简介面向MATLAB使用者与复杂网络研究者的实操代码包覆盖随机网络、无标度网络和小世界网络的生成、统计与绘图。包内脚本可实现基于优先连接的无标度网络、基于ER模型的随机网络以及基于WS模型和NW模型的小世界网络并输出度分布、平均度等关键指标便于观察网络拓扑特征。压缩包共7个文件全部为m源码脚本整体仅4KB代码精炼、无冗余依赖适合初学者逐行理解也可作为科研绘图与算法验证的基础工具目前已有253人学习下载。脚本涵盖网络生成、平均度计算、全局耦合建模、度分布统计和可视化等环节例如无标度网络构建、小世界网络WS/NW两种模型、随机网络生成以及平均度求解均可在MATLAB中直接运行并在此基础上扩展参数或嵌入自己的数据。对于需要快速复现复杂网络实验或完成课程设计的研究者这份紧凑的工具包能节省大量编码时间。1. 复杂网络建模为什么要在 MATLAB 里自己写生成器做数学建模或网络科学实验时经常要生成“看起来像真实网络”的数据。用工具箱函数直接给出一个随机图很容易但一旦要调节度分布指数、聚类系数或小世界区间你会发现可控变量不够。这个资源包恰好把常见模型的生成脚本拆开了BA 无标度网络、WS/NW 小世界网络、ER 随机网络、全局耦合网络再加上度分布统计和平均度函数。它的价值不在代码量大而在于你能边跑边改把网络生成从黑盒变成透明过程。适合正在做复杂网络仿真、课程设计或想深入理解网络生成机制的读者。2. BA 无标度网络的生成BANetwork2.m 与优先连接机制无标度网络最显著的特征是度分布服从幂律少量节点拥有大量连接大部分节点度很小。Barabási-AlbertBA模型通过“优先连接”产生这种分布——新节点加入时连到已有节点的概率与其当前度成正比。资源包里的BANetwork2.m实现了这个过程dufenbu.m则负责把度分布打印成图。2.1 优先连接的实现逻辑优先连接的核心是每次新增节点时按照旧节点的度比例采样邻居。下面的实现不依赖统计工具箱只用cumsum和rand就能完成。function A BANetwork2(N, m0, m) % N: 最终节点数, m0: 初始全连接节点数, m: 每个新节点连出的边数 A ones(m0) - eye(m0); % 初始 m0 个节点两两相连 d sum(A, 2); % 当前各节点的度 for i (m01):N s sum(d); cumP cumsum(d) / s; % 优先连接概率的累积分布 chosen zeros(1, m); for k 1:m r rand(); chosen(k) find(cumP r, 1, first); end A(i, chosen) 1; % 新节点连接被选中的旧节点 A(chosen, i) 1; d sum(A, 2); % 更新度数 end end逻辑说明cumsum(d)/sum(d)将每个节点的度转化为累积概率区间rand落在哪个区间就选择哪个节点。这样重复m次得到新节点的m个邻居。最后同时更新邻接矩阵的对称位置保持无向图性质。参数说明N是最终网络大小m0是初始完全图的节点数m是每个新节点建立的边数。BA 网络的稳态平均度约为2m因此m直接控制网络稀疏程度。需要留意的是如果m大于m0初始图无法提供足够的不同邻居代码可能出现重复连接实际使用时可以做一次unique去重或者把m0设得比m大一些。参数作用建议范围N最终节点数1000 ~ 10000m0初始全连接节点数3 ~ 10m每个新节点连接边数1 ~ m0平均度稳态下约为 2m4 ~ 82.2 用 dufenbu.m 验证幂律分布生成邻接矩阵后最重要的验证是看度分布是否呈现幂律尾部。dufenbu.m做的就是这件事。function dufenbu(A) d sum(A, 2); edges min(d):(max(d)1); counts histcounts(d, edges); loglog(edges(1:end-1), counts, bo); xlabel(节点度 k); ylabel(度为 k 的节点数 P(k)); end逻辑说明histcounts统计每个度数出现的频数loglog将坐标轴取对数。无标度网络的典型特征是散点在对数坐标下呈近似线性衰减拟合斜率就是度分布指数 γ。BA 模型的 γ 理论值约为 3。如果画出来是一条明显下凸或上凹的曲线常见原因是网络规模太小或m过大导致度数分布太集中。建议N至少取 2000m保持 2 或 3这时候尾巴会更清晰。