复杂网络视角下的万物互联在线视频

复杂网络视角下的万物互联
རྙོག་འཛིང་དྲ་རྒྱའི་ངོས་ཐད་ཀྱི་བྱ་དངོས་མཉམ་འབྲེལ།

复杂网络视角下对万物互联的研究内容包括
རྙོག་འཛིང་དྲ་རྒྱའི་ངོས་ཐད་ཀྱི་བྱ་དངོས་མཉམ་འབྲེལ་གྱི་ཞིབ་འཇུག་ནང་དོན་ལ་འདི་དག་འདུ་ཡོད།

一 复杂网络的模型
དང་པོ། རྙོག་འཛིང་དྲ་རྒྱའི་དཔེ་དབྱིབས།

典型的复杂网络的模型有随机网
དཔེ་མཚོན་ཅན་གྱི་རྙོག་འཛིང་དྲ་རྒྱའི་དཔེ་དབྱིབས་ལ་སྐབས་བསྟུན་དྲ་རྒྱ

小世界网 无标度网等
འཛམ་གླིང་ཆུང་བའི་དྲ་རྒྱ ཚད་རྟགས་མེད་པའི་དྲ་རྒྱ་སོགས་ཡོད།

实际网络是属于哪一种网络以及他的一种分类
དོན་དངོས་ཀྱི་དྲ་རྒྱ་ནི་གང་གི་ཁོངས་སུ་གཏོགས་པ་དང་དེ་བཞིན་ཁོའི་རིགས་དབྱེ།

第二个是网络的统计量以及与网络结构的相关性
གཉིས་པ་ནི་དྲ་རྒྱའི་སྡོམ་རྩིས་ཚད་དང་དེ་བཞིན་དྲ་རྒྱའི་གྲུབ་ཚུལ་གྱི་འབྲེལ་ཡོད་རང་བཞིན།

度分布的定义和意义 聚集性
ཁྱབ་ཚུལ་གྱི་མཚན་ཉིད་དང་དོན་སྙིང་། གཅིག་སྡུད་རང་བཞིན།

连通性的统计量及其实际意义等
བརྒྱུད་སྦྲེལ་རང་བཞིན་གྱི་སྡོམ་རྩིས་ཚད་དང་དེའི་དངོས་ཡོད་དོན་སྙིང་སོགས་ཡིན།

复杂网络性质与结构的关系
རྙོག་འཛིང་དྲ་རྒྱའི་རང་བཞིན་དང་སྒྲིག་གཞིའི་འབྲེལ་བ།

同步性 鲁棒性和稳定性与网络结构的一个关系
གོམ་མཉམ་རང་བཞིན། ལུའུ་དབྱུག་པའི་རང་བཞིན་དང་བརྟན་བརླིང་རང་བཞིན་དང་དྲ་རྒྱའི་གྲུབ་ཚུལ་གྱི་འབྲེལ་བ་ཞིག

还有复杂网络的动力学的一个研究
ད་དུང་རྙོག་འཛིང་དྲ་རྒྱའི་སྒུལ་ཤུགས་རིག་པའི་ཞིབ་འཇུག་ཅིག་ཡོད།

信息传播动力学 网络演化动力学
ཆ་འཕྲིན་ཁྱབ་སྤེལ་གྱི་སྒུལ་ཤུགས་རིག་པ། དྲ་རྒྱའི་རིམ་འགྱུར་སྒུལ་ཤུགས་རིག་པ།

网络混沌动力学
དྲ་རྒྱའི་ཉག་ཉོག་སྒུལ་ཤུགས་རིག་པ།

还有复杂网络的复杂结构
ད་དུང་རྙོག་འཛིང་དྲ་རྒྱའི་རྙོག་འཛིང་སྒྲིག་གཞི་ཡང་ཡོད།

如社团结构 层次结构 节点分类结构
དཔེར་ན། ཚོགས་པའི་གྲུབ་ཚུལ། བང་རིམ་གྲུབ་ཚུལ། ཚིགས་ཚེག་རིགས་དབྱེ་གྲུབ་ཚུལ་དང་

以及超网络等等
ཚད་བརྒལ་དྲ་རྒྱ་སོགས།

网络控制包括关键节点控制
དྲ་རྒྱའི་ཚོད་འཛིན་གྱི་ཁོངས་སུ་འགག་རྩའི་ཚིགས་ཚེག་ཚོད་འཛིན།

主参数的控制和控制的稳定性和有效性
གཙོ་བོའི་ཞུགས་གྲངས་ཚོད་འཛིན་དང་ཚོད་འཛིན་གྱི་བརྟན་བརླིང་རང་བཞིན་དང་ནུས་ལྡན་རང་བཞིན།

