Watts-Strogatz 小世界模型

此函数基于 Watts-Strogatz 模型的变体生成具有小世界属性的网络。通过首先创建一个周期性无向格，然后以概率 p 重连每条边的两个端点，同时避免创建多重边，来获得网络。

用法

sample_smallworld(dim, size, nei, p, loops = FALSE, multiple = FALSE)

smallworld(...)

参数

dim

整数常量，起始格的维度。

size

整数常量，格在每个维度上的大小。

nei

整数常量，格的顶点将被连接的邻域范围。

p

零到一之间的实数常量，重连概率。

loops

逻辑标量，是否允许在生成的图中存在环。

multiple

逻辑标量，是否允许在生成的图中存在多重边。

...

传递给 sample_smallworld()。

值

一个图对象。

详细信息

请注意，此函数可能会创建具有环和/或多重边的图。您可以使用 simplify() 来消除这些。

此过程与 Watts 和 Strogatz 的原始模型（参见参考资料）不同，因为它重连边的**两个**端点。因此，在 p=1 的极限情况下，我们获得一个 G(n,m) 随机图，其顶点和边数与原始格相同。相比之下，原始的 Watts-Strogatz 模型仅重连每条边的一个端点，因此即使对于 p=1，网络也不会完全随机化。对于 p 的适当选择，这两种模型都表现出同时具有短路径长度和高聚类系数的特性。

参考文献

Duncan J Watts and Steven H Strogatz: Collective dynamics of ‘small world’ networks, Nature 393, 440-442, 1998.

参见

make_lattice(), rewire()

随机图模型 (games) 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_forestfire(), 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_traits_callaway(), sample_tree()

作者

Gabor Csardi csardi.gabor@gmail.com

示例

g <- sample_smallworld(1, 100, 5, 0.05)
mean_distance(g)
#> [1] 2.651717
transitivity(g, type = "average")
#> [1] 0.4970309