j$。 $c_{ij}=$1和-1是随机取的。
如果$|A(i)|<1$，一个现存的非零连接会被设为0。
7. 最后，一个连接矩阵的非零项被随机选中，它的sign被反转
8. 调到步骤2，迭代。

第7步的波动在自然系统中结构中立自选反转的噪声是被观察到的。The fluctuations introduced in step 7 as random spin reversals are motivated by structurally neutral noise often observed in natural systems.