复杂网络度分布计算与可视化工具

资 源 简 介

本项目主要用于实现复杂网络（Complex Networks）拓扑结构中最为关键的指标——度分布（Degree Distribution）的计算与图形化展示。项目的核心功能包括三个部分：首先，构建网络数据结构，支持通过邻接矩阵（Adjacency Matrix）或边列表导入现有的网络数据，也支持调用算法生成经典的理论网络模型（如ER随机图、WS小世界网络、BA无标度网络）；其次，编写核心计算函数，该函数接收网络数据作为输入，遍历所有节点计算其对应的度（Degree），即连接边的数量，并进一步统计不同度值在网络中出现的频率，从而得到度分布概率序列 P(k)；最后，利用MATLAB强大的绘图功能，根据计算得到的统计数据绘制度分布图。可视化模块不仅支持普通的线性坐标直方图，还特别针对无标度网络的幂律特性，实现了双对数坐标系（Log-Log Plot）下的度分布绘制功能，以便用户直观地分析网络是否存在“长尾”效应。该工具封装性好，便于科研人员快速对不同类型的网络拓扑特性进行量化分析。

详 情 说 明

基于MATLAB的复杂网络度分布计算与可视化分析工具

项目简介

本项目是一个专注于复杂网络（Complex Networks）拓扑结构分析的MATLAB工具，重点在于量化和展示网络的度分布（Degree Distribution）特性。项目通过编写核心算法，实现了从网络生成、度指标计算到多维度可视化展示的完整流程。它不仅能够生成经典的三大理论网络模型（ER随机图、WS小世界网络、BA无标度网络），还针对不同网络的特性提供了线性坐标和双对数坐标下的度分布统计图，特别包含针对无标度特性的幂律拟合分析。

功能特性

• 经典网络模型生成：内置算法可自动生成ER随机网络、WS小世界网络和BA无标度网络，支持参数自定义（如节点数、连接概率、重连概率、生长参数等）。
• 高效的数据结构：采用稀疏矩阵（Sparse Matrix）存储邻接矩阵，优化了内存占用，能够支持数千节点规模的网络分析。
• 核心指标计算：能够快速遍历全网节点计算度（Degree），统计度频数，并计算度分布概率 $P(k)$。
• 多维度可视化：

* 拓扑概览：利用Spy Plot展示邻接矩阵的稀疏模式，直观反映连接分布。 * 线性分布：通过直方图展示常规坐标系下的度分布情况。 * 幂律检测：提供双对数坐标（Log-Log Plot）视图，并包含线性拟合功能，用于识别和验证无标度网络的幂律分布特性（"长尾"效应）。

系统要求

• MATLAB R2016a 或更高版本（代码使用了 graph 理论相关的基础矩阵操作及 histcounts 函数）。
• 无需额外的特定工具箱（Toolboxes），主要基于MATLAB基础函数库实现。

使用方法

直接运行主脚本 main 即可。程序将自动执行以下流程：

1. 初始化环境并创建图形窗口。
2. 依次生成三个不同类型的网络（ER、WS、BA）。
3. 在控制台输出生成进度和基本参数。
4. 在一个 $3 times 3$ 的绘图窗口中展示分析结果，每一列对应一个网络模型，每一行对应一种可视化图表。

核心功能与实现逻辑详细说明

本项目完全基于MATLAB语言编写，核心逻辑主要包含主控流程、通用分析模块以及三个特定网络的生成算法。

1. 全局分析流程

程序通过主函数协调整个分析过程，针对每种网络模型，执行统一的 perform_analysis 处理流程：

• 度计算：接收邻接矩阵作为输入，通过对矩阵行（或列）求和计算每个节点的度，利用 histcounts 统计各度值出现的频次，进而归一化得到概率分布 $P(k)$。
• 基本属性统计：计算网络的平均度 $langle k rangle$ 和总边数。
• 可视化布局：

* 第一行（拓扑结构）：使用 spy 函数绘制邻接矩阵的非零元素点，黑色点表示节点间存在连接。对于随机网络，点分布杂乱；对于小世界网络，点主要集中在对角线附近（带状分布）；对于无标度网络，则呈现出特定的中心化趋势。 * 第二行（线性度分布）：使用 bar 函数绘制普通的 $P(k)-k$ 直方图，展示度值的自然分布形态（如ER图的泊松分布形状）。 * 第三行（双对数度分布）：通过 loglog 函数在双对数坐标系下绘制散点图。程序会自动过滤概率为0的点以避免计算错误。为了验证无标度特性，代码还包含了一个自动化线性拟合模块：当数据点足够多时，计算 $log(P(k))$ 与 $log(k)$ 之间的线性回归斜率（即幂律指数 $gamma$），并在图中绘制拟合虚线。

2. ER 随机网络生成算法 (Erdős-Rényi)

实现逻辑旨在生成具有指定节点数 $N$ 和连接概率 $p$ 的随机图。

• 算法策略：为了保证生成的是无向图且提高效率，算法仅对邻接矩阵的上三角部分进行随机遍历。
• 实现细节：

* 生成一个 $N times N$ 的随机矩阵，若元素值小于 $p$ 则建立连接。 * 提取上三角矩阵并加上其转置，从而形成对称的邻接矩阵。 * 针对大规模网络（$N ge 5000$），代码会自动切换使用 sprand 函数以优化内存；对于本项目默认的 $N=1000$，则使用直接生成法。

3. WS 小世界网络生成算法 (Watts-Strogatz)

模拟从规则网络向随机网络过渡的过程，实现主要分为两步：

• 构建规则环：初始化一个包含 $N$ 个节点的环形晶格，每个节点与其左边和右边各 $K/2$ 个邻居相连。代码通过取模运算处理边界条件的周期性，生成初始的规则稀疏矩阵。
• 随机重连：遍历网络中每一条既有的边，以概率 $beta$ 断开一端并重新连接到网络中的随机节点。

* 冲突检测：重连过程中包含逻辑判断，确保不产生自环（Self-loop）和重边（Multiple edges）。 * 矩阵更新：实时修改稀疏邻接矩阵的对应坐标值。

4. BA 无标度网络生成算法 (Barabási-Albert)

基于“增长”和“优先连接”机制生成网络，模拟真实复杂网络的演化。

• 初始化：从一个包含 $m_0$ 个节点的完全连接网络开始。
• 优先连接实现（轮盘赌模拟）：

* 为了高效实现“富者愈富”的连接机制，代码维护了一个动态数组 node_list。 * 数组中存储节点编号，一个节点的度是多少，它的编号就在数组中出现多少次。 * 当引入新节点时，只需从 node_list 中随机抽取 $m$ 个元素，即可自然实现按度比例的概率选择。这种方法避免了每一步都重新计算所有节点概率分布的繁琐过程，显著提高了算法效率。

• 网络生长：每次循环引入一个新节点，连接到选中的 $m$ 个旧节点，并同步更新邻接矩阵和 node_list。