删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

相依网络的条件依赖群逾渗

本站小编 Free考研考试/2021-12-29

摘要:相依网络鲁棒性研究多集中于满足无反馈条件的一对一依赖, 但现实网络节点往往依赖于多节点构成的依赖群, 即使群内部分节点失效也不会导致依赖节点失效. 针对此现象提出了一种相依网络的条件依赖群逾渗模型, 该模型允许依赖群内节点失效比例不超过容忍度$\gamma $时, 依赖节点仍可正常工作. 通过理论分析给出了基于生成函数方法的模型巨分量方程, 仿真结果表明方程理论解与相依网络模拟逾渗值相吻合, 增大$\gamma $值和依赖群规模可提高相依网络鲁棒性. 本文模型有助于更好地理解现实网络逾渗现象, 对如何增强相依网络鲁棒性有一定指导作用.
关键词: 相依网络/
级联失效/
逾渗/
相变

English Abstract


--> --> -->
现实世界中的许多复杂系统都可以用复杂网络描述, 例如生物神经系统、社交网络、交通系统、互联网等[1-3]. 随着研究人员对复杂网络认识的逐渐深入, 相关研究成果已成为人们理解现实世界复杂系统的重要工具. 但现实生活中的复杂系统通常并不是孤立的, 往往多个系统之间存在相互依赖关系, 这种依赖性会导致网络鲁棒性的急剧下降. 2003年意大利大停电是典型的相依网络级联失效引起的重大生产事故, 最初电网和通信网中极少的节点失效使意大利接近半数的电力设施瘫痪, 数百万人失去电力供应[4]. 在单个网络中, 随着初始删除节点比例增大, 网络巨分量(giant component)连续减小, 整个解体过程呈现出二阶相变, 但在多个相依网络, 巨分量减小的过程多为一阶相变, 表明相依网络的鲁棒性远不如单个网络. 近些年来, 相依网络的鲁棒性开始引起研究人员的重视[3,5-13], 网络鲁棒性研究主要基于经典统计物理的逾渗模型[14], 该模型能准确描述网络解体的相变过程.
以往关于相依网络鲁棒性的研究主要针对一对一相依节点[12,15-19], 但在现实情况中, 一个节点往往会依赖于多个节点[6], 这多个被依赖节点称为该节点的依赖群. 例如一个通信基站会有多个电厂为其供电, 食物链中一种生物会捕食多种生物. 近年来, 已有****对存在依赖群的网络展开了研究. Shao等[6]提出了一种耦合网络中存在依赖群的模型, 该模型认为只有当某节点依赖群的全部节点失效后该节点才会失效, 这种依赖模式有效改善了相变点. Wang等[20]研究了网络的群渗流现象, 网络节点的存活取决于其所在超级节点是否连向巨分量, 这种网络模型在一定程度上提高了网络的鲁棒性, 但逾渗类型仍然是一阶相变. Parshani等[7]研究了单个网络中存在依赖群的情况, 发现随着依赖群规模增大网络会变得更加脆弱, 极少数节点失效会导致整个网络崩溃. Wang等[9,21]提出了一种单个网络中存在条件依赖群的模型, 认为当某节点依赖的节点失效数量超过一定比例时该节点才失效, 研究发现随着失效比例阈值增大, 一阶相变甚至会变为二阶相变.
本文研究了具有多依赖节点的相依网络的逾渗现象, 提出相依网络的条件依赖群逾渗模型并给出巨分量相变方程. 仿真结果表明, 在确定依赖度分布的情况下, 相依网络逾渗模拟结果与方程数值解相吻合, 并且通过增大失效容忍度$\gamma $或依赖群规模可增强网络鲁棒性. 虽然模型对于任意依赖度分布的相依网络不存在二阶相变, 但本文所述逾渗模型对提高相依网络鲁棒性仍具有一定指导作用.
本文的内容主要包括: 第2部分阐述相依网络的条件依赖群逾渗模型的基本概念; 第3部分通过理论分析给出模型的巨分量相变方程; 第4部分仿真验证理论框架有效性; 第5部分讨论本文研究成果; 第6部分是结论.
传统相依网络逾渗模型多为一对一依赖, 一对一依赖可使网络满足无反馈条件, 便于理论分析[3], 但严格的一对一依赖在现实网络中通常是不存在的, 一个网络节点可能会依赖于另一个网络的多个节点, 若节点依赖的所有节点中有任意一个节点失效, 按照传统模型的分析方法, 该节点也会失效, 如图1所示.
图 1 具有多依赖关系的相依网络逾渗示意图, 初始攻击导致红色节点失效, 随后发生级联失效过程, 最终相依网络仅有极少数节点存活
Figure1. The model of percolation of interdependent networks with multiple support-dependence relations. The red node fails after the initial attack. Then the cascading failure process leads to a catastrophiccollapse of the interdependent networks. Finally, only a small fraction of nodes survive.

