本书围绕复杂网络拓扑结构和动态性的核心问题，阐述了复杂网络中的拓扑结构特性和典型动态过程的概念，介绍了网络的结构重构、表示学习和脆弱性方法，探讨了网络中的局部行为和全局特性之间的深层关联，为人们认知复杂网络中的“结构-状态”耦合演化机理，利用网络中涌现优势提供参考。
本书涉及复杂网络结构及动态性分析的基本原理，主要是网络结构关联、局部传播行为、全局状态演化等各方面的内容，可作为管理科学与工程专业、计算机等专业等的本科生、研究生参考教材，也可作为地方高等院校相关专业的教材和科研技术人员的参考书。

无

计算机\网络

在过去的20余年中，人们通过构建分析形形色色的复杂网络来刻画深度关联的外部世界。迄今为止，人们对复杂网络的研究已经广泛涵盖拓扑结构、统计特征以及动态演化等方面，用以解释信息网络、社交网络、生物网络、经济网络和生态网络等众多现实存在的复杂网络的内在本质。
基于大数据背景，在局部交互行为和群体流动特性综合作用下，有关复杂网络结构和状态耦合动力学方面的研究正在成为复杂网络领域中的前沿核心内容。　
本书结合网络数据信息，挖掘网络中隐含的结构特征，分析结构和属性的表示学习，揭示网络的节点信息；从结构和攻击效果阐述网络的脆弱性，研究基于信息的网络阻断问题，揭示局部行为和全局特性之间的深层关联；着重从偶对近似、群体选择和分布式学习三个方面出发，阐释复杂自适应系统上的演化、博弈和协同，让读者能够认识复杂自适应系统的演化机理，掌握复杂自适应系统的博弈手段。