2.3 BA 网络参数与常见坑BA 模型的坑主要集中在内存和采样效率。A ones(m0) - eye(m0)会生成稠密矩阵当N5000时这个矩阵约占 200MB 内存。建议将存储改为A sparse(N, N)并在赋值时直接用稀疏索引。另一个常见误用是忽略“重复邻居”。优先连接过程中新节点可能两次选中同一个高节点这会让实际边数少于m度分布偏离理论。严谨的做法是在采样后执行chosen unique(chosen)如果去重后不够m个再继续补采。虽然多写几行判断但在m较大时非常必要。3. 小世界网络WS 模型与 NW 模型的 MATLAB 实现小世界网络介于规则网络和随机网络之间兼具短平均路径和高聚类系数。Watts-StrogatzWS模型通过随机重连打破规则性Newman-WattsNW模型则通过随机加边达到类似效果。资源包里的SmallWorldWS.m和SmallWorldNW.m分别对应这两种策略。3.1 WS 模型的重连规则与 SmallWorldWS.mWS 模型的起点是一个环状规则网络每个节点与左右各 K/2 个邻居相连。接着遍历每条边以概率 p 断开并重新连接到一个随机节点同时避免自环和重边。function A SmallWorldWS(N, K, p) % N: 节点数, K: 每个节点的初始度偶数, p: 重连概率 A zeros(N); % 构造环状规则网络 for i 1:N for r 1:K/2 j mod(ir-1, N) 1; A(i,j) 1; A(j,i) 1; end end % 遍历每条已存在边以概率 p 重新连接 [src, dst] find(triu(A, 1)); for e 1:length(src) if rand p i src(e); j dst(e); A(i,j) 0; A(j,i) 0; candidates setdiff(1:N, [i, find(A(i,:))]); if ~isempty(candidates) new candidates(randi(length(candidates))); A(i,new) 1; A(new,i) 1; end end end end逻辑说明triu(A,1)提取邻接矩阵的上三角部分保证每条边在重连时只处理一次。setdiff排除节点自身和当前邻居避免产生自环与重边。重连概率 p 很小时网络仍接近规则网络p 增大后长程边增加平均路径快速下降。参数说明K 必须是偶数否则规则环无法对称构造。p 一般取 0.01 ~ 0.1此时小世界效应最明显。p0 时是完全规则网络p1 时网络接近随机图。3.2 NW 模型的随机加边策略与 SmallWorldNW.mNW 模型不破坏原有规则边只是随机添加“额外边”。由于规则网络始终保留连通性不会因重连而断裂。function A SmallWorldNW(N, K, p) % N: 节点数, K: 每个节点的初始度偶数, p: 随机加边概率 A zeros(N); % 先构造同样的环状规则网络 for i 1:N for r 1:K/2 j mod(ir-1, N) 1; A(i,j) 1; A(j,i) 1; end end % 在非邻居节点之间以概率 p 加边 for i 1:N for j i1:N if A(i,j) 0 rand p A(i,j) 1; A(j,i) 1; end end end end逻辑说明双重循环枚举所有未连接节点对以概率 p 添加一条边。这里的 p 和 WS 模型中的 p 含义不同WS 是“重连概率”NW 是“加边概率”。NW 的度分布是规则网络原有度数再加上一个近似泊松的尾部因此会出现度大于 K 的节点。时间复杂度方面NW 的生成是 O(N^2)。当 N 超过 5000 时较慢可以改用随机抽样先计算允许加边的候选对数再按 p 抽取其中一部分。不过教学场景下双重循环已经足够直观。3.3 验证小世界特性平均路径长度与聚类系数生成网络后需要同时看两个指标平均路径长度 L 和平均聚类系数 C。下面这段代码可以在 MATLAB 中计算并输出。