这种严格的多依赖关系会大幅降低相依网络的鲁棒性, 少部分节点失效就会造成相依网络完全崩溃. 但现实中的网络却没有这么脆弱. 通过观察可以发现, 只要依赖群有部分节点存活则依赖节点仍有效, 例如在某产业链中, 存在生产同类型产品的工厂若干, 其中少部分同类工厂倒闭并不会导致有关产业链的瘫痪[9]. 因此本文提出了一种允许部分相依节点失效的相依网络逾渗模型, 用以描述在部分被依赖节点失效情况下依赖节点仍正常工作的现象, 如图2所示.
图 2 相依网络的条件依赖群逾渗模型 A网络节点随机依赖于B网络的$\tilde k$个节点($\tilde k \geqslant 0$), 反之亦然; A网络的a节点依赖的3个节点有一个失效, 但失效比例未超过容忍度$\gamma = 0.5$, a节点继续工作; B网络的b节点依赖的节点失效比例超过$\gamma = 0.5$, 所以b节点失效
Figure2. The model of percolation in interdependent networks with conditional dependency clusters. Nodes in network A randomly depends on $\tilde k$ ($\tilde k \geqslant 0$) nodes in network B and vice versa. One of the three nodes which node a in network A depends on fails, but the failure proportion does not exceed $\gamma = 0.5$, node a still works. Two of the three nodes which node b in network B depends on fail, the failure proportion exceeds$\gamma = 0.5$, node bfails.