第一章 绪论
1.1. 网络视角下的现实世界
1.1.1. 随机网络
1.1.2. 小世界网络
1.1.3. 无标度网络
1.2. 网络结构与性能分析
1.2.1. 网络特征表示学习问题
1.2.2. 网络结构重构问题
1.2.3. 网络结构的脆弱性
1.3. 网络的动态性
1.3.1. 网络上的动态过程
1.3.1.1. 传播动力学
1.3.1.2. 群体动力学
1.3.2. 动态网络上的动态过程
1.3.2.1. 自适应选举者模型
1.3.2.2. 自适应群体博弈模型
1.3.2.3. 自适应系统协同模型
1.3.3. 网络中的信息阻断
1.3.4. 网络演化过程分析
1.3.4.1. 局部作用驱动的传播动力学
1.3.4.2. 全局作用驱动的群体动力学
1.4. 本书组织结构
参考文献?
第二章 网络中的结构重构
2.1. 部分结构已知条件下的重构方法
2.1.1. 链路预测基本概念
2.1.2. 基于相似性的链路预测
2.1.3. 基于最大似然估计的链路预测
2.1.4. 基于概率模型的链路预测
2.2. 基于动态时序数据的结构重构方法
2.2.1. 时序数据网络重构研究现状
2.2.2. 时序数据网络重构常用方法
2.3. 应用：基于网络流量的拓扑结构重构
2.3.1. 互联网流量数据集
2.3.2. 互联网流量数据处理
2.3.3. 互联网拓扑结构重构
2.4. 本章小结
参考文献
第三章 网络结构与属性的表示学习
3.1. 网络表示学习问题
3.1.1. 网络表示学习的定义
3.1.2. 网络表示学习的方法
3.2. 基于网络结构的表示学习方法
3.2.1. 基于随机游走的表示学习
3.2.2. 基于矩阵分解的表示学习
3.2.3. 基于深度学习的表示学习
3.3. 基于网络属性的表示学习方法
3.3.1. 结合文本信息的网络表示学习
3.3.2. 半监督的网络表示学习
3.3.3. 结合边上标签信息的网络表示学习
3.4. 基于异构网络的表示学习方法
3.4.1. 基于元路径的异构网络表示学习
3.4.2. 属性多重异构网络表示学习
3.5. 应用：社会网络中的表示学习
3.5.1. 数据集情况
3.5.2. 数据预处理及社会网络构建
3.5.3. 基于结构与属性网络表示学习
3.6. 本章小结
参考文献
第四章 网络结构的脆弱性分析
4.1. 网络结构脆弱性问题
4.2. 基于网络结构特征的脆弱节点识别
4.2.1. 层次网络结构特征表示方法
4.2.2. 基于邻接信息熵的关键点识别算法
4.2.3. 基于网络表示的节点重要性评估
4.3. 相互依存网络中的级联失效性分析
4.3.1. 相互依存网络中的级联失效问题
4.3.2. 基于相继故障渗流模型的网络脆弱性分析
4.3.3. 基于马尔科夫模型的网络脆弱性分析
4.4. 应用：恐怖组织网络中的关键点识别
4.4.1. 恐怖组织网络数据集
4.4.2. 节点重要性度量
4.4.3. 实验分析
参考文献
第五章 网络中的信息传播
5.1. 背景介绍
5.2. 自适应信息传播模型
5.2.1. 理论分析
5.2.2. 偶对近似
5.2.3. 高阶变量
5.2.4. 从归一到分裂
5.3. 基于距离的动态网络结构重连
5.3.1. 临近节点重连
5.3.2. 近似微分方程
5.3.3. 案例分析
5.4. 基于近似多数模型的动态过程
5.4.1. 近似多数模型
5.4.2. 近似微分方程
5.4.3. 案例分析
5.5. 基于加权状态演化的信息传播
5.5.1. 加权状态演化
5.5.2. 近似微分方程
5.5.3. 案例分析
5.6. 应用：选举者网络的演化与近似
5.6.1. 从偶对近似到交接近似
5.6.2. 从近似主方程到双星近似
5.7. 本章小结
参考文献?
第六章 网络中的信息阻断
6.1. 网络阻断问题
6.1.1. 网络阻断的应用背景
6.1.2. 网络阻断的基础模型
6.1.3. 网络阻断的变种类别
6.2. 依赖网络中的网络阻断
6.2.1. 依赖网络及其阻断问题的应用背景
6.2.2. 依赖网络中的依赖关系模型
6.2.3. 包含依赖关系的流阻断模型
6.3. 动态对抗条件下的阻断
6.3.1. 网络阻断的动态假设
6.3.2. 动态网络阻断模型
6.4. 应用：业务-通信双层网络中的信息阻断
6.4.1. 问题背景
6.4.2. 业务-通信双层网络依赖关系模型
6.4.3. 信息流最短路阻断模型
6.4.4. 计算实验及结果分析
6.5. 本章小结
参考文献
第七章 网络中的群体演化
7.1. 背景介绍
7.2. 演化群体模型
7.2.1. 无博弈演化
7.2.2. 长期连续演化过程
7.2.3. 合作群体的衰退
7.3. 扰动作用下的合作群体瓦解
7.3.1. 扰动实验
7.3.2. 合作的韧性
7.3.3. 扰动规模的影响
7.3.4. 嵌入系数的影响
7.4. 应用：合作群体的瓦解预测
7.4.1. 预警信号挖掘
7.4.2. 预警信号的动态模式
7.4.3. 基于Kendall相关的一致性分析
7.4.4. 预警信号的准确性分析
7.5. 本章小结
参考文献?
第八章 网络中的智能协同
8.1. 背景介绍
8.2. 智能体网络任务分组
8.2.1. 研究动机
8.2.2. 模型定义
8.2.3. 劳动力分工
8.3. 基于分布式学习的自适应动态性
8.3.1. 节点角色演化
8.3.2. 风险规避学习
8.3.3. 网络结构调整
8.3.4. 图转移的完备性
8.3.5. 算法流程
8.4. 自适应协同理论分析
8.4.1. 学习率的影响
8.4.2. 任务规模越大，资源浪费率越小
8.4.3. 功能集合越大，任务成功率越小
8.5. 应用：分布式任务分组中自适应协同
8.5.1. 基准实验
8.5.2. 功能服务集合的扩大
8.5.3. 任务规模的增长
8.5.4. 动态任务下的动态分组
8.6. 本章小结
参考文献