function [L, C] smallworld_stats(A) G graph(A); D distances(G); L mean(D(isfinite(D))); % 避开 Inf只统计连通节点对 C mean(clustering_coeff(A)); end function c clustering_coeff(A) n size(A, 1); c zeros(n, 1); for i 1:n nb find(A(i,:)); if length(nb) 2 c(i) 0; else e sum(sum(A(nb, nb))) / 2; c(i) 2 * e / (length(nb) * (length(nb) - 1)); end end end逻辑说明distances计算任意两点最短路径isfinite剔除不连通节点对避免平均路径被 Inf 污染。聚类系数统计每个节点邻居之间实际存在的边数占最大可能边数的比例最后对所有节点取平均。对比经验是固定 N500、K6p 在 0.01 附近时L 显著下降而 C 仍保持较高这就是小世界区间。p 超过 0.3 后 C 也会快速下降网络逐渐随机化。WS 和 NW 在这个区间上的表现接近但 NW 因为没有断边C 的衰减通常更平缓。4. 随机网络与全局耦合从 ER 模型到 GlobalCoupled.m随机网络是复杂网络研究中最基础的对照模型。Erdős-RényiER模型设定每对节点以相同概率 p 连接形成泊松型度分布。它与 BA、WS 的最大区别是“没有偏好”所有节点地位平等聚类系数也低。资源包中的nnewrandom.m负责生成 ER 随机网络GlobalCoupled.m则构造全连接的理想上限。4.1 ER 随机网络的生成nnewrandom.m 与连接概率 pER 网络的实现可以非常简洁生成一个 N×N 的随机矩阵用阈值 p 转换为 0/1 矩阵再取上三角并对称化。function A nnewrandom(N, p) % N: 节点数, p: 每条边存在的概率 A triu(rand(N) p, 1); % 严格上三角的 0/1 矩阵 A A A; % 对称化得到无向邻接矩阵 end逻辑说明rand(N)生成均匀分布的随机数矩阵与 p 比较后得到满足概率条件的连接候选triu(...,1)只保留对角线以上的部分避免自环和重复计数。最后加转置使矩阵对称。参数说明p 决定了平均度ER 网络的平均度是p*(N-1)。要让网络大概率连通p 通常取ln(N)/N以上。例如 N1000 时p 至少约 0.0069否则网络会分裂成多个小连通分量。4.2 全局耦合网络GlobalCoupled.m 的构造与特性全局耦合网络是最简单的拓扑每个节点与其他所有节点相连。它常被当作性能上限或理想化场景。function A GlobalCoupled(N) % N: 节点数 A ones(N) - eye(N); end逻辑说明ones(N)是全 1 矩阵eye(N)是对角矩阵相减后对角线为 0其余全为 1。这个矩阵不需要循环构造非常快。全局耦合网络的平均路径长度恒为 1聚类系数恒为 1。正因如此它在同步性研究常被用作对比基准任何拓扑的同步能力不会超过全局耦合。生成后可以用spy(A)查看邻接矩阵的填充模式会看到除对角线外全为高亮点。4.3 平均度计算与四类网络对比pingjundu.m用于快速计算任意邻接矩阵的平均度。对于无向图最稳的写法如下。function avg pingjundu(A) avg sum(sum(A)) / size(A, 1); end逻辑说明sum(sum(A))统计总边数的两倍无向矩阵每对连接有两个对称元素除以节点数得到平均度。要注意输入矩阵不能是逻辑型否则sum会按 0/1 正常计算但输出类型可能仍是 logical建议先转为double。下面这张表汇总了四类网络的关键统计特征方便你在仿真前选择模型。网络类型生成方式平均度聚类系数平均路径BA 无标度优先连接2m中等短WS 小世界规则环 重连K高p 小时短NW 小世界规则环 加边K p(N-1)高短ER 随机概率连接p(N-1)p短全局耦合全连接N-111如果只靠平均度判断BA 和 ER 可能看起来相差不大但看度分布会立刻区别开BA 是幂律尾巴ER 是泊松分布WS/NW 则集中在 K 附近并带有规则结构特征。5. 绘图与调参技巧让 MATLAB 复杂网络可视化更清楚这章收在绘图技巧上因为很多人在网络生成后最后一步总是卡在“怎么把图画得能放进论文或答辩 PPT”。尤其是graphplot默认样式经常连边重叠到看不清。5.1 graphplot 布局快速入门MATLAB 的graph对象自带plot方法支持多种布局。常用的是 force 布局它模拟物理斥力与引力适合中小规模网络。