本文提出的相依网络逾渗模型级联失效过程如下.
Step 0: 随机删除A网络$1 - p$比例的节点, 与这些节点相连的边也被移除.
Step 1: A网络中依赖群节点失效比例超过$\gamma $的节点失效, 随后与巨分量失去连接的节点也相继失效.
Step 2: B网络中依赖群节点失效比例超过$\gamma $的节点失效, 随后与巨分量失去连接的节点也相继失效.
Step 3: 循环进行Step 2, Step 3直至相依网络中不再有新的节点失效.
根据生成函数理论[22], 网络的度分布生成函数为${G_0}(x) = \displaystyle\sum\nolimits_k {P(k){x^k}} $, 余度分布生成函数为${G_1}(x) = \displaystyle\sum\nolimits_k {{{P(k)k{x^{k - 1}}}/{\left\langle k \right\rangle }}} $, 其中$P(k)$表示任取一个节点其度为$k$的概率, $\left\langle k \right\rangle $表示网络的平均度. 随机删除网络$1 - p$比例节点后, 令$f$为随机选择一条边连接的节点通向巨分量的概率, 则$f$满足自恰方程
$f = p\sum\limits_k {\frac{{P(k)k}}{{\left\langle k \right\rangle }}} [1 - {(1 - f)^{k - 1}}] = p\left[ {1 - {G_1}(1 - f)} \right],$
网络巨分量大小${\mu _\infty }$
${\mu _\infty } = p\sum\limits_k {P(k)[1 - {{(1 - f)}^k}] = p[1 - {G_0}(1 - f)]} .$
对于单个网络, 联立上述两式可解出巨分量的大小. 传统的一对一相依网络求解与单网络相似, 这里直接给出[23]
$\left\{ \begin{aligned}& \mu _\infty ^{\rm{A}} = p[1 - {G_{{\rm{A}}0}}(1 - {f_{\rm{A}}})][1 - {G_{{\rm{B0}}}}(1 - {f_{\rm{B}}})], \\& \mu _\infty ^{\rm{B}} = p[1 - {G_{{\rm{B0}}}}(1 - {f_{\rm{B}}})][1 - {G_{{\rm{A}}0}}(1 - {f_{\rm{A}}})], \\& {f_{\rm{A}}} = p[1 - {G_{{\rm{A}}1}}(1 - {f_{\rm{A}}})][1 - {G_{{\rm{B0}}}}(1 - {f_{\rm{B}}})], \\& {f_{\rm{B}}} = p[1 - {G_{{\rm{B}}1}}(1 - {f_{\rm{B}}})][1 - {G_{{\rm{A}}0}}(1 - {f_{\rm{A}}})], \end{aligned} \right.$
其中$\mu _\infty ^i$表示$i$网络巨分量, ${f_i}$表示在$i$网络中任取一边通向巨分量的概率.
与一对一相依网络情况不同, 本文提出的模型一个节点可依赖多个节点, 只有当某节点依赖的节点失效比例超过容忍度$\gamma $时, 该节点失效, 令${h_i}({\mu _\infty })$表示在$i$网络中随机选择节点的依赖群失效比例不超过$\gamma $的概率, 则本文模型关于巨分量的方程为
$\left\{ \begin{aligned} & \mu _\infty ^{\rm{A}} = p[1 - {G_{{\rm{A}}0}}(1 - {f_{\rm{A}}})]{h_{\rm{B}}}(\mu _\infty ^{\rm{B}}), \\& \mu _\infty ^{\rm{B}} = p[1 - {G_{{\rm{B}}0}}(1 - {f_{\rm{B}}})]{h_{\rm{A}}}(\mu _\infty ^{\rm{A}}), \\ & {f_{\rm{A}}} = p[1 - {G_{{\rm{A}}1}}(1 - {f_{\rm{A}}})]{h_{\rm{B}}}(\mu _\infty ^{\rm{B}}), \\ & {f_{\rm{B}}} = p[1 - {G_{{\rm{B1}}}}(1 - {f_{\rm{B}}})]{h_{\rm{A}}}(\mu _\infty ^{\rm{A}}), \end{aligned} \right.$
其中
${h_i}(x) = \sum\limits_{\tilde k} {{{\tilde P}_i}(\tilde k)} \sum\limits_{s = 0}^{\left\lfloor {\tilde k\gamma } \right\rfloor } {\left( \begin{gathered} {\tilde k} \\ s \\ \end{gathered} \right)} {(1 - x)^s}{x^{\tilde k - s}},$
式中$\left\lfloor {\tilde k\gamma } \right\rfloor $为小于等于$\tilde k\gamma $的最大整数, ${\tilde P_i}(\tilde k)$表示在网络$i$中任取一个节点, 并且该节点依赖于另一个网络$\tilde k$个节点的概率. 通过分析可知, 若取$\tilde P(1) = $1, $\gamma = 0$, 则本文模型与经典一对一相依网络模型[3]一致; 若$\gamma \to 1$($\gamma \ne 1$)时, 意味着只要依赖群内有1个节点存活, 依赖节点仍可以正常工作, 此时(5)式可以改写为${h_i}(x) = \sum\nolimits_{\tilde k} {\tilde P}_i(\tilde k)$$\left[ 1 - {(1 - x)}^{\tilde k} \right] $, 把上式代入(4)式可以得到与文献[6]相同的结果.
理论上${f_{\rm{A}}}$,${f_{_{\rm{B}}}}$可分别表示为${f_{\rm{A}}} = {\varPsi_1}(p,{f_{\rm{B}}})$,${f_{\rm{B}}} = {\varPsi _1}(p,{f_{\rm{A}}})$, 如果相依网络存在一阶相变点, 则有
$\frac{{\partial {\varPsi _1}(p_{\rm{c}}^{\rm{I}},f_{\rm{B}}^{\rm{I}})}}{{\partial f_{\rm{B}}^{\rm{I}}}} \cdot \frac{{\partial {\varPsi _2}(p_{\rm{c}}^{\rm{I}},f_{\rm{A}}^{\rm{I}})}}{{\partial f_{\rm{A}}^{\rm{I}}}} = 1,$
${f_{\rm{A}}} = {\varPsi _1}(p_{\rm{c}}^{\rm{I}},{f_{\rm{B}}})$${f_{\rm{B}}} = {\varPsi _2}(p_{\rm{c}}^{\rm{I}},{f_{\rm{A}}})$在点$(f_{\rm{A}}^{\rm{I}},f_{\rm{B}}^{\rm{I}})$处相切. 因上式求解较为复杂, 大部分情况下不存在解析解, 为了方便计算, 本文仅考虑具有相同度分布的相依网络, 即A, B网络同分布, 则(4)式简化为
$\left\{ \begin{aligned} & {\mu _\infty } = p[1 - {G_0}(1 - f)]h({\mu _\infty }), \\& f = p[1 - {G_1}(1 - f)]h({\mu _\infty }). \end{aligned} \right.$
对上式第二个式子两边求$f$的导数,
$p[1 - {G_1}(1 - f)]\frac{{{\rm{d}}h({\mu _\infty })}}{{{\rm{d}}f}} + p\frac{{{\rm{d}}{G_1}(1 - f)}}{{{\rm{d}}f}}h({\mu _\infty }) = 1.$
通常情况下, 在存在相变点${p_{\rm{c}}}$的相依网络中, 上式在$p = {p_{\rm{c}}}$时存在${\mu _\infty } \geqslant 0$的解, 若只考虑二阶相变点, 则$p = p_{\rm{c}}^{{\rm{II}}}$时应有${f^{{\rm{II}}}} = 0$, $\mu _\infty ^{I{\rm{I}}} = 0$, 把两个值代入上式可得
$p_{\rm{c}}^{{\rm{II}}}{G'_1}(1)h(0) = 1.$
对于任意$\tilde P(\tilde k)$分布, 只有当$\gamma = 1$时, $h(0) \ne 0$, 二阶相变点为
$p_{\rm{c}}^{{\rm{II}}} = \frac{1}{{{{G'}_1}(1)}},$
这是单个网络的二阶相变点, $\gamma = 1$意味着两个网络之间不存在相依关系, 逾渗类型转变为单网络普遍存在的二阶相变. 上述关于相变点的理论分析表明, 对于任意依赖度分布, 本文提出的相依网络模型不存在二阶相变点($\gamma = 1$除外).
2
4.1.RR-RR相依网络
-->随机规则(random regular, RR)网络的度分布生成函数为${G_0}(x) = {x^{\left\langle k \right\rangle }}$, 余度分布生成函数为${G_1}(x) = {x^{\left\langle k \right\rangle - 1}}$. 假设两个RR网络具有相同的分布, 那么将两个生成函数代入(7)式可得方程
$\left\{ \begin{aligned} &{\mu _\infty } = p[1 - {(1 - f)^{\left\langle k \right\rangle }}]h({\mu _\infty }), \\ & f = p[1 - {(1 - f)^{\left\langle k \right\rangle - 1}}]h({\mu _\infty }). \end{aligned} \right.$
对于任意$\tilde P(\tilde k)$分布求解逾渗方程较为复杂, 本文只考虑依赖群规模固定的情况. 图3是不同$\gamma $取值的RR-RR相依网络逾渗的仿真结果.
图 3 不同$\gamma $取值的RR-RR相依网络逾渗, 每个网络节点数$N = 200000$, 平均度$\left\langle k \right\rangle = 6$, $\tilde P(10) = 1$, 空心标记为仿真值, 实线为逾渗方程数值解 (a) 巨分量${\mu _\infty }$$p$对应关系; (b) 级联失效迭代次数(number of iterations, NOI)
Figure3. The results of the percolation of RR-RR interdependent networks for different $\gamma $, each network has 200000 nodes, average degree is 6, $\tilde P(10) = 1$. The symbols represent the simulation results, and the solid linesshow the corresponding analytical predictions. (a) The size ofthe giant component ${\mu _\infty }$versus $p$; (b) number of iterations.

