复杂网络仿真入门到精通2: 构建网络（邻接矩阵）

Posted on October 10, 2025 本文总阅读量加载中... 次

系列文章：

系列合集

下一篇预告：网络可视化与基础统计分析

💡 引言

在复杂网络研究中，“网络构建” 是一切分析与建模的起点。
无论你要研究传播、鲁棒性还是社团结构，第一步都必须拥有一个可计算、可分析的网络结构。而且后续我们的研究，也是研究这个目标网络的特性。
本文以Matlab代码为实例，进行代码说明。

GitHub 开源代码库：complex-network-study
如果上面链接访问不了，可以网盘提取

从研究角度看，网络的构建主要分为两类：

① 模拟网络（Synthetic Network） —— 基于模型算法生成；
② 实体网络（Empirical Network） —— 来自现实数据的网络。

两类方式各有侧重：

模拟网络用于理论研究与算法验证；
实体网络用于真实系统建模与特性分析。

而无论哪种方式，最终的核心数据结构都是：邻接矩阵（Adjacency Matrix），邻接表也是可以的。

🧩 一、邻接矩阵的基本形式

假设我们有 ( N ) 个节点，网络可以用一个 ( N \times N ) 的矩阵 ( A ) 表示：

$$
A_{ij} =
\begin{cases}
1, & \text{节点 } i \text{ 与 } j \text{ 有边相连} \
0, & \text{节点 } i \text{ 与 } j \text{ 无连接}
\end{cases}
$$

对于无向网络：矩阵对称$A_{ij} = A_{ji}$；
对于有向网络：矩阵一般不对称；
对于加权网络：$A_{ij}$ 可取任意实数权重。

表达矩阵和后续计算一般有两种方式：

使用二维矩阵（double 或 sparse）来存储邻接矩阵，并以矩阵形式进行后续计算。
使用邻接矩阵或者邻接表构建图对象（G），并使用这个对象进行后续计算。

🧠 二、构建网络的两条主线

（一）模拟网络（Synthetic Networks）

模拟网络通过算法或数学模型生成人工网络，用于验证理论或测试算法表现。
常见模型包括：

网络类型	特点	MATLAB 构建方式
随机网络（Erdős–Rényi, ER）	边以固定概率 p 随机生成	`sprand(N, N, p)`
小世界网络（Watts–Strogatz, WS）	高聚类 + 短路径	`wattsStrogatz(N, K, p)`
无标度网络（Barabási–Albert, BA）	幂律度分布，存在 Hub 节点	`pref` 或自编生长算法

✅ 示例：随机网络（ER）模型

N = 10;      % 节点数
p = 0.3;     % 边存在的概率
A = rand(N) < p;   % 随机连接
A = triu(A,1);     % 取上三角避免重复
A = A + A';        % 对称化成无向网络
G = graph(A);
plot(G, 'Layout', 'force');
title('Erdős–Rényi 随机网络');
````

#### ✅ 示例：小世界网络（WS）模型

```matlab
N = 20; K = 4; p = 0.1;
G = wattsStrogatz(N, K, p);
plot(G, 'Layout', 'force');
title('Watts–Strogatz 小世界网络');
A = adjacency(G);

✅ 示例：无标度网络（BA）模型

N = 20; m = 2;
A = zeros(N);
for i = 1:(m+1)
    for j = (i+1):(m+1)
        A(i,j)=1; A(j,i)=1;
    end
end

for i = (m+2):N
    degree = sum(A);
    prob = degree / sum(degree);
    selected = randsample(1:i-1, m, true, prob);
    A(i, selected) = 1; A(selected, i) = 1;
end

G = graph(A);
plot(G, 'Layout', 'force');
title('Barabási–Albert 无标度网络');

这些网络模型是复杂网络研究的基础模型，可用于：

验证算法；
分析理论特性；
模拟不同网络拓扑下的行为。

（二）实体网络（Empirical Networks）

实体网络来源于真实世界的数据，是复杂系统的映射结果。

常见来源包括：

领域	示例	数据格式
社会网络	微信、微博、协作网络	`.csv`, `.edge`, `.gml`
生物网络	蛋白质相互作用网络	`.graphml`, `.mat`
技术网络	电网、交通网络、互联网	`.txt`, `.json`
科研网络	引文、合作、知识图谱	`.csv`, `.gml`

✅ 示例：从边列表构建实体网络

假设你有一个 edges.csv 文件：

Source	Target
1	2
1	3
2	4
3	4

MATLAB 构建代码：

data = readtable('edges.csv');
edges = table2array(data(:,1:2));
N = max(edges(:));
A = zeros(N,N);
for k = 1:size(edges,1)
    i = edges(k,1); j = edges(k,2);
    A(i,j) = 1; A(j,i) = 1; % 无向图
end

G = graph(A);
plot(G, 'Layout', 'force');
title('实体网络示例');

✅ 示例：从 `.gml` 文件导入网络

1
2
3

G = importgraph('network.gml'); % MATLAB R2023a 起支持
A = adjacency(G);
plot(G);

✅ 示例：从实验或观测矩阵直接读取

A = load('brain_connectivity.mat');  % 神经连接矩阵
G = graph(A);
plot(G, 'Layout', 'circle');
title('大脑功能连接网络');

🔍 三、邻接矩阵的验证与操作

当你成功构建网络后，建议进行基本验证：

N = size(A,1);
M = nnz(triu(A));  % 边数
degree = sum(A,2); % 各节点度
fprintf('节点数: %d, 边数: %d\n', N, M);

如果矩阵非常稀疏（多数为 0），可转换为稀疏存储：

1	A = sparse(A);

🧭 四、延伸阅读：网络构建策略对分析结果的影响

不同的构建方式会显著影响分析结论：

模拟网络适合研究拓扑理论与算法鲁棒性；
实体网络则能反映真实系统特征与动力学规律。

研究者常在模拟网络上测试方法性能，再在实体网络上验证泛化能力。

⚙️ 五、在线构建与分析平台

我们在平台中提供了一个简易入口：
👉 复杂网络分析平台 - 构建与计算

支持：

上传边表 / 邻接矩阵文件；
自动构建网络；
指标一键计算与可视化；
AI 智能报告生成。

📘 总结

构建网络是复杂网络研究的起点。
从 模拟网络 到 实体网络，你可以：

用 MATLAB 生成理想拓扑结构；
从真实数据中提取结构信息；
最终得到可分析、可以可视化的邻接矩阵。

下一篇预告：

复杂网络入门到精通（三）—— 网络可视化与基础统计

我们将使用 MATLAB 展示网络图形化与分布特征。