G graph(A); p plot(G, Layout, force, NodeLabel, {});逻辑说明force布局会根据节点间连接关系自动调整位置视觉上更容易看清社区结构。NodeLabel设为空避免上千个节点号重叠成黑块。如果边太密可以单独设置透明度与颜色。p.EdgeAlpha 0.15; p.NodeColor [0.2 0.4 0.8]; p.MarkerSize 3;EdgeAlpha降到 0.15 后重叠边会形成“深色区域”反而能看出哪些节点对连接最集中。这是复杂网络绘图中比较实用的降噪手段。5.2 度分布绘图的细节对数分箱与累积分布dufenbu.m直接绘制直方图时如果度数范围跨越多个数量级许多区间会没有数据loglog 图形会断成一截一截。更稳的做法是绘制累积度分布P(K k)它对噪声更不敏感。d sum(A, 2); pd histcounts(d, BinMethod, integers); cd flip(cumsum(flip(pd))); k min(d):max(d); loglog(k, cd, o); xlabel(度 k); ylabel(P(K k));逻辑说明pd是度频数flip(cumsum(flip(pd)))从最大度往累积得到“度数大于等于 k 的节点数”。累积分布在尾部更平滑且不会因为某个度数恰好没有节点而断线。5.3 科研绘图中的坐标系与导出技巧复杂网络论文里经常需要对数坐标的刻度做精细控制。MATLAB 中可以直接设置刻度值避免自动刻度过于稀疏。set(gca, XScale, log, YScale, log); set(gca, XTick, [1 10 100 1000]);如果网络规模很大不建议直接截图而是用矢量格式导出。exportgraphics(gcf, network_distribution.pdf, ContentType, vector);ContentType设为vector后PDF 中的点和线可以无限放大而不失真Word 或 LaTeX 排版时也不会出现锯齿。这个细节在最终提交论文时很值钱。本文还有配套的精品资源点击获取 MATLAB复杂网络建模：从BA无标度到小世界网络生成实战
简介面向MATLAB使用者与复杂网络研究者的实操代码包覆盖随机网络、无标度网络和小世界网络的生成、统计与绘图。包内脚本可实现基于优先连接的无标度网络、基于ER模型的随机网络以及基于WS模型和NW模型的小世界网络并输出度分布、平均度等关键指标便于观察网络拓扑特征。压缩包共7个文件全部为m源码脚本整体仅4KB代码精炼、无冗余依赖适合初学者逐行理解也可作为科研绘图与算法验证的基础工具目前已有253人学习下载。脚本涵盖网络生成、平均度计算、全局耦合建模、度分布统计和可视化等环节例如无标度网络构建、小世界网络WS/NW两种模型、随机网络生成以及平均度求解均可在MATLAB中直接运行并在此基础上扩展参数或嵌入自己的数据。对于需要快速复现复杂网络实验或完成课程设计的研究者这份紧凑的工具包能节省大量编码时间。1. 复杂网络建模为什么要在 MATLAB 里自己写生成器做数学建模或网络科学实验时经常要生成“看起来像真实网络”的数据。用工具箱函数直接给出一个随机图很容易但一旦要调节度分布指数、聚类系数或小世界区间你会发现可控变量不够。这个资源包恰好把常见模型的生成脚本拆开了BA 无标度网络、WS/NW 小世界网络、ER 随机网络、全局耦合网络再加上度分布统计和平均度函数。它的价值不在代码量大而在于你能边跑边改把网络生成从黑盒变成透明过程。适合正在做复杂网络仿真、课程设计或想深入理解网络生成机制的读者。2. BA 无标度网络的生成BANetwork2.m 与优先连接机制无标度网络最显著的特征是度分布服从幂律少量节点拥有大量连接大部分节点度很小。Barabási-AlbertBA模型通过“优先连接”产生这种分布——新节点加入时连到已有节点的概率与其当前度成正比。资源包里的BANetwork2.m实现了这个过程dufenbu.m则负责把度分布打印成图。2.1 优先连接的实现逻辑优先连接的核心是每次新增节点时按照旧节点的度比例采样邻居。下面的实现不依赖统计工具箱只用cumsum和rand就能完成。