【复杂网络】—— K核渗流

灵均127

已于 2024-04-07 14:23:41 修改

阅读量496

点赞数 10

文章标签： python

于 2024-04-06 20:28:38 首次发布

本文链接：https://blog.csdn.net/qq_43296946/article/details/137437211

版权

1 前言

在复杂网络研究领域， $K$ 核分解是一种重要的网络结构分析方法。它通过剥离网络中的节点来揭示网络的层次结构，特别是在理解社交网络、生物网络、信息传播等方面有着广泛应用。网络 $K$ $K$ 核渗流是一种基于 $K$ 核分解的动态网络分析过程，用于模拟网络在受到外部影响时的结构演化过程，例如疾病传播、信息扩散等现象。本博客将从概念入手，介绍 $K$ 核渗流的基本模型和理论，提供一个简单的实现代码，并列出相关的参考文献。

2 概念

K核分解：网络的 $K$ 核是通过递归移除度小于 $K$ 的节点后所得到的最大子图。 $K$ 值越大， $K$ 核描述的网络核心部分越“紧凑”。

渗流理论：渗流理论研究的是在一个介质中，流体如何通过其间隙或孔隙渗透。在网络科学中，渗流理论被用来模拟例如信息、病毒等在网络中的传播过程。

3 模型

考虑一个无向图 $G=(V,E)$ ，其中 $V$ 是节点集， $E$ 是边集。网络的 $K$ 核渗流可以定义为一个动态过程，其中节点的激活或失活受到邻居节点状态的影响，以及网络全局属性的控制。

动态规则：给定阈值 $K$ ，在每一时间步，节点 $i$ 若至少有 $K$ 个激活的邻居，则该节点保持激活状态；否则，该节点失活。

4 理论

4.1 定义

p	节点保留的概率
q	节点的度，以区分”k核渗流“中的k
m元子树	在树形网络中，每个节点都具有至少m个无限大的子分支
R	一条随机的边的一端不是k - 1 元子树的概率
M（k）	一个节点属于k核巨分支的概率

4.2 公式

$M(k)=p \sum_{q \geqslant k} P(q) \sum_{n=k}^q\left(\begin{array}{l}q \\ n\end{array}\right) R^{q-n}(1-R)^n \tag{1}$

$R=1-p+p \sum_{n=0}^{k-2}\left[\sum_{i=n}^{\infty} \frac{(i+1) P(i+1)}{z_1}\left(\begin{array}{l} i \\ n \end{array}\right) R^{i-n}(1-R)^n\right] \tag{2}$

5 代码

在平均度 $\langle k\rangle = 10$ 的随机网络中，k 核巨分支的大小随网络中删除节点比例Q的变化。

from scipy.optimize import fsolve, root
import matplotlib.pyplot as plt
import numpy as np
from scipy.special import gamma, gammaincc

"""
k核渗流理论解的复现
"""
# 网络平均度
z1 = 10
# 计算k核巨分支的大小M(k)
M = lambda k, R, p: p * (1 - gammaincc(k, z1 * (1 - R)))


def getRe(k, p):
    # 一条随机边的一端不是k-1元子树的根的概率
    R = np.nan
    # 最小根
    t = 1

    # R的自洽方程
    def func(R, k, p):
        return 1 - p + p * (gammaincc(k - 1, z1 * (1 - R))) - R

    # 初始值
    initialGuesses = [val for val in np.linspace(0, 0.8, 10)]

    for initialGuess in initialGuesses:
        root, data, ier, msg = fsolve(func, initialGuess, args=(k, p), full_output=True)
        if ier == 1:
            # 取最小的根作为R的解
            if root < t:
                R = root
                t = root
    return M(k, R, p)


# 随机移除Q比例的节点
Q = np.linspace(0, 0.8, 100)
# 保留p比例的节点
p = 1 - Q

getRe = np.vectorize(getRe)

plt.figure
for i in range(3, 8):
    plt.plot(Q, getRe(i, p))

plt.legend(['k=3', 'k=4', 'k=5', 'k=6', 'k=7'])
plt.xlabel("p")
plt.ylabel("R")
plt.xlim([0, 0.8])
plt.tight_layout
# plt.savefig('./1.pdf')
plt.show()
exit()

模拟和理论结果吻合