（python实现）复杂网络中的关键节点识别测评四指标

置顶

篮砂石

已于 2023-11-16 22:37:15 修改

阅读量7.9k

点赞数 2

分类专栏：节点重要性影响力最大化文章标签： 1024程序员节

于 2021-10-24 15:00:00 首次发布

本文链接：https://blog.csdn.net/lanshashi/article/details/120934286

版权

本文介绍了使用Python进行复杂网络中关键节点识别的方法，包括SIR传播范围的改进，肯德尔相关系数计算，单调值分析法，以及平均最短路径算法的应用。通过对这些指标的分析，可以评估网络中节点的重要性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一.SIR传播范围

参考代码：Morty Ma
说明：

与Morty Ma代码的传播方式不同，换成了从感染节点向邻居传播而不是遍历整个图，把退出循环的条件改成，无感染节点时退出。
Morty Ma代码每次按G.nodes()的顺序感染节点，且每次先recover，再感染，我换成成了先感染在恢复。（若按回复率1进行实验，某些节点还未传染就已恢复）
将代码写为了类

import random
import networkx as nx
import numpy as np
import pandas as pd
import os
'''
程序主要功能
输入：networkx网络图，感染源节点序列，感染率，免疫率，迭代次数step
输出：每次的迭代结果（I+R）/n
'''

class SIR:
    def __init__(self,G,source,beta,gamma,step):
        self.G = G.copy()
        self.beta = beta
        self.gamma = gamma
        self.step = step
        self.n = G.number_of_nodes()
        self.nodes = list(G.nodes())
        self.I_nubmer = len(source)
        self.S_number = self.n - self.I_nubmer
        self.R_number = 0
        self.I = source
        self.R = []
        self.S = list(set(self.nodes) - set(self.I))
        for i in self.nodes:
            self.G.nodes[i]['status'] = 'S'
        for i in source:
            self.G.nodes[i]['status'] = 'I'
            
    def setG(self,G):
        self.G = G.copy()
    
    def setBGS