2
4.2.ER-ER相依网络
-->Erd?s-Rényi (ER)网络[24]的度分布与余度分布生成函数相同, 都为${G_0}(x) = {G_1}(x) = {{\rm{e}}^{ - \left\langle k \right\rangle (1 - x)}}$, 假设两个ER网络具有相同的分布, 那么将两个生成函数代入(7)式可得方程
$\left\{ \begin{aligned} & {\mu _\infty } = p[1 - {{\rm{e}}^{ - \left\langle k \right\rangle {\mu _\infty }}}]h({\mu _\infty }), \\& f = p[1 - {{\rm{e}}^{ - \left\langle k \right\rangle f}}]h({\mu _\infty }). \end{aligned} \right.$
因为ER网络度分布与余度分布生成函数相同, 所以${\mu _\infty } = f$, 则上式可进一步简化为
$f = p[1 - {G_0}(1 - f)]h(f),$
上式即为相同度分布的ER-ER相依网络巨分量方程. 定义$D(f)$如下:
$D(f) = p[1 - {G_0}(1 - f)]h(f) - f,$
随着$p$值发生变化, $D(f)$会与横轴相切, 相切时$p$的取值${p_{\rm{c}}}$为相变点. 图4为同分布ER-ER相依网络相变点数值解, 图5为不同$\gamma $取值的ER-ER相依网络逾渗的仿真结果.
图 4 不同$\gamma $值对应的ER-ER相依网络相变点, 网络平均度$\left\langle k \right\rangle = 6$, $\tilde P(10) = 1$
Figure4. Graphical solutions of ER-ER interdependent networks transition for different $\gamma $. The average degree is 6, $\tilde P(10) = 1$.