还有复杂网络的一个建模
ད་དུང་རྙོག་འཛིང་ཆེ་བའི་དྲ་རྒྱའི་དཔེ་དབྱིབས་ཤིག་དང་།

复杂网络的拓扑指标包括以下几点
རྙོག་འཛིང་ཆེ་བའི་དྲ་རྒྱའི་ཐོ་ཕུ་དམིགས་ཚད་ཀྱི་ཁོངས་སུ་གཤམ་གྱི་གནས་འདི་དག་འདུ་ཡོད།

度的定义
ཚད་ཀྱི་མཚན་ཉིད།

节点 i 的度 ki 定义为与
ཚིགས་ཚེགiཡི་ཚད་kiམཚན་ཉིད་ནི་

该节点连接的其他节点的一个数目
ཚིགས་ཚེག་འབྲེལ་མཐུད་བྱེད་པའི་ཚིགས་ཚེག་གཞན་དག་གི་གྲངས་ཀ་ཡིན།

直观上看一个节点的度越大
ཐད་གར་བལྟས་ན་ཚིགས་ཚེག་གཅིག་གི་ཚད་ཇི་ཙམ་ཆེ་ན།

就意味着这个节点在某种意义上是
དོན་སྙིང་ངེས་ཅན་ཞིག་གི་ཐོག་ནས་བཤད་ན་ཚིགས་ཚེག་འདི་ནི།

越重要的 能力越大
སྔར་ལས་གལ་ཆེན་ཡིན་པ་དང་ནུས་པ་ཡང་དེ་ལྟར་ཆེ་བ་མཚོན།

网络的平均度
དྲ་རྒྱའི་ཆ་སྙིམས་ཚད།

网络中的所有节度和的平均值
དྲ་རྒྱའི་ནང་གི་ཚིགས་ཚེག་ཚད་ཀྱི་བསྡོམས་ཀྱི་ཆ་སྙོམས་གྲངས་ཐང་ཡོད་ཚད་ལ།

称为是网络的平均度
དྲ་རྒྱའི་ཁྲོད་ཀྱི་ཆ་སྙོམས་ཚད་ཟེར།

度分布函数p(k)
ཚད་ཁྱབ་ཚུལ་རྟེན་འབྱུང་གྲངས་p(k)

随机选定节点的度恰好为k的一个概率
སྐབས་བསྟུན་འདེམས་པའི་ཚིགས་ཚེག་གྱི་ཚད་ནི་kཡི་སྲིད་ཕྱོད་གཅིག་ཡིན།

节点的一个聚类系数
ཚིགས་ཚེག་གི་རིགས་འདུས་བཏགས་གྲངས་ཀྱིས་

对节点v与他相邻的节点之间存在的一个边数
ཚིགས་ཚེག་vདང་ཁོའི་ཁྱིམ་མཚེས་ཀྱི་ཚིགས་ཚེག་བར་གནས་ཡོད་པའི་མཐའ་གྲངས་དང་

与总的可能的边数之比
སྲིད་པའི་མཐའ་གྲངས་ཀྱི་སྤྱིའི་བསྡུར་ཚད་ལ་

称为是节点的一个聚类系数
ཚིགས་ཚེག་ཀྱི་རིགས་འདུས་བཏགས་གྲངས་གཅིག་ཟེར།

节点的聚类系数反映了节点的邻居节点之间
ཚིགས་ཚེག་གི་རིགས་འདུས་བཏགས་གྲངས་ཀྱིས་ཚིགས་ཚེག་གི་ཁྱིམ་མཚེས་ཀྱི་ཚིགས་ཚེག་བར་གྱི་

