763
个编辑
更改
→网络模型
u(0) & n=1,
u(0) & n=1,
\end{cases}</math>其中 <math>u(k)</math> 表示度分布且 <math>u_1(k)=\frac{(k+1)u(k+1)}{\mathbb E[k]}</math>。 通过随机移除临界比例<math>p_c</math>的边，可以摧毁超大连通分量。这个过程叫做 [[渗流理论|随机网络的渗流]]。当度分布的二阶矩是有限的，即<math display="inline">\mathbb E [k^2]<\infty</math> 时，这个边数的临界比例为 <ref>{{Cite journal|last=Kryven|first=Ivan|date=2018-01-01|title=Analytic results on the polymerisation random graph model|journal=Journal of Mathematical Chemistry|language=en|volume=56|issue=1|pages=140–157|doi=10.1007/s10910-017-0785-1|issn=0259-9791|doi-access=free}}</ref> <math>p_c=1-\frac{\mathbb E[k]}{ \mathbb E [k^2] - \mathbb E[k]}</math> ，且超大连通分量中 [[平均路径长度|顶点与顶点间的平均距离]] <math>l</math> 的大小和网络的总规模呈对数比例， <math>l = O(\log N) </math>.<ref name=":1" />。
\end{cases}</math>其中 <math>u(k)</math> 表示度分布且 <math>u_1(k)=\frac{(k+1)u(k+1)}{\mathbb E[k]}</math>。 通过随机移除临界比例<math>p_c</math>的边，可以摧毁超大连通分量。这个过程叫做 [[渗流理论|随机网络的渗流]]。当度分布的二阶矩是有限的，即<math display="inline">\mathbb E [k^2]<\infty</math> 时，这个边数的临界比例为 <ref>{{Cite journal|last=Kryven|first=Ivan|date=2018-01-01|title=Analytic results on the polymerisation random graph model|journal=Journal of Mathematical Chemistry|language=en|volume=56|issue=1|pages=140–157|doi=10.1007/s10910-017-0785-1|issn=0259-9791|doi-access=free}}</ref> <math>p_c=1-\frac{\mathbb E[k]}{ \mathbb E [k^2] - \mathbb E[k]}</math> ，且超大连通分量中 [[平均路径长度|顶点与顶点间的平均距离]] <math>l</math> 的大小和网络的总规模呈对数比例， <math>l = O(\log N) </math>.<ref name=":1" />。
在有向配置模型中，节点的度取决于两个量，入度<math>k_\text{in}</math> 和出度 <math>k_\text{out}</math>，因此度分布是二维的。入度和出度的期望值相等，即 <math display="inline">\mathbb E [k_\text{in}]=\mathbb E [k_\text{out}]</math>。有向配置模型中包含[[超大连通分量]] iff<ref>{{Cite journal|last=Kryven|first=Ivan|date=2016-07-27|title=Emergence of the giant weak component in directed random graphs with arbitrary degree distributions|journal=Physical Review E|volume=94|issue=1|pages=012315|doi=10.1103/PhysRevE.94.012315|pmid=27575156|arxiv=1607.03793|bibcode=2016PhRvE..94a2315K}}</ref><math display="block">2\mathbb{E}[k_\text{in}]
在有向配置模型中，节点的度取决于两个量，入度<math>k_\text{in}</math> 和出度 <math>k_\text{out}</math>，因此度分布是二维的。入度和出度的期望值相等，即 <math display="inline">\mathbb E [k_\text{in}]=\mathbb E [k_\text{out}]</math>。有向配置模型中包含[[超大连通分量]] iff<ref>{{Cite journal|last=Kryven|first=Ivan|date=2016-07-27|title=Emergence of the giant weak component in directed random graphs with arbitrary degree distributions|journal=Physical Review E|volume=94|issue=1|pages=012315|doi=10.1103/PhysRevE.94.012315|pmid=27575156|arxiv=1607.03793|bibcode=2016PhRvE..94a2315K}}</ref><math display="block">2\mathbb{E}[k_\text{in}]