复杂网络的级联失效模拟

在分析复杂网络的级联效应时，往往会用到一些定量评估方法，目前网络有较多分析网络级联故障的文章和资源，但很少展示了代码，摸索了一下，将代码分享给大家。若有疑问的地方，请大家自行摸索完善。

import networkx as nx
import random
import matplotlib.pyplot as plt

# 创建一个有向加权网络，这里以随机图为例
num_nodes = 100
probability = 0.1
G = nx.erdos_renyi_graph(num_nodes, probability, directed=True)

# 添加边的权重（这里简化为随机赋予一个权重值）
for u, v in G.edges():
    G[u][v]['weight'] = random.uniform(0.1, 1.0)

# 获取节点的中心度（这里使用度中心度作为示例，您可以根据需要选择其他中心度指标）
centrality = nx.degree_centrality(G)

# 对中心度进行排序，获得按中心度从高到低的节点列表
sorted_nodes = sorted(centrality, key=centrality.get, reverse=True)

# 定义故障传播规则，这里简化为移除节点及其相邻边
def cascade_failure(graph, failed_nodes):
    for node in failed_nodes:
        graph.remove_node(node)

# 进行级联失效模拟
def cascade_simulation(graph, seed_nodes):
    failed_nodes = seed_nodes.copy()
    while True:
        new_failed_nodes = []
        for node in failed_nodes:
            if node in graph:
                neighbors = list(graph.neighbors(node))
                new_failed_nodes.extend(neighbors)
        new_failed_nodes = list(set(new_failed_nodes))
        if not new_failed_nodes:
            break
        cascade_failure(graph, new_failed_nodes)
        failed_nodes = new_failed_nodes.copy()
    return len(graph.nodes())

# 运行多次级联失效模拟，记录每次模拟后剩余节点数
num_simulations = 100
remaining_nodes_list = []
for i in range(1, num_nodes + 1):
    # 取前 i 个中心度最高的节点作为初始故障点
    initial_failure_nodes = sorted_nodes[:i]
    H = G.copy()
    remaining_nodes = cascade_simulation(H, initial_failure_nodes)
    remaining_nodes_list.append(remaining_nodes)

# 绘制曲线
plt.figure(figsize=(10, 6))
plt.plot(range(1, num_nodes + 1), remaining_nodes_list, marker='o', linestyle='-', color='b')
plt.xlabel('Number of Attacked Nodes')
plt.ylabel('Remaining Nodes')
plt.title('Cascade Failure Analysis')
plt.grid(True)
plt.show()

分析结果如图所示