4.1 BA模型：增长与优先连接

4.1 BA模型：增长与优先连接

摘要：BA 模型用两条机制解释无标度形态的来源——增长（网络持续加入新节点）与优先连接（新节点偏向连接高度节点，概率与度成正比）。两机制共同产出度指数为三的幂律与「先来者优势」。本节按五段展开：来历（机制猜想的由来）、特征、算法实现、对照实验、边界与变体，是全册机制分析的起点。

标本来历：两条可疑线索合龙

解剖室的第一件事是案情还原。野外考察登记的肥尾形态摆在台上，问：随机图为什么长不出来？拆开随机图的两条隐含假设，各自都可疑。假设一说节点是「一次性到齐」再配对——可疑，因为真实网络是逐日生长的：网页一个个上线、论文一篇篇发表、新用户持续注册。假设二说配对机会均等——也可疑，因为新上线的网页更可能链接到早已声名显赫的站点，新作者更可能引用奠基性论文：连接的概率天然偏向「已有声望」的节点。

把两条线索各换一刀：让网络持续增长，让连接概率正比于目标节点的度——这就是无标度网络的生成机制，以其提出者之名常称 BA 模型。机制的语言极其朴素：增长 + 优先连接，后者还有个广为流传的别名「富者愈富」。新节点像新雪，落在哪里不均等——已经很高的雪堆截住更多飘雪，长得更高；来得早的雪堆享受了更长的积累期，优势按时间复利。

算法与特征：两步手术的精确口径

算法只有两步。初始化一个小种子网络；此后每个时间步加入一个新节点，携带着固定条数的边，逐条「挂」到既有节点上——每条边选择目标时，选中某节点的概率等于该节点当前度与全网总度之比。无自环、无重边的实现细节，实务里用「度列表展开 + 拒绝采样」处理。模型的可调参数极少：新节点带边数，加上种子网络的规模——参数这么少还能长出肥尾，正是机制强解释力的体现。

先登记形态特征（下一节给推导）：度分布为幂律、指数精确等于三；平均路径比对数律还要短，属「超小世界」；聚类偏低——这是模型的著名短板，稍后算账。

import networkx as nx
import math

BA = nx.barabasi_albert_graph(5000, 3, seed=10)
degs = [d for _, d in BA.degree()]
mean = sum(degs) / len(degs)
var = sum((d - mean) ** 2 for d in degs) / len(degs)
print(f"平均度 {mean:.2f}（参数决定的理论值约 6=2m）")
print(f"方差/均值比 {var/mean:.1f}（远大于1 => 脱离泊松世界）")
print(f"最大度 {max(degs)} | 最小度 {min(degs)}（新节点至少带 m 条边）")

L = nx.average_shortest_path_length(BA)
print(f"平均路径 {L:.2f} | 对数律参考 {math.log(5000) / math.log(mean):.2f}")
​

读数里「最小度等于参数」暴露了模型的一个雕塑痕迹：BA 网络里没有「一条边都没混到」的孤立者，而真实网络里低到尘埃的节点一抓一把——形态吻合到尾部就露馅，登记在案，变体一节回收。

实验观察一：先来者优势

机制预言了一个时间维的结构性不公：越早入场的节点，度优势越大。这不是玄学，是复利的数学——早到者多享受了每一时间步的优先连接红利。验证方式直白：按入场顺序给节点编号（实现里编号即入场时间），看度的分箱均值。

import networkx as nx

BA = nx.barabasi_albert_graph(4000, 3, seed=10)
deg = dict(BA.degree())
groups = {"最早的一批（编号前百分之五）": range(0, 200),
          "中场（编号中段）": range(1800, 2200),
          "末班车（编号末段）": range(3800, 4000)}
for label, rng in groups.items():
    avg = sum(deg[i] for i in rng) / len(list(rng))
    print(f"{label}: 平均度 {avg:6.1f}")
​

读数差距悬殊：最早一批的平均度是末班车的好多倍。这条「先来者优势」在真实系统里同样成立——早年注册的账号、奠基论文、老牌枢纽站点享有结构性红利。下一节的推导会把这条经验律写成定理：节点度按入场时间的平方根比例生长。

图 BA模型的增长四快照

实验观察二：缺一刀的对照

机制的裁决实验是「缺一刀」：单独移除任一机制，看幂律是否消失。移除优先连接（新边随机挂）——网络仍增长，但度分布退回泊松型；移除增长（固定规模内按度偏好重连）——网络不再有入场时间差，富者愈富失去时间维，分布同样不再拖幂律尾。两刀缺一不可：增长提供时间纵深，优先连接提供偏心，肥尾是两者的合谋。这组对照实验在家即可复现——把 networkx 的 BA 生成换成「先随机生成再逐步随机加边」的杂合口径，尾巴立刻收拢。

边界与变体：模型的四条账

BA 模型是机制骨架，不是真实网络的等身像，四条局限必须记账。其一，聚类过低：纯优先连接不产三角形，而真实网络高聚类——补丁是引入三角形成步骤的霍尔姆—金模型（新边有一定概率复制邻居关系）。其二，带边数固定：真实节点入场时的「活动量」差异巨大——可引入活动度驱动的变体。其三，全局信息假设：新节点要知道所有人的度才能按比例选择，真实系统里连局部信息都未必齐——局域世界模型把信息半径缩到邻域。其四，适应度缺席：纯 BA 里晚到者永无翻身日，可真实世界有「后发爆红」——适应度模型给节点发放内在吸引力参数，允许后来者逆袭，甚至出现「凝聚相变」（一个超级节点吸走几乎全部后续连接），与玻色—爱因斯坦凝聚的神似让它得了个别名。

💡 关键直觉：BA 的价值不在「真实网络都按它长」，而在「增长与偏好连接这对最小机制足以量产肥尾」。真实系统是在这对机制上叠加各种修正——变体家族的每个补丁，对应野外考察登记的一条形态偏差。

本站收束

• BA 模型 = 增长 + 优先连接（连接概率正比于度），参数极少而解释力极强
• 特征签名：度指数三、超小世界、先来者优势、低聚类（短板）
• 「缺一刀」对照是机制确证的标准操作：任一机制缺席，幂律消失
• 四条局限各对应一个变体方向：三角形成、活动度、局域信息、适应度
• 形态来自机制的结论已立，定量版——指数为什么恰是三——交给下一节的速率方程

解剖刀已证明锋利，下一节把它磨到能切开指数：速率方程将把「富者愈富」翻译成一条精确的幂律，连指数值都算给你看。