关系的一个密切程度
འབྲེལ་བ་དམ་ཟབ་ཀྱི་ཚད་ཞིག་མཚོན་གྱིན་ཡོད།

网络的聚类系数定义为
དྲ་རྒྱའི་རིགས་འདུས་བཏགས་གྲངས་ཀྱི་མཚན་ཉིད་ནི་

所有节点的聚类系数的一个平均值
ཚིགས་ཚེག་ཚང་མའི་རིགས་འདུས་བཏགས་གྲངས་ཀྱི་ཆ་སྙོམས་གྲངས་ཤིག་ཡིན།

当你的聚类系数C等于0的时候
ཁྱོད་ཀྱི་རིགས་འདུས་བཏགས་གྲངས་Cདེ་0དང་མཚུངས་བའི་སྐབས་སུ་

表示网络中所有的节点都是孤立点
དྲ་རྒྱའི་ནང་གི་ཚིགས་ཚེག་ཡོད་ཚད་ཚང་མ་ཁེར་རྐྱང་ཚེག་ཡིན་པ་མཚོན།

当C等于1的时候
Cདེ1དང་མཚུངས་བའི་སྐབས་སུ་

表示网络中任意两个节点之间
དྲ་རྒྱའི་ནང་གི་གང་རུང་གི་ཚིགས་ཚེག་གཉིས་ཀྱི་བར་ལ་

都是有边进行相连的
ཚང་མ་མཐའ་ཡིས་དམ་པོར་སྦྲེལ་ཡོད་པ་མཚོན་ཡོད།

网络节点间联系的密切程度
དྲ་རྒྱའི་ཚིགས་ཚེག་བར་གྱི་འབྲེལ་བའི་གཏུག་ཕྲད་ཚད་ཀྱིས་

体现为网络的一个凝聚力
དྲ་རྒྱའི་གོང་བུར་འགྲིལ་ཤུགས་ཤིག་མངོན་ཡོད།

许多大规模的实际网络
གཞི་ཁྱོན་ཆེ་བའི་དོན་དངོས་དྲ་རྒྱ་མང་པོ་

都具有明显的一个聚类效应
ཚང་མར་མངོན་གསལ་གྱི་རིགས་འདུས་ནུས་སྣང་ཞིག་མངོན།

事实上 在很多类型的网络中
དོན་དངོས་སུ་རིགས་སྣ་ཚོགས་ཀྱི་དྲ་རྒྱའི་ཁྲོད་

如社会关系网络中
དཔེར་ན་སྤྱི་ཚོགས་འབྲེལ་བའི་དྲ་རྒྱའི་ཁྲོད་

你的朋友同时也是朋友的概率
ཁྱོད་ཀྱི་གྲོགས་པོ་དང་མཉམ་དུ་གྲོགས་པོའི་སྲིད་ཕྱོད་ནི་

也会随着网络规模的增加
དྲ་རྒྱའི་གཞི་ཁྱོན་ཇེ་ཆེར་འགྲོ་བ་དང་བསྟུན་ནས་

而趋向于某一个非零常数
ཐིག་མིན་རྒྱུན་གྲངས་ག་གེ་མོ་ཞིག་ལ་ཕྱོགས་ཡོད།

最短路径的定义
འགྲོ་ལམ་ཐུང་ཤོས་ཀྱི་མཚན་ཉིད།

两个节点之间的最少的边数
ཚིགས་ཚེག་གཉིས་བར་གྱི་ཆེས་ཉུང་བའི་མཐའ་གྲངས་ནི་

成为两点之间的一个路径
ཚེག་གཉིས་བར་གྱི་འགྲོ་ལམ་ཞིག་ཡིན།

最短路径的长度称为两点间的距离
ཆེས་ཐུང་བའི་འགྲོ་ལམ་གྱི་རིང་ཚད་ལ་ཚེག་གཉིས་བར་གྱི་བར་ཐག་ཟེར།

用dij来进行表示
dijབཀོལ་ནས་མཚོན་གྱིན་ཡོད།

平均路径长度L
ཆ་སྙོམས་འགྲོ་ལམ་གྱི་རིང་ཚད་L

所有节点对之间的距离的一个平均值
ཚིགས་ཚེག་ཚང་མའི་བར་གྱི་རིང་ཚད་ཀྱི་ཆ་སྙོམས་གྲངས་ཤིག་ལ་

称为是平均路径长度
ཆ་སྙོམས་འགྲོ་ལམ་རིང་ཚད་ཟེར།

研究发现 尽管许多实际复杂网络的节点数巨大
ཞིབ་འཇུག་བྱས་གསར་རྙེད་བྱུང་པ་ནི། དོན་དངོས་ཐོག་རྙོག་འཛིང་ཆེ་བའི་དྲ་རྒྱའི་ཚིགས་ཚེག་མང་པོའི་གྲངས་ཧ་ཅང་ཆེ་ཡང་

