ER随机网络模型

1.随机网络模型定义

---

 

随机网络与规则网络相对应，最为经典的随机网络模型是Erdös和Rényi研究的ER随机图模型，ER随机图模型有两种定义方式：

• 方式一：给定节点数N，固定连边数。每次随机选择一对节点并连边，重复M次。每次选择两个不同节点并且没有连接的节点对G(N,M)，记作。算法如下：

首先给定N个节点和M条待连接边

• 随机选取一对没有边相连的不同节点，并在这对节点添加一条连边

• 重复上述步骤M次

 代码实现如下：

import random
import networkx as nx
import matplotlib.pyplot as plt
from matplotlib import rcParams
rcParams['font.family'] = 'SimHei'
def GNL(N, L):
    G = nx.Graph()
    G.add_nodes_from(range(N))
    nlist = list(G)
    edge_count = 0
    while edge_count < L:
        # generate random edge,u,v
        u = random.choice(nlist)
        v = random.choice(nlist)
        if u == v or G.has_edge(u, v):
            continue
        else:
            G.add_edge(u, v)
            edge_count += 1
    return G

G = GNL(20, 60)
plt.figure(figsize=(12,4))
plt.subplot(131)
pos=nx.circular_layout(G)
G1 = GNL(20, 80)
G2 = GNL(20, 120)
nx.draw(G,pos, node_color="blue",node_size = 100)
plt.title("60条边")
plt.subplot(132)
nx.draw(G1,pos, node_color="blue",node_size = 100)
plt.title("80条边")
plt.subplot(133)
nx.draw(G2,pos, node_color="blue",node_size = 100)
plt.title("120条边")
plt.show()

实验结果如下： 

 

• 方式二：给定N个节点，任意两个不同节点之间有一条连边概率固定为p，记作G(N,p)，算法如下

初始化N个节点和固定概率p，

• 选择一对没有边相连的节点对

• 生成一个随机数r[0,1]

• 若r<p，则在这两个节点之间添加一条边；否则不添加

• 重复上述步骤直至所有节点都被考虑一次。

• 特殊地，当p=0，则形成N个孤立的节点；p=1，则形成N阶全局耦合网络，对于无向网络，连边数为N(N-1)/2；当p(0,1)，连边数取值位于区间(0,N(N-1)/2)

实验代码如下：

import networkx as nx
import matplotlib.pyplot as plt
import random
import itertools
from matplotlib import rcParams
rcParams['font.family'] = 'SimHei'
def GNP(N, p):
    edges = itertools.combinations(range(N), 2)
    G = nx.Graph()
    G.add_nodes_from(range(N))
    for e in edges:
        if random.random() < p:
            G.add_edge(*e)
    return G
G = GNP(20, 0.2)
G1 = GNP(20, 0.4)
G2 = GNP(20, 0.8)
plt.figure(figsize=(12,4))
pos=nx.circular_layout(G)
plt.subplot(131)
plt.title("概率为0.2")
nx.draw(G,pos, node_color="blue",node_size = 100)
plt.subplot(132)
plt.title("概率为0.4")
nx.draw(G1,pos, node_color="blue",node_size = 100)
plt.subplot(133)
plt.title("概率为0.8")
nx.draw(G2,pos, node_color="blue",node_size = 100)
plt.show()

实验结果如下： 

 

 

也可以直接调用库函数来生成这两种网络 

import networkx as nx
import matplotlib.pyplot as plt

# 可以直接调用库函数来生成这两种网络
n, m, p = 20,40,0.2
g1 = nx.gnm_random_graph(n, m)
g2 = nx.gnp_random_graph(n, p)

plt.figure(figsize=(8,4))

plt.subplot(121)
nx.draw(g1, pos=nx.circular_layout(g1), node_size=100, node_color="blue",with_labels=True)
plt.title("G(N,L)")

plt.subplot(122)
nx.draw(g2, pos=nx.circular_layout(g2), node_size=100, node_color="blue",with_labels=True)
plt.title("G(N,p)")
plt.show()

 

---

2.ER随机模型的度分布

 

​​

 

 

代码实现：

# 导入库
import networkx as nx
import matplotlib.pyplot as plt
import numpy as np
import math
from scipy import stats
# 定义求度分布的函数
def get_pdf(G, kmin, kmax):
    k = list(range(kmin, kmax + 1))  # 获取所有可能的度值
    N = len(G.nodes())

    Pk = []
    for ki in k:
        c = 0
        for i in G.nodes():
            if G.degree(i) == ki:
                c += 1
        Pk.append(c / N)

    return k, Pk


samples = 100  # 统计平均次数
N = [100, 1000]
# 为了便于统计平均，指定区间[20,80]
kmin, kmax, avk = 20, 80, 50
s1 = np.zeros(kmax - kmin + 1)
s2 = np.zeros(kmax - kmin + 1)
for i in range(samples):
    ER1 = nx.gnp_random_graph(N[0], avk / N[0])
    x1, y1 = get_pdf(ER1, kmin, kmax)
    ER2 = nx.gnp_random_graph(N[1], avk / N[1])
    x2, y2 = get_pdf(ER2, kmin, kmax)

    s1 += np.array(y1)
    s2 += np.array(y2)

# 计算二项分布理论值
n = 100
p = 0.5
k = np.arange(20,81)
pk_b = stats.binom.pmf(k,n,p)
# 计算泊松分布理论值
pk_p = [np.exp(-avk)*(avk**ki)/math.factorial(ki) for ki in range(kmin,kmax+1)]
plt.figure(figsize=(6,4))
plt.plot(x1, s1/samples, 'ro', label='$N = 100$')
plt.plot(x2, s2/samples, 'bs', label='$N = 1000$')
plt.plot(x2, pk_b, 'g-', label='binomial')
plt.plot(x2, pk_p, 'r-', label='poisson')
plt.legend(loc=0)
plt.xlabel("$k$")
plt.ylabel("$p_k$")
plt.xlim([20,80])
plt.show()

实验结果：