跳到内容

森林火灾网络模型

来源: R/games.R
sample_forestfire.Rd

这是一个增长的网络模型，类似于森林火灾通过点燃附近的树木蔓延的方式。

用法

sample_forestfire(nodes, fw.prob, bw.factor = 1, ambs = 1, directed = TRUE)

参数

节点

图中的顶点数。

fw.prob

正向燃烧概率，请参见下面的详细信息。

bw.factor

反向燃烧率。反向燃烧概率计算为 bw.factor*fw.prob。

ambs

大使节点的数量。

directed

逻辑标量，是否创建有向图。

值

一个简单的图，如果 directed 参数为 TRUE，则可能是有向图。

详细信息

森林火灾模型旨在重现以下在真实网络中观察到的网络特征

  • 重尾入度分布。

  • 重尾出度分布。

  • 社区。

  • 密度化幂律。网络随时间推移根据幂律规则密度化。

  • 收缩直径。网络的直径随时间减小。

网络以以下方式生成。一次添加一个顶点。该顶点连接到（引用）网络中已存在的 ambs 个顶点，这些顶点是均匀随机选择的。现在，对于每个被引用的顶点 \(v\)，我们执行以下过程

  1. 我们生成两个随机数，\(x\) 和 \(y\)，它们是几何分布的，均值分别为 \(p/(1-p)\) 和 \(rp(1-rp)\)。 （\(p\) 是 fw.prob，\(r\) 是 bw.factor。）新顶点引用 \(v\) 的 \(x\) 个传出邻居和 \(y\) 个传入邻居，从那些尚未被新顶点引用的邻居中选择。如果可用的此类顶点少于 \(x\) 或 \(y\) 个，那么我们会引用所有这些顶点。

  2. 相同的过程适用于所有新引用的顶点。

注意

已发表论文中的模型版本是不正确的，因为它无法生成作者声称的那种图。一个更正后的版本可从 http://www.cs.cmu.edu/~jure/pubs/powergrowth-tkdd.pdf 获得，我们的实现基于此。

参考文献

Jure Leskovec, Jon Kleinberg 和 Christos Faloutsos. Graphs over time: densification laws, shrinking diameters and possible explanations. KDD '05: Proceeding of the eleventh ACM SIGKDD international conference on Knowledge discovery in data mining, 177–187, 2005.

参见

sample_pa() 用于基本优先连接模型。

随机图模型（游戏）bipartite_gnm(), erdos.renyi.game(), sample_(), sample_bipartite(), sample_chung_lu(), sample_correlated_gnp(), sample_correlated_gnp_pair(), sample_degseq(), sample_dot_product(), sample_fitness(), sample_fitness_pl(), sample_gnm(), sample_gnp(), sample_grg(), sample_growing(), sample_hierarchical_sbm(), sample_islands(), sample_k_regular(), sample_last_cit(), sample_pa(), sample_pa_age(), sample_pref(), sample_sbm(), sample_smallworld(), sample_traits_callaway(), sample_tree()

作者

Gabor Csardi csardi.gabor@gmail.com

forest_fire_game().

示例


fire <- sample_forestfire(50, fw.prob = 0.37, bw.factor = 0.32 / 0.37)
plot(fire)


g <- sample_forestfire(10000, fw.prob = 0.37, bw.factor = 0.32 / 0.37)
dd1 <- degree_distribution(g, mode = "in")
dd2 <- degree_distribution(g, mode = "out")
# The forest fire model produces graphs with a heavy tail degree distribution.
# Note that some in- or out-degrees are zero which will be excluded from the logarithmic plot.
plot(seq(along.with = dd1) - 1, dd1, log = "xy")
#> Warning: 1 x value <= 0 omitted from logarithmic plot
#> Warning: 692 y values <= 0 omitted from logarithmic plot
points(seq(along.with = dd2) - 1, dd2, col = 2, pch = 2)