图 5 不同$\gamma $取值的ER-ER相依网络逾渗, 每个网络节点数$N = 200000$, 平均度$\left\langle k \right\rangle = 6$, $\tilde P(10) = 1$, 空心标记为仿真值, 实线为逾渗方程数值解 (a) 巨分量${\mu _\infty }$$p$对应关系; (b) 级联失效迭代次数
Figure5. The results of the percolation of ER-ER interdependent networks for different $\gamma $, each network has 200000 nodes, average degree is 6, $\tilde P(10) = 1$. The symbols represent the simulation results, and the solid linesshow the corresponding analytical predictions. (a) The size ofthe giant component ${\mu _\infty }$ versus $p$; (b) number of iterations.

图6图7分别对比了ER-ER相依网络不同${\tilde P_i}(\tilde k)$分布的逾渗结果和不同$\gamma $取值的相变点.
图 6 不同依赖度分布的ER-ER相依网络逾渗, $\tilde P(10) = 1$, $\tilde P(5) = 1$分别用实心和空心标记表示, 每个网络节点数$N = 200000$, 平均度$\left\langle k \right\rangle = 6$ (a) 巨分量${\mu _\infty }$$p$对应关系; (b) 级联失效迭代次数
Figure6. The results of the percolation of ER-ER interdependent networks for different dependency degrees, each network has 200000 nodes, average degree is 6. The dependency degrees are $\tilde P(10) = 1$ (solid symbols) and $\tilde P(5) = 1$ (empty symbols). (a) The size ofthe giant component ${\mu _\infty }$ versus $p$; (b) number of iterations.

图 7 不同$\gamma $取值的ER-ER相依网络相变点, 空心标记为仿真结果, 实线是理论值
Figure7. The critical point ${p_{\rm{c}}}$ versus $\gamma $ of ER-ER interdependent networks, The symbols represent the simulation results, and the solid linesshow the corresponding analytical predictions.

2
4.3.SF-SF相依网络
-->无标度网络(scale free network, SF)是指服从于$P(k) = c{k^{ - \lambda }}$分布的随机网络, 它的度分布生成函数和余度分布生成函数可以分别近似为[12]:
${G_0}(x) = \sum\limits_{{k_{\min }}}^{{k_{\max }}} {\left[ {{{\left( {\frac{{{k_{\min }}}}{k}} \right)}^{\lambda - 1}} - {{\left( {\frac{{{k_{\min }}}}{{k + 1}}} \right)}^{\lambda - 1}}} \right]} {x^k},$
${G_1}(x) = {{\sum\limits_{{k_{\min }}}^{{k_{\max }}} {k\left[ {{{\left( {\frac{{{k_{\min }}}}{k}} \right)}^{\lambda - 1}} - {{\left( {\frac{{{k_{\min }}}}{{k + 1}}} \right)}^{\lambda - 1}}} \right]} {x^{k - 1}}}/{\left\langle k \right\rangle }},$
将两个生成函数代入(7)式可求出巨分量. 图8给出了不同$\gamma $取值的SF-SF相依网络逾渗仿真结果.
图 8 不同$\gamma $取值的SF-SF相依网络逾渗, 每个网络节点数$N = 200000$, 平均度$\left\langle k \right\rangle = 6$, $\lambda = 2.7$, $\tilde P(10) = 1$, 空心标记为仿真值, 实线为逾渗方程数值解 (a) 巨分量${\mu _\infty }$$p$对应关系; (b) 级联失效迭代次数
Figure8. The results of the percolation of SF-SF interdependent networks for different $\gamma $, each network has 200000 nodes, average degree is 6, $\lambda = 2.7$, $\tilde P(10) = 1$. The symbols represent the simulation results, and the solid linesshow the corresponding analytical predictions. (a) The size ofthe giant component ${\mu _\infty }$ versus $p$; (b) number of iterations.