网络的平均路径长度却小的惊人
དྲ་རྒྱའི་ཆ་སྙོམས་འགྲོ་ལམ་རིང་ཚད་ནི་ཧ་ལས་པའི་ཆུང་བ་ཡིན།

这就是有名的小世界效应
འདི་ནི་མིང་གྲགས་ཅན་གྱི་འཛམ་གླིང་ཆུང་བའི་ཕན་ནུས་ཡིན།

复杂网络中有两个基本的网络模型
རྙོག་འཛིང་དྲ་རྒྱའི་ཁྲོད་སྤྲིར་བཏང་གི་དྲ་རྒྱའི་དཔེ་དབྱིབས་གཉིས་ཡོད།

第一个是小世界网络模型
དང་པོ་ནི་འཛམ་གླིང་ཆུང་བའི་དྲ་རྒྱའི་དཔེ་དབྱིབས་ཡིན་ལ་

这是1998年Watts和Strogatz提出来了
འདི་ནི་1998ལོའི་Wattsདང་Strogatzཡིས་བཏོན་པའི་

小世界模型 简称为是WS模型
འཛམ་གླིང་ཆུང་བའི་དཔེ་དབྱིབས། བསྡུས་མིང་ལ་WSདཔེ་དབྱིབས་ཟེར།

模型的构造算法是
དཔེ་དབྱིབས་ཀྱི་གྲུབ་ཚུལ་བརྩི་ཐབས་ནི་

首先构造一个近邻的耦合网络
ཐོག་མར་ཉེ་མཚེས་ཀྱི་ཟུང་སྦྱོར་དྲ་རྒྱ་ཞིག་གྲུབ་པ་དང་།

第二步随机化的重连
གོམ་པ་གཉིས་པ་སྐབས་བསྟུན་ཅན་གྱི་བསྐྱར་འབྲེལ་ནི་

在近邻的耦合网络的基础上
ཁྱིམ་མཚེས་ཀྱི་ཟུང་སྦྱོར་དྲ་རྒྱའི་རྨང་གཞིའི་ཐོག་

以概率p随机化的重新连接网络中的每条边
སྲིད་ཕྱོད་pསྐབས་བསྟུན་ཅན་གྱི་བསྐྱར་འབྲེལ་དྲ་རྒྱའི་ཁྲོད་ཀྱི་མཐའ་རེ་རེ་དང་

而且规定不允许有重边和自环
ད་དུང་བསྐྱར་མཐའ་དང་རང་གདུབ་

小世界网络
འཛམ་གླིང་དྲ་རྒྱ་ཆུང་ཆུང་ལ་ཡོད་མི་ཆོག་པ་གཏན་འབེབས་བྱས་ཡོད།

他是介于我们的规则网络和随机网络之间
དེ་ནི་ང་ཚོའི་སྒྲིག་སྲོལ་དྲ་རྒྱ་དང་སྐབས་བསྟུན་དྲ་རྒྱའི་བར།

通过研究发现小世界网络具有
ཞིབ་འཇུག་བྱས་པ་བརྒྱུད་ནས་ཤེས་པ་ནི་འཛམ་གླིང་ཆུང་ཆུང་དྲ་རྒྱ་ལ་

短的一个路径长度和高的一个聚类系数
འགྲོ་ལམ་རིང་ཚད་ཐུང་བ་གཅིག་དང་རིགས་འདུས་བཏགས་གྲངས་མཐོ་བ་གཅིག་ཡོད།

由此我们的WS网络的特性
དེ་བས་ང་ཚོའི་WSདྲ་རྒྱའི་ཁྱས་ཆོས།

第一个首先度分布是一个泊松分布
དང་པོ་ནི་ཐོག་མར་ཚད་ཁྱབ་ཚུལ་ནི་ཕོ་སོན་ཁྱབ་ཚུལ་ཞིག་ཡིན་པ་དང་།

第二个当我们的随机化重连的概率p较小的时候
གཉིས་པ་ནི་ང་ཚོས་སྐབས་བསྟུན་ཅན་གྱི་བསྐྱར་འབྲེལ་གྱི་སྲིད་ཕྱོད་pཅུང་ཆུང་བའི་སྐབས་སུ་

网络既具有较高的聚类系数和较短的路径长度
དྲ་རྒྱ་ལ་ཅུང་མཐོ་བའི་རིགས་འདུས་བཏགས་གྲངས་དང་ཅུང་ཐུང་བའི་འགྲོ་ལམ་རིང་ཚད་ཡོད།