function A BANetwork2(N, m0, m) % N: 最终节点数, m0: 初始全连接节点数, m: 每个新节点连出的边数 A ones(m0) - eye(m0); % 初始 m0 个节点两两相连 d sum(A, 2); % 当前各节点的度 for i (m01):N s sum(d); cumP cumsum(d) / s; % 优先连接概率的累积分布 chosen zeros(1, m); for k 1:m r rand(); chosen(k) find(cumP r, 1, first); end A(i, chosen) 1; % 新节点连接被选中的旧节点 A(chosen, i) 1; d sum(A, 2); % 更新度数 end end逻辑说明cumsum(d)/sum(d)将每个节点的度转化为累积概率区间rand落在哪个区间就选择哪个节点。这样重复m次得到新节点的m个邻居。最后同时更新邻接矩阵的对称位置保持无向图性质。参数说明N是最终网络大小m0是初始完全图的节点数m是每个新节点建立的边数。BA 网络的稳态平均度约为2m因此m直接控制网络稀疏程度。需要留意的是如果m大于m0初始图无法提供足够的不同邻居代码可能出现重复连接实际使用时可以做一次unique去重或者把m0设得比m大一些。参数作用建议范围N最终节点数1000 ~ 10000m0初始全连接节点数3 ~ 10m每个新节点连接边数1 ~ m0平均度稳态下约为 2m4 ~ 82.2 用 dufenbu.m 验证幂律分布生成邻接矩阵后最重要的验证是看度分布是否呈现幂律尾部。dufenbu.m做的就是这件事。function dufenbu(A) d sum(A, 2); edges min(d):(max(d)1); counts histcounts(d, edges); loglog(edges(1:end-1), counts, bo); xlabel(节点度 k); ylabel(度为 k 的节点数 P(k)); end逻辑说明histcounts统计每个度数出现的频数loglog将坐标轴取对数。无标度网络的典型特征是散点在对数坐标下呈近似线性衰减拟合斜率就是度分布指数 γ。BA 模型的 γ 理论值约为 3。如果画出来是一条明显下凸或上凹的曲线常见原因是网络规模太小或m过大导致度数分布太集中。建议N至少取 2000m保持 2 或 3这时候尾巴会更清晰。2.3 BA 网络参数与常见坑BA 模型的坑主要集中在内存和采样效率。A ones(m0) - eye(m0)会生成稠密矩阵当N5000时这个矩阵约占 200MB 内存。建议将存储改为A sparse(N, N)并在赋值时直接用稀疏索引。另一个常见误用是忽略“重复邻居”。优先连接过程中新节点可能两次选中同一个高节点这会让实际边数少于m度分布偏离理论。严谨的做法是在采样后执行chosen unique(chosen)如果去重后不够m个再继续补采。虽然多写几行判断但在m较大时非常必要。3. 小世界网络WS 模型与 NW 模型的 MATLAB 实现小世界网络介于规则网络和随机网络之间兼具短平均路径和高聚类系数。Watts-StrogatzWS模型通过随机重连打破规则性Newman-WattsNW模型则通过随机加边达到类似效果。资源包里的SmallWorldWS.m和SmallWorldNW.m分别对应这两种策略。3.1 WS 模型的重连规则与 SmallWorldWS.mWS 模型的起点是一个环状规则网络每个节点与左右各 K/2 个邻居相连。接着遍历每条边以概率 p 断开并重新连接到一个随机节点同时避免自环和重边。function A SmallWorldWS(N, K, p) % N: 节点数, K: 每个节点的初始度偶数, p: 重连概率 A zeros(N); % 构造环状规则网络 for i 1:N for r 1:K/2 j mod(ir-1, N) 1; A(i,j) 1; A(j,i) 1; end end % 遍历每条已存在边以概率 p 重新连接 [src, dst] find(triu(A, 1)); for e 1:length(src) if rand p i src(e); j dst(e); A(i,j) 0; A(j,i) 0; candidates setdiff(1:N, [i, find(A(i,:))]); if ~isempty(candidates) new candidates(randi(length(candidates))); A(i,new) 1; A(new,i) 1; end end end end逻辑说明triu(A,1)提取邻接矩阵的上三角部分保证每条边在重连时只处理一次。