[英]Create directed random graph specifing alpha of power-law degree distribution
我有一个真正的有向图,对于该图我知道节点和边的数量。 度分布近似于幂律分布。 现在,我想创建一个随机图来复制真实图的以下功能:
假设g
是我的10000个节点和30000个边的实图
exp.out = 2.2
exp.in = 2.3
set.seed(123)
g <- static.power.law.game(10000, 30000, exp.out, exp.in, multiple=TRUE)
但是我不知道exp.out
和exp.in
然后,我尝试使用plfit
函数( 在此处下载 )估算幂律指数:
plfit(degree(g, mode="in")+1)
# $xmin
# [1] 5
#
# $alpha
# [1] 2.97
#
# $D
# [1] 0.01735342
plfit(degree(g, mode="out")+1)
# $xmin
# [1] 5
#
# $alpha
# [1] 2.83
#
# $D
# [1] 0.01589222
然后从中得出分布函数(分别针对度数和度数):
根据static.power.law.game
的文档
该游戏仅使用带有适当构造的适应度向量的static.fitness.game。 特别是,顶点i的适应度为i ^(-alpha),其中alpha = 1 /(gamma-1),且gamma是自变量中给出的指数
据我了解,要复制我的Alpha,我应该分别以gamma传递1.3367(2.97 = 1 /(x-1))和1.35336(2.83 = 1 /(x-1))。 然后
set.seed(321)
random.g <- static.power.law.game(10000, 30000, 1.35336, 1.3367, multiple=TRUE)
# Error in .Call("R_igraph_static_power_law_game", no.of.nodes, no.of.edges, :
# At games.c:3748 : out-degree exponent must be >= 2, Invalid value
然而, static.power.law.game
只需要将指数取高到等于或等于2的事实,使我认为我可能错过了一些东西。
exp_out
和exp_in
应该只是出度和入度分布的期望指数,无需对您从plfit
获得的指数进行任何转换。 但是,请注意,由于大小有限的影响,您不太可能完全恢复“观察到的”指数
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.