这类网络统称为是小世界网络
དྲ་རྒྱ་འདིའི་རིགས་ལ་གཅིག་གྱུར་གྱིས་འཛམ་གླིང་ཆུང་ཆུང་དྲ་རྒྱ་ཟེར།

第三个特点是他是非增长的
ཁྱད་ཆོས་གསུམ་པ་ནི་དེ་འཕར་མི་ཐུབ་པ་དེ་ཡིན།

随后Barabási和Albert提出来无标度网络模型
དེའི་རྗེས་Barabásiདང་Albertགཉིས་ཀྱིས་རྟགས་ཚད་མེད་པའི་དྲ་རྒྱའི་དཔེ་དབྱིབས་བཏོན་པ་དང་

简称为是BA模型
བསྡུས་མིང་ལ་BAདཔེ་དབྱིབས་ཟེར།

模型的构造算法
དཔེ་དབྱིབས་ཀྱི་གྲུབ་ཚུལ་བརྩི་ཐབས།

第一步初始化
གོམ་པ་དང་པོ་ནི། འགོ་སྒྲིག་པ།

网络初始时有m0个节点
དྲ་རྒྱའི་ཐོག་མའི་དུས་སུ་ཚིགས་ཚེག་m0ཡོད།

这m0个节点采取全连接方式
ཚིགས་ཚེག་འདི་ཆ་ཚང་སྦྲེལ་མཐུད་བྱེད་སྟངས་སྤྱད།

第二步节点增长
གོམ་པ་གཉིས་པ་ནི་ཚིགས་ཚེག་འཕར་བ།

在每个时间步t内增加一个新节点
དུས་ཚོད་རེ་རེའི་tནང་དུ་ཚིགས་ཚེག་གསར་བ་ཞིག་དང་

与网络中已经存在的m个节点进行连接
དྲ་རྒྱའི་ཁྲོད་དུ་ཡོད་པའི་ཚིགས་ཚེག་mལ་སྦྲེལ་མཐུད་བྱེད་པ་ཁ་སྣོན་བྱས།

连接的规则是度优先连接机制
སྦྲེལ་མཐུད་ཀྱི་སྒྲིག་སྲོལ་ནི་ཚད་སྔོན་ལ་སྦྲེལ་བའི་ལམ་སྲོལ་ཡིན།

新的节点v加入到网络中的时候
ཚིགས་ཚེག་གསར་བ་vདྲ་རྒྱའི་ཁྲོད་དུ་ཞུགས་པའི་སྐབས་སུ་

要选取网络中已经存在的节点i
དྲ་རྒྱའི་ཁྲོད་དུ་སྔར་གནས་ཡོད་པའི་ཚིགས་ཚེག་iགདམས་དགོས།

他连接的概率πi与节点i的度ki是成正比的
ཁོས་སྦྲེལ་བའི་སྲིད་ཕྱོད་ནི་πiདང་ཚིགས་ཚེག་iདང་ཚད་kiནི་མཐུན་སྡུར་གྲུབ།