上一节中针对不同的$\gamma $值分别对RR-RR, ER-ER和SF-SF三种相依网络进行了逾渗仿真, 对仿真结果的分析如下.
1) 对于三种相依网络, 随着$\gamma $取值增大网络鲁棒性逐渐提高. $\gamma $值表示对相依节点失效的容忍程度, 较大$\gamma $意味着即使某节点的较多依赖节点失效, 该节点仍正常工作.
2) 通过观察图3, 图5以及图8的仿真结果可以看出, 在本文选取的$\gamma $值范围内, 三种相依网络皆不存在二阶相变, 这与理论分析的结果吻合.
3) 图4给出了不同$\gamma $值ER-ER相依网络的相变点的数值解, 其中$\gamma = 1$时网络的相变点与单个ER网络的相变点相同, 这说明$\gamma = 1$解耦合了两个相依网络, 节点之间不再存在相互依存关系.
4) 图6结果表明在相同$\gamma $值的情况下, 随着依赖群平均规模的增大网络鲁棒性整体呈上升趋势. 根据(5)式可知, 保持$\gamma $值不变, 增大某节点依赖群规模可以使失效组合增多从而降低该节点相依失效的概率.
5) 图7中相变点曲线呈阶梯状, 主要因为(5)式中对$\tilde k\gamma $进行了向下取整操作, 所以在$\gamma $的某取值区间内${p_{\rm{c}}}$值保持不变. 从图中还可以看出, 随着依赖群规模增大, ${p_{\rm{c}}}$呈整体下降趋势, 意味网络的鲁棒性得到提高.
根据本文理论分析与仿真结果可知, 可从两个方面提高多依赖相依网络鲁棒性:
1) 提高失效容忍度$\gamma $, 即增加被依赖节点的相互可替代性, 保证即使某节点的依赖节点只有少量存活, 仍可以支撑该节点的正常运行;
2) 增加依赖节点的数量, 若某节点存在更多的依赖节点, 则在相同$\gamma $值的情况下存活节点组合更多, 从而提高该节点存活的概率.
相依网络的鲁棒性正在逐渐引起人们的重视, 现实网络中节点往往会依赖于多个节点, 按照传统相依网络逾渗理论, 多依赖性通常会降低网络鲁棒性, 但现实网络并未因此变得更脆弱. 为了更好地描述现实网络中的这种现象, 提出了一种相依网络的条件依赖群逾渗模型, 该模型允许在部分被依赖节点失效情况下依赖节点仍正常工作. 本文在逾渗模型的基础上, 利用生成函数理论[25]给出了上述具有任意度分布模型的巨分量方程, 通过对三种相依网络模拟仿真可看出方程的数值解与模拟值相吻合, 验证了理论的有效性. 虽然理论分析发现对于任意依赖度分布的相依网络模型, 无论$\gamma $取任何值($\gamma = 1$除外)都不存在二阶逾渗相变, 但仿真结果仍表明随着$\gamma $取值增大网络鲁棒性会逐渐提高. 此外, 对比不同依赖度分布的仿真, 在相同$\gamma $值的情况下, 随着依赖节点的增多, 网络鲁棒性也会相应地提升. 本文的研究结果对提高现实世界相依系统鲁棒性具有一定的科学指导意义, 同时也为后续具有多依赖关系的相依网络研究提供了借鉴.
相关话题/网络 比例 概率 节点 工作