setdiff排除节点自身和当前邻居避免产生自环与重边。重连概率 p 很小时网络仍接近规则网络p 增大后长程边增加平均路径快速下降。参数说明K 必须是偶数否则规则环无法对称构造。p 一般取 0.01 ~ 0.1此时小世界效应最明显。p0 时是完全规则网络p1 时网络接近随机图。3.2 NW 模型的随机加边策略与 SmallWorldNW.mNW 模型不破坏原有规则边只是随机添加“额外边”。由于规则网络始终保留连通性不会因重连而断裂。function A SmallWorldNW(N, K, p) % N: 节点数, K: 每个节点的初始度偶数, p: 随机加边概率 A zeros(N); % 先构造同样的环状规则网络 for i 1:N for r 1:K/2 j mod(ir-1, N) 1; A(i,j) 1; A(j,i) 1; end end % 在非邻居节点之间以概率 p 加边 for i 1:N for j i1:N if A(i,j) 0 rand p A(i,j) 1; A(j,i) 1; end end end end逻辑说明双重循环枚举所有未连接节点对以概率 p 添加一条边。这里的 p 和 WS 模型中的 p 含义不同WS 是“重连概率”NW 是“加边概率”。NW 的度分布是规则网络原有度数再加上一个近似泊松的尾部因此会出现度大于 K 的节点。时间复杂度方面NW 的生成是 O(N^2)。当 N 超过 5000 时较慢可以改用随机抽样先计算允许加边的候选对数再按 p 抽取其中一部分。不过教学场景下双重循环已经足够直观。3.3 验证小世界特性平均路径长度与聚类系数生成网络后需要同时看两个指标平均路径长度 L 和平均聚类系数 C。下面这段代码可以在 MATLAB 中计算并输出。function [L, C] smallworld_stats(A) G graph(A); D distances(G); L mean(D(isfinite(D))); % 避开 Inf只统计连通节点对 C mean(clustering_coeff(A)); end function c clustering_coeff(A) n size(A, 1); c zeros(n, 1); for i 1:n nb find(A(i,:)); if length(nb) 2 c(i) 0; else e sum(sum(A(nb, nb))) / 2; c(i) 2 * e / (length(nb) * (length(nb) - 1)); end end end逻辑说明distances计算任意两点最短路径isfinite剔除不连通节点对避免平均路径被 Inf 污染。聚类系数统计每个节点邻居之间实际存在的边数占最大可能边数的比例最后对所有节点取平均。对比经验是固定 N500、K6p 在 0.01 附近时L 显著下降而 C 仍保持较高这就是小世界区间。p 超过 0.3 后 C 也会快速下降网络逐渐随机化。WS 和 NW 在这个区间上的表现接近但 NW 因为没有断边C 的衰减通常更平缓。4. 随机网络与全局耦合从 ER 模型到 GlobalCoupled.m随机网络是复杂网络研究中最基础的对照模型。Erdős-RényiER模型设定每对节点以相同概率 p 连接形成泊松型度分布。它与 BA、WS 的最大区别是“没有偏好”所有节点地位平等聚类系数也低。资源包中的nnewrandom.m负责生成 ER 随机网络GlobalCoupled.m则构造全连接的理想上限。4.1 ER 随机网络的生成nnewrandom.m 与连接概率 pER 网络的实现可以非常简洁生成一个 N×N 的随机矩阵用阈值 p 转换为 0/1 矩阵再取上三角并对称化。function A nnewrandom(N, p) % N: 节点数, p: 每条边存在的概率 A triu(rand(N) p, 1); % 严格上三角的 0/1 矩阵 A A A; % 对称化得到无向邻接矩阵 end逻辑说明rand(N)生成均匀分布的随机数矩阵与 p 比较后得到满足概率条件的连接候选triu(...,1)只保留对角线以上的部分避免自环和重复计数。最后加转置使矩阵对称。参数说明p 决定了平均度ER 网络的平均度是p*(N-1)。要让网络大概率连通p 通常取ln(N)/N以上。