即πi等于ki比上个所有节点的度之和
qiནི་kiནི་ཚིགས་ཚེག་སྔོན་མའི་ཚད་ཀྱི་སྡོམ་དང་མཚུངས་ཡང་

BA无标度网络他的度分布是趋于幂率分布的
BAཚད་མེད་དྲ་རྒྱ་ཁོའི་ཚད་ཁྱབ་ཚུལ་ནི་ཕོབ་ཕྱོད་ཁྱབ་ཚུལ་གྱི་

Pk近似于k的负y次方
Pkནི་kཡི་མོ་རང་yསྒྱུར་དང་ཉེ་མཚུངས་ཡིན།

在双对数坐标之下他是一条直线
གཏད་གྲངས་གཉིས་ཀྱི་གནས་ཚད་འོག་དེ་ནི་དྲང་ཐིག་ཅིག་ཡིན་ལ་

而且是肥尾分布的
ད་དུང་རྒྱགས་མཇུག་ཁྱབ་ཚུལ་གྱི་

无标度网络模型的特性
ཚད་མེད་དྲ་རྒྱའི་དཔེ་དབྱིབས་ཀྱི་ཁྱད་ཆོས་ཡང་ཡིན།

第一个他的连接机制是
དེ་ཡི་སྦྲེལ་མཐུད་ལམ་སྲོལ་དང་པོ་ནི་

采用了增长和优先连接机制
འཕར་བ་དང་སྔོན་ཐོབ་སྦྲེལ་མཐུད་གྲུབ་ལུགས་བཀོལ་ཡོད།

其次第二个他的度分布是一个幂率分布
དེ་ནས་དེ་ཡི་ཚད་ཁྱབ་ཚུལ་གཉིས་པ་ནི་ཕོབ་ཕྱོད་ཁྱབ་ཚུལ་

Pk近似是k的负y次方
Pkནི་kཡི་མོ་རང་yསྒྱུར་དང་ཉེ་མཚུངས་ཡིན།

网络通过演化以后最终形成的网络
དྲ་རྒྱ་ནི་རིམ་འགྱུར་བརྒྱུད་པའི་རྗེས་སུ་མཐའ་མཇུག་གྲུབ་པའི་དྲ་རྒྱ་ནི་

是一个不均匀的网络
ཆ་སྙོམས་མིན་པའི་དྲ་རྒྱ་ཞིག་ཡིན།

这个不均匀就说是少数节点
འདིའི་ཆ་སྙོམས་མིན་པ་ཞེས་པ་ནི་གྲངས་ཀ་ཉུང་ཉུང་ཞིག་གི་ཐོག་ཡིན།

他的度很大 中间这部分
དེ་ཡི་ཚད་ཧ་ཅང་ཆེ་བ། བར་གྱི་རིམ་པ་འདིའི་

而绝大多数的节点具有很小的一个度
ཚིགས་ཚེག་མང་ཆེ་བ་ལ་ཧ་ཅང་ཆུང་བའི་ཚད་ཞིག་ཡོད་ལ།

度越大的老结点被新结点连接的可能性是越高的
ཚད་ཇི་ལྟར་ཆེ་བའི་ཚིགས་ཚེག་རྙིང་བ་ལ་ཚིགས་ཚེག་གསར་བའི་སྦྲེལ་བའི་ཚད་དེ་ལྟར་མཐོ་སྲིད།

从而变得越来越大
དེ་བས་ཇེ་ཆེ་ནས་ཇེ་ཆེར་གྱུར།

这就是我们平常所见的
འདི་ནི་ང་ཚོས་རྒྱུན་མཐོང་གི་

富者越富现象即马太效应
ཕྱུག་པོ་ནི་སྔར་ལས་ཇེ་ཕྱུག་གི་སྣང་ཚུལ་དང་མ་ཐའེ་ནུས་སྣང་ཡིན།

从复杂网络的角度看万物是互联的
རྙོག་འཛིང་དྲ་རྒྱའི་ཕྱོགས་ནས་བལྟས་ན་བྱ་དངོས་ནི་མཉམ་འབྲེལ་ཡིན་ལ།

互联网是机器的互联
མཉམ་འབྲེལ་དྲ་རྒྱ་ནི་འཕྲུལ་ཆོས་ཀྱི་མཉམ་འབྲེལ་ཡིན།

在互联网中节点是计算机 路由器 交换机
མཉམ་འབྲེལ་དྲ་རྒྱའི་ཁྲོད་ཀྱི་ཚིགས་ཚེག་ནི་རྩིས་འཁོར། ལམ་སྟོན་ཆོས། བརྗེ་འཁོར་བཅས་ཡིན།

而节点之间的连接
འོན་ཀྱང་ཚིགས་ཚེག་བར་གྱི་སྦྲེལ་མཐུད་ནི་

通过同轴电缆 光纤或者WIFI进行连接以后
མདའ་མཐུན་གློག་ཐག་དང་འོད་སྐུད་ཡང་ན་WIFIབརྒྱུད་ནས་སྦྲེལ་མཐུད་བྱས་རྗེས་

我们在两个节点之间就连一条边
ང་ཚོས་ཚིགས་ཚེག་གཉིས་བར་ལ་མཐའ་གཅིག་སྦྲེལ་བ།

由此我们就得到了我们的
དེ་བས་ང་ཚོར་ང་ཚོའི་

复杂网络视角下的一个因特网的一个网络图
རྙོག་འཛིང་དྲ་རྒྱའི་ངོས་ཐད་ཀྱི་དབྱིན་ཐི་དྲ་རྒྱ་གཅིག་གི་དྲ་རྒྱའི་རི་མོ་ཞིག་ཐོབ་པ་ཡིན།

