4.2 速率方程：幂律指数的推导

4.2 速率方程：幂律指数的推导

摘要：本节用速率方程把 BA 机制的定性结论升级为定量定理：节点度按入场时间的平方根生长，度分布为指数等于三的幂律。推导走三步——生长律、入场均匀性、累积分布求导；随后登记更严格的离散速率方程口径与非线性优先连接的分岔结局（拉伸指数与凝聚相变）。这是全册唯一一节以推导为主体的内容，每一步都不跳。

从讲故事到算数字

上一节用「富者愈富」的比喻讲机制，比喻的尽头是定性：能长出肥尾。但机制假说的完整形态必须给数字——指数是多少、先来者优势按什么律衰减、结论依赖哪些近似。这节的解剖台换成一张推导桌，走的是统计物理里屡试不爽的路数：把离散的随机过程近似成连续变量的演化方程，解出轨道，再由轨道推出分布。这套「平均场」打法在相变理论里战功赫赫，搬到网络上一样好使——读者将第一次看到「网络科学 = 统计物理」这句话的字面意思。

先把推导要用的三个口径钉死。其一，每时间步入场一个新节点、带固定条边，故总度数随时间线性增长，且等于边数的两倍。其二，新节点选中某老节点的概率，等于该节点度与当前总度之比——这是优先连接的数学形态。其三，把离散的度看成连续变量——近似合法，因为我们关心的是大规模网络的渐近行为。

三步推导：从偏心到指数三

**第一步：生长律。**某节点在时间入场，初始度为。此后每个时间步，全网新增条边，每条边挂在它头上的份额按优先连接分配。把「每步期望增量」写成方程：度的变化率等于度的当前值除以时间的两倍——总度随时间线性增长这一事实，使方程右端的时间因子恰好约掉一半。这是一个标准的可分离变量微分方程，解出来就是生长律：度按入场时间的平方根比例生长。晚到一倍时间，度打对折的根号折扣——先来者优势的定量形态。

**第二步：入场时间的均匀性。**节点在均匀的时间轴上陆续入场，因此「入场时间早于给定值」的概率就是该值与当前时间的比值。把生长律反过来读：节点在当前时刻的度超过某个值，等价于它的入场时间早于某个由生长律给出的临界时刻——一步代数换算，就把「度的累积概率」变成了「入场时间的概率」。

**第三步：从累积到密度。**把累积分布对度求导，得到度分布的密度形式：与度的负三次方成正比。幂律指数等于三——BA 模型最著名的定量签名，上一节代码里的斜率估计绕着它波动，现在你知道波动的心应该在哪儿。三步合起来读：偏心的连接规则（每步按度分配）经过时间的积分（平方根生长）与入场均匀性的换算，必然产出指数三的幂律——指数不是拟合出来的，是机制的推论。

图 生长律与幂律的推导链条

代码验算：让数字站在定理旁边

推导的可信度最终要落在仿真上。两个实验分别核对指数与生长律。

import networkx as nx
import math, random

def ccdf_slope(G):
    degs = sorted(d for _, d in G.degree())
    n = len(degs)
    xs = [math.log(k) for k in degs if k > 0]
    ys = [math.log(sum(1 for d in degs if d >= k) / n) for k in degs if k > 0]
    m = len(xs)
    mx, my = sum(xs) / m, sum(ys) / m
    s = sum((a - mx) * (b - my) for a, b in zip(xs, ys)) / \
        sum((a - mx) ** 2 for a in xs)
    return s + 1          # 累积分布斜率 + 1 ≈ 密度分布指数

for n in [2000, 8000, 32000]:
    BA = nx.barabasi_albert_graph(n, 3, seed=10)
    print(f"n={n:>6}: 幂律指数估计 {ccdf_slope(BA):.2f}（理论 3.0）")
​

指数估计随规模增大向理论值收敛——有限尺寸效应在小网上会把读数往低拉，这本身是重要的实务经验：拿几千节点的网络宣判「指数不是三」为时过早。

import networkx as nx
import math

n, m, seed = 4000, 3, 10
BA = nx.barabasi_albert_graph(n, m, seed=seed)

# 验证生长律：早入场者的度应近似 m * sqrt(t / t_i)
t = n
print("入场时间 | 度实测 | 平方根律预测")
for ti in [5, 20, 100, 500, 2000]:
    if ti >= n: continue
    k_real = BA.degree(ti)
    k_pred = m * math.sqrt(t / ti)
    print(f"{ti:>8} | {k_real:>6} | {k_pred:>6.1f}")
​

预测值与实测同量级、随入场时间按平方根衰减的趋势清晰——平均场推导在「轨道」层面也过关。残差来自度增长的随机涨落：预测的是系综平均轨道，单次仿真自然有波动，多 seed 平均后轨道会更贴。

严格化与分岔：把推导的边界画出来

平均场三步是教科书级推导，两条边界必须画出来。**边界一，离散性。**真实过程里度是整数、入场是离散事件，严格处理要改用离散速率方程：追踪「度为的节点数」的时间演化，写出流入流出守恒的方程组，稳态解同样给出指数三——与平均场殊途同归，但中途能看到小度区（度不足入场度的那批节点）的分布细节与平均场的偏差。边界二，非线性。若把优先连接改成「概率正比于度的非线性幂」，结局按指数分岔：指数小于一时偏好太弱，分布退化成拉伸指数型（快截断的肥尾，不配叫幂律）；等于一线性，回到指数三；大于一时偏好太强，发生凝聚相变——时间足够久后，一个节点吸走后续几乎全部连接，分布不再稳定。上一节适应度模型的「后发爆红到通吃」，数学上正是这支分岔的亲戚。

⚠️ 常见坑一：看到双对数直线就报指数三。指数是模型推论，不是自然常数——真实网络的指数散布在二到三附近甚至更宽，对应机制参数（非线性指数、初始吸引度、适应度分布）的不同取值。
⚠️ 常见坑二：忘记分布里「度小于入场度」的那段是模型工件。BA 网络最小度被参数钉死，低度区读数不能当真实网络的证据。

本站收束

• 速率方程三步：生长律（平方根）、入场均匀性、累积求导——机制到指数三的完整链条
• 指数是推论不是拟合值；有限尺寸效应会让小网读数偏低，宣判前先看规模
• 离散速率方程给出同结论的严格版，并暴露低度区的模型工件
• 非线性优先连接分岔：弱偏好得拉伸指数，强偏好得凝聚相变
• 推导完毕的机制立刻面临野外审问：这副骨架扛不扛揍？下一节做双面体检

模型与指数都已入档。下一节把无标度标本放上压力机：随机故障与蓄意攻击两套加载方案，看看「双面枢纽」的真面目。