例如 N1000 时p 至少约 0.0069否则网络会分裂成多个小连通分量。4.2 全局耦合网络GlobalCoupled.m 的构造与特性全局耦合网络是最简单的拓扑每个节点与其他所有节点相连。它常被当作性能上限或理想化场景。function A GlobalCoupled(N) % N: 节点数 A ones(N) - eye(N); end逻辑说明ones(N)是全 1 矩阵eye(N)是对角矩阵相减后对角线为 0其余全为 1。这个矩阵不需要循环构造非常快。全局耦合网络的平均路径长度恒为 1聚类系数恒为 1。正因如此它在同步性研究常被用作对比基准任何拓扑的同步能力不会超过全局耦合。生成后可以用spy(A)查看邻接矩阵的填充模式会看到除对角线外全为高亮点。4.3 平均度计算与四类网络对比pingjundu.m用于快速计算任意邻接矩阵的平均度。对于无向图最稳的写法如下。function avg pingjundu(A) avg sum(sum(A)) / size(A, 1); end逻辑说明sum(sum(A))统计总边数的两倍无向矩阵每对连接有两个对称元素除以节点数得到平均度。要注意输入矩阵不能是逻辑型否则sum会按 0/1 正常计算但输出类型可能仍是 logical建议先转为double。下面这张表汇总了四类网络的关键统计特征方便你在仿真前选择模型。网络类型生成方式平均度聚类系数平均路径BA 无标度优先连接2m中等短WS 小世界规则环 重连K高p 小时短NW 小世界规则环 加边K p(N-1)高短ER 随机概率连接p(N-1)p短全局耦合全连接N-111如果只靠平均度判断BA 和 ER 可能看起来相差不大但看度分布会立刻区别开BA 是幂律尾巴ER 是泊松分布WS/NW 则集中在 K 附近并带有规则结构特征。5. 绘图与调参技巧让 MATLAB 复杂网络可视化更清楚这章收在绘图技巧上因为很多人在网络生成后最后一步总是卡在“怎么把图画得能放进论文或答辩 PPT”。尤其是graphplot默认样式经常连边重叠到看不清。5.1 graphplot 布局快速入门MATLAB 的graph对象自带plot方法支持多种布局。常用的是 force 布局它模拟物理斥力与引力适合中小规模网络。G graph(A); p plot(G, Layout, force, NodeLabel, {});逻辑说明force布局会根据节点间连接关系自动调整位置视觉上更容易看清社区结构。NodeLabel设为空避免上千个节点号重叠成黑块。如果边太密可以单独设置透明度与颜色。p.EdgeAlpha 0.15; p.NodeColor [0.2 0.4 0.8]; p.MarkerSize 3;EdgeAlpha降到 0.15 后重叠边会形成“深色区域”反而能看出哪些节点对连接最集中。这是复杂网络绘图中比较实用的降噪手段。5.2 度分布绘图的细节对数分箱与累积分布dufenbu.m直接绘制直方图时如果度数范围跨越多个数量级许多区间会没有数据loglog 图形会断成一截一截。更稳的做法是绘制累积度分布P(K k)它对噪声更不敏感。d sum(A, 2); pd histcounts(d, BinMethod, integers); cd flip(cumsum(flip(pd))); k min(d):max(d); loglog(k, cd, o); xlabel(度 k); ylabel(P(K k));逻辑说明pd是度频数flip(cumsum(flip(pd)))从最大度往累积得到“度数大于等于 k 的节点数”。累积分布在尾部更平滑且不会因为某个度数恰好没有节点而断线。5.3 科研绘图中的坐标系与导出技巧复杂网络论文里经常需要对数坐标的刻度做精细控制。MATLAB 中可以直接设置刻度值避免自动刻度过于稀疏。set(gca, XScale, log, YScale, log); set(gca, XTick, [1 10 100 1000]);如果网络规模很大不建议直接截图而是用矢量格式导出。exportgraphics(gcf, network_distribution.pdf, ContentType, vector);ContentType设为vector后PDF 中的点和线可以无限放大而不失真Word 或 LaTeX 排版时也不会出现锯齿。这个细节在最终提交论文时很值钱。本文还有配套的精品资源点击获取