發(fā)布時間：2020-11-02 10:41

　　 網絡傳播動力學主要關注疾病、信息、物質等在網絡中的傳播擴散過程,進而揭示網絡傳播過程的本質特征,為社會網絡中的疾病防控,互聯(lián)網上的謠言遏制等提供有效的理論與技術支持。經過長期的發(fā)展,復雜網絡中的馬爾科夫過程已經形成了一套完整的體系。然而真實網絡上的很多傳播過程都具有非馬爾科夫特性,比如人類的社交活動的時間分布通常呈現(xiàn)出胖尾特征。相應地,一些研究發(fā)現(xiàn)對網絡上的傳播過程來說,等待時間的異質性在一定程度上會阻礙傳播過程。馬爾科夫傳播模型并不能對現(xiàn)實世界中的這類傳播過程進行描述,與之相比,具有非馬爾科夫特性的傳播過程則可以很好地描述它們。為了更進一步地揭示非馬爾科夫特性對傳播過程的影響,本文在前人的基礎上,對復雜網絡上的傳播過程進行了深入的研究。與現(xiàn)有的網絡傳播動力學理論方法相比,二階平均場理論能夠得到更為精確的結果。本文借鑒了該理論的思想方法,給出了能夠準確地預測復雜網絡中非馬爾科夫SI模型以及SIR模型爆發(fā)過程的二階平均場理論,建立了求解疾病傳播過程的偏微分方程組,進而能夠預測網絡中疾病爆發(fā)的時間演化過程。此外,通過該理論我們還可以計算得到網絡中每個節(jié)點被感染的平均時間,從而確定在該過程中哪些節(jié)點更容易被感染,這對于傳染病的防控工作有一定的指導性意義。并且在本文中,通過在不同人造網絡和實際網絡上進行實驗模擬,發(fā)現(xiàn)得到理論結果與模擬結果吻合地很好,進一步驗證了該理論方法的準確性。網絡傳播動力學不但在流行病防控方面具有重要意義,在其它真實網絡中也有著重要的應用價值。本文利用SI模型的傳播特性,將該模型用于表示在平面晶格上克隆植物分株網絡的生長過程。實驗模擬研究發(fā)現(xiàn),在由正三角形晶格和由正方形晶格組成的晶格生境中,分株網絡傾向于縱向生長,表現(xiàn)出更好地探索周圍區(qū)域的能力。而在正六邊形晶格生境中,分株網絡傾向于橫向生長,存在更多的葉子節(jié)點,展現(xiàn)了分株利用豐富資源的能力,同時分株數(shù)量增長速度更快。通過將網絡傳播動力學知識應用到生態(tài)網絡中去,揭示了克隆植物分株網絡生長的適應性特征,既體現(xiàn)了研究網絡傳播動力學模型的重要性,也說明了該網絡科學的廣泛可適用性。
【學位單位】：華東師范大學
【學位級別】：碩士
【學位年份】：2020
【中圖分類】：G206;O157.5
【部分圖文】：

病毒傳播與謠言傳播

華東師范大學碩士學位論文圖1.2流行病傳播過程[36]時，系統(tǒng)處于活躍的流行病狀態(tài)，即受系統(tǒng)中感染的個體數(shù)量有限，但當傳播概率低于流行病閾值時，流行病最終會從系統(tǒng)中消失，一般稱為吸收態(tài)。先前的研究已經探討了接觸網的拓撲結構對宏觀、中尺度和微觀層面的影響。宏觀尺度主要關注的是度分布的影響，研究表明，具有強異質度分布的網絡流行病閾值很低。對中觀尺度的研究，主要集中在度-度相關、簇和社區(qū)[30–34]，發(fā)現(xiàn)在具有同配性[33]、高聚類性[30]和社區(qū)結構[34]的網絡上流行病的爆發(fā)的概率更高，而異配網絡會降低流行病的爆發(fā)的可能性。從微觀角度對流行病的研究發(fā)現(xiàn)，流行病在網絡中傳播時，網絡上的中心節(jié)點更容易感染疾病[13,35]，如圖1.2顯示的是重尾網絡中的易感-感染流行病的傳播過程，其中藍色節(jié)點是易感節(jié)點，黃/紅色節(jié)點是感染節(jié)點，根據感染時間由小到大，感染節(jié)點由黃色變?yōu)榧t色，節(jié)點大小與節(jié)點度成正比，右方從上至下的三個子圖分別對應于時間t=5、10和20的系統(tǒng)狀態(tài)[36]。目前廣泛使用的流行病傳播動力學方法包括平均場近似、異質平均嘗淬火平均嘗動態(tài)消息傳遞、邊滲流、點對近似等。這些方法都可以用于SIR模型，但它們都不能充分描述網絡的完整拓撲結構及其動態(tài)相關性。要想更準確地捕獲網絡拓撲和動態(tài)相關性，需要用更復雜、數(shù)量更多的方程來描述。例如，可以4