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 多个量子节点确定性纠缠的建立
    摘要:量子纠缠是一种重要的量子资源,在多个空间分离的量子存储器间建立确定性的量子纠缠,然后在用户控制的时刻将所存储的量子纠缠转移到量子信道中进行信息的分发和传送,这对于实现量子信息网络是至关重要的.本文介绍了用光学参量放大器制备与铷原子D1吸收线对应的非经典光场,而且在三个空间分离的原子系综中确定性 ...
    本站小编 Free考研考试 2021-12-29
  • 基于<i>K</i>-阶结构熵的网络异构性研究
    摘要:结构熵可以考察复杂网络的异构性.为了弥补传统结构熵在综合刻画网络全局以及局部特性能力上的不足,本文依据网络节点在K步内可达的节点总数定义了K-阶结构熵,可从结构熵随K值的变化规律、最大K值下的结构熵以及网络能够达到的最小结构熵三个方面来评价网络的异构性.利用K-阶结构熵对规则网络、随机网络、W ...
    本站小编 Free考研考试 2021-12-29
  • 考虑边聚类与扩散特性的信息传播网络结构优化算法
    摘要:优化网络结构以促进信息在网络中传播一直是复杂网络研究的重点,网络中边的聚类特性和扩散特性对信息传播具有重要作用.K-truss分解算法是一种利用边的聚类特性识别网络关键节点的算法,然而K-truss算法会受到网络中局部聚类结果(即相互连接的假核结构)的影响,而这些假核结构里的节点对信息扩散能力 ...
    本站小编 Free考研考试 2021-12-29
  • 基于区域密度曲线识别网络上的多影响力节点
    摘要:复杂网络多影响力节点的识别可以帮助理解网络的结构和功能,具有重要的理论意义和应用价值.本文提出一种基于网络区域密度曲线的多影响力节点的识别方法.应用两种不同的传播模型,在不同网络上与其他中心性指标进行了比较.结果表明,基于区域密度曲线的识别方法能够更好地识别网络中的多影响力节点,选中的影响力节 ...
    本站小编 Free考研考试 2021-12-29
  • 在兴奋-抑制混沌神经元网络中有序波的自发形成
    摘要:大脑皮层在一定条件下可以自发出现螺旋波和平面波,为了了解这些有序波的产生机制,构造了一个双层的二维神经元网络.该网络由最近邻兴奋性耦合和长程抑制性耦合层组成,采用修改后的Hindmarsh-Rose神经元模型研究了该混沌神经元网络从具有随机相位分布的初态演化是否能自发出现各种有序波.数值模拟结 ...
    本站小编 Free考研考试 2021-12-29
  • 一种基于文本互信息的金融复杂网络模型
    摘要:复杂网络能够解决许多金融问题,能够发现金融市场的拓扑结构特征,反映不同金融主体之间的相互依赖关系.相关性度量在金融复杂网络构建中至关重要.通过将多元金融时间序列符号化,借鉴文本特征提取以及信息论的方法,定义了一种基于文本互信息的相关系数.为检验方法的有效性,分别构建了基于不同相关系数(Pear ...
    本站小编 Free考研考试 2021-12-29
  • 基于复杂网络动力学模型的无向加权网络节点重要性评估
    摘要:定量分析识别复杂网络中的重要节点对于研究复杂网络鲁棒性和脆弱性意义重大,当前基于网络结构的节点重要性评估方法成果丰富,而基于复杂网络动力学模型的节点重要性评估方法较少.针对无向加权网络,本文首先提出了构建其对应的复杂网络动力学模型的方法,并证明了该类复杂网络动力学模型是大范围内一致渐近稳定的; ...
    本站小编 Free考研考试 2021-12-29
  • 相依网络上基于相连边的择优恢复算法
    摘要:如何有效地应对和控制故障在相依网络上的级联扩散避免系统发生结构性破碎,对于相依网络抗毁性研究具有十分重要的理论价值和现实意义.最新的研究提出一种基于相依网络的恢复模型,该模型的基本思想是通过定义共同边界节点,在每轮恢复阶段找出符合条件的共同边界节点并以一定比例实施恢复.当前的做法是按照随机概率 ...
    本站小编 Free考研考试 2021-12-29
  • 基于金刚石氮-空位色心自旋系综与超导量子电路混合系统的量子节点纠缠
    摘要:量子纠缠是实现量子计算和量子通信的核心基础,本文提出了在金刚石氮-空位色心(NVcenters)自旋系综与超导量子电路耦合的混合系统中实现两个分离量子节点之间纠缠的理论方案.在该混合系统中,把金刚石NVcenters自旋系综和与之耦合的超导共面谐振器视为一个量子节点,两个量子节点之间通过一个空 ...
    本站小编 Free考研考试 2021-12-29
  • 耦合含时滞的相互依存网络的局部自适应异质同步
    摘要:针对由两个子网络构成的耦合含时滞的相互依存网络,研究其局部自适应异质同步问题.时滞同时存在于两个子网络的内部耦合项和子网络间的一对一相互依赖耦合项中,且网络的耦合关系满足非线性特性和光滑性.基于李雅普诺夫稳定性理论、线性矩阵不等式方法和自适应控制技术,通过对子网络设置合适的控制器,提出了使得相 ...
    本站小编 Free考研考试 2021-12-29