对于因特网的研究在1999年提出来了
དབྱིན་ཐི་དྲ་རྒྱའི་ཞིབ་འཇུག་ལ་མཚོན་ན་1999ལོར་བཏོན་པ་དང་

发现我们的互联网的节点也是一种幂律分部的
ང་ཚོའི་མཉམ་འབྲེལ་དྲ་རྒྱའི་ཚིགས་ཚེག་ཀྱང་ཕོབ་སྲོལ་ཡན་ལག་པུའུ་ཞིག་ཡིན་པ་ཤེས།

也就是Pk近似的是k的负y次方
ཡང་ཅིག་བཤད་ན་Pkཉེ་མཚུངས་ནི་kཡི་མོ་རང་yསྒྱུར་ཡིན།

下面我们对这堂课进行小结
གཤམ་ནས་ང་ཚོས་སློབ་ཐུན་འདིར་ཕྱོགས་བསྡོམས་ཤིག་བྱ།

网络是一组有边相连接的节点的集合
དྲ་རྒྱ་ནི་མཐའ་མཚན་སྦྲེལ་བའི་ཚིགས་ཚེག་གི་ཚོགས་སྤྱི་ཡིན།

在现实世界中
དངོས་ཡོད་འཚོ་བའི་ཁྲོད་དུ་

来自各领域中的有意义的复杂系统
ཁྱབ་ཁོངས་ཁག་ནས་ཡོང་བའི་དོན་སྙིང་ལྡན་པའི་རྙོག་འཛིང་ཆེ་བའི་མ་ལག་

都可以映射成网络
ཚང་མ་རྟེན་འཕྲོ་བྱས་ནས་དྲ་རྒྱ་གྲུབ་ཆོག

复杂网络的共性理论来自多个不同科学领域
རྙོག་འཛིང་དྲ་རྒྱའི་ཐུན་མོང་རང་བཞིན་གྱི་རིགས་པའི་གཞུང་ལུགས་ནི་ཚན་རིག་གི་ཁྱབ་ཁོངས་མི་འདྲ་བ་མང་པོ་ནས་བྱུང་བའི་

包括计算机科学 统计学 物理学
རྩིས་འཁོར་ཚན་རིག བསྡོམས་རྩིས་རིག་པ དངོས་ལུགས་རིག་པ

人工智能 社会科学 生物学 经济学等等
མིས་བཟོས་རིག་ནུས སྤྱི་ཚོགས་ཚན་རིག སྐྱེ་དངོས་རིག་པ དཔལ་འབྱོར་རིག་པ་སོགས་འདུས་ཡོད།

我们处在一个大数据的时代
ང་ཚོ་གཞི་གྲངས་ཆེན་པོའི་དུས་རབས་ཞིག་ཏུ་གནས་ཡོད་པ་དང་

大数据中往往存在着复杂的关联关系
གཞི་གྲངས་ཆེན་པོའི་ཁྲོད་རྒྱུན་པར་རྙོག་འཛིང་ཆེ་བའི་འབྲེལ་ལྡན་འབྲེལ་བ་ཡོད་ལ།

数据科学的重点是研究联系大数据的关系网络
གཞི་གྲངས་ཚན་རིག་གི་གཙོ་གནད་ནི་འབྲེལ་ལྡན་གཞི་གྲངས་ཀྱི་འབྲེལ་བའི་དྲ་རྒྱ་ལ་ཞིབ་འཇུག་བྱེད་པ་དེ་ཡིན།

因此对大数据所形成的复杂网络的特性
དེ་བས་གཞི་གྲངས་ཀྱིས་གྲུབ་པའི་རྙོག་འཛིང་དྲ་རྒྱའི་ཁྱད་ཆོས་དང་

与功能进行研究的复杂网络分析
ནུས་པར་ཞིབ་འཇུག་བྱེད་པའི་རྙོག་འཛིང་དྲ་རྒྱའི་དབྱེ་ཞིབ་ནི་

将是数据科学的一个重要的基石
གཞི་གྲངས་ཚན་རིག་རིག་པའི་རྨང་རྡོ་གཙོ་བོ་ཞིག་ཡིན།

今天就讲到这 谢谢大家
དེ་རིང་བཤད་མཚམས་འདི་ནས་འཇོག ཐུགས་རྗེ་ཆེ།