華東師范大學碩士學位論文圖2.1小世界網絡的聚類系數(shù)和平均距離[52]大多數(shù)現(xiàn)實世界的網絡是開放的，系統(tǒng)中會有許多新的節(jié)點不斷加入，例如，引文網絡會由于新論文的發(fā)表而擴大，萬維網通過添加新的Web頁面而呈指數(shù)增長，這些系統(tǒng)的一個共同特征是，網絡隨著能夠與系統(tǒng)中已存在的頂點建立連邊的新頂點的不斷加入而逐漸擴展。此外，隨機網絡模型假設兩個頂點連接的概率是隨機的和一致的。相比之下，大多數(shù)真實的網絡顯示出優(yōu)先的連接性。例如，一個新演員最有可能在一個配角中扮演一個更成熟、更知名的演員。因此，一個新演員和一個已經確定的演員一起出演的概率要比這個新演員和其他不太知名的演員一起出演的概率高得多。同樣，一個新創(chuàng)建的網頁將更有可能包括已經具有較高度連接度的知名網站的鏈接。這些示例表明，加入到網絡中的新節(jié)點連接到網絡中所有現(xiàn)有節(jié)點的概率是不一致的，新節(jié)點連接到網絡中度較大的節(jié)點的概率更高。為了更好地描述現(xiàn)實網絡，Barabási和Albert提出了另一種網絡生成模型，通常我們稱之為BA網絡模型[10]。從一個僅有m0個節(jié)點的網絡開始，每一時間步，向網絡中加入一個新的節(jié)點，并將它與網絡中現(xiàn)有的m(≤m0)個節(jié)點進行連接，這個新加入的節(jié)點與網絡中已經存在的節(jié)點i相連的概率Π取決于該節(jié)點的度ki，即Π(ki)=ki∑jkj，經過t步之后，網絡中會有t+m0個節(jié)點和mt條邊，此時該網絡演化為一種標度不變的狀態(tài)，盡管網絡仍在增加，網絡的度分布p(k)與時間變化無關，且滿足冪律關系P(k)=kγ。若網絡的演化時間足夠長，11
【相似文獻】

相關期刊論文 前10條

1 劉進林;李欣竹;蔣晨琛;;基于改進馬爾科夫特征的圖像拼接檢測研究[J];信息技術與網絡安全;2020年02期

2 嚴曙;胡曉波;王儒敬;;基于正則線性模型的馬爾科夫邊學習算法[J];計算機應用與軟件;2020年02期

3 耿飛躍;翁發(fā)祿;唐旺;王煥;丁元春;劉帥;;多時滯馬爾科夫跳變系統(tǒng)能量峰值控制方法研究[J];科技與創(chuàng)新;2020年11期

4 Shan-shan PAN;Wei-qiu ZHU;Rong-chun HU;Rong-hua HUAN;;隨機激勵下連續(xù)時間馬爾科夫跳變非線性系統(tǒng)的平穩(wěn)響應研究（英文）[J];Journal of Zhejiang University-Science A(Applied Physics & Engineering);2017年02期

5 黃麒元;王致杰;王東偉;杜彬;;馬爾科夫理論及其在預測中的應用綜述[J];技術與市場;2015年09期

6 翟波;;基于灰色-馬爾科夫理論的煤礦瓦斯?jié)舛阮A測[J];城市地理;2017年10期

7 王雙成;劉喜華;唐海燕;;基于依賴分析的馬爾科夫網絡分類器學習與優(yōu)化[J];模式識別與人工智能;2006年04期

8 高山珍,王永亮;7維廣義馬爾科夫方程的幾個性質[J];石家莊鐵道學院學報;2003年02期

9 高山珍,高靜偉;廣義馬爾科夫方程解的存在性[J];河北職業(yè)技術師范學院學報;2003年03期

10 曹昌祺;原子自發(fā)輻射的非馬爾科夫理論[J];量子光學學報;2002年S1期

相關博士學位論文 前10條

1 姚得銀;部分轉移概率未知的馬爾科夫跳變系統(tǒng)的分析與綜合[D];廣東工業(yè)大學;2019年

2 王軍義;具有時變時滯的馬爾科夫復雜神經網絡的同步問題研究[D];東北大學;2016年

3 田家明;非方奇異馬爾科夫跳變系統(tǒng)的性能分析和觀測器設計[D];山東大學;2019年

4 王繼民;非線性廣義半馬爾科夫跳變系統(tǒng)的分析與綜合[D];山東大學;2018年

5 李繁飆;半馬爾科夫跳變系統(tǒng)的分析和綜合[D];哈爾濱工業(yè)大學;2015年

6 龍少華;奇異時滯馬爾科夫系統(tǒng)的容許性問題研究[D];電子科技大學;2013年

7 陶杰;馬爾科夫跳變系統(tǒng)的耗散性分析與綜合[D];浙江大學;2018年

8 張興遠;非馬爾科夫演化及對量子熱機性能的影響[D];大連理工大學;2016年

9 肖興;開放量子系統(tǒng)的非馬爾科夫動力學和弱測量反饋控制[D];湖南師范大學;2012年

10 嚴曙;基于回歸正則化模型馬爾科夫邊的發(fā)現(xiàn)研究和應用[D];中國科學技術大學;2019年

相關碩士學位論文 前10條

1 祁婷;復雜網絡上非馬爾科夫傳播與生長過程研究[D];華東師范大學;2020年

2 王增旺;基于馬爾科夫邏輯網的不確定性復雜事件處理技術研究[D];湖南大學;2019年

3 馮秘;復雜網絡上非馬爾科夫傳播動力學解析研究[D];電子科技大學;2019年

4 李皓;非馬爾科夫環(huán)境下微觀宏觀糾纏轉移[D];華北電力大學(北京);2019年

5 張暖笛;多源輸入半馬爾科夫跳變系統(tǒng)的容錯控制器設計[D];北京交通大學;2019年

6 嚴嘉赟;基于群智感知的車聯(lián)網節(jié)點優(yōu)化方法與應用[D];南京郵電大學;2019年

7 王麗萍;基于馬爾科夫近似的異構網絡接入選擇和資源分配算法研究[D];西安電子科技大學;2019年

8 李海星;基于OpenStack云計算平臺負載均衡技術研究[D];重慶郵電大學;2019年

9 李錦濤;基于馬爾科夫的張量鏈模型及其在用戶行為軌跡的預測[D];華中科技大學;2019年

10 徐銳;面向質量改進的多產品關聯(lián)多工序制造系統(tǒng)建模與分析[D];上海交通大學;2016年

本文編號：2866942