如何基于SIR模型实现复杂网络中的节点影响力排序？

核心逻辑 #

要衡量节点的感染能力，核心是以每个节点作为唯一初始感染源，重复运行SIR模拟，统计每次模拟中被感染的总节点数，取平均值作为该节点的感染能力得分，最终按得分从高到低排序。由于SIR过程存在随机性，多次模拟取平均能避免单次结果的偶然性。

具体实现步骤&代码示例 #

以下用Python结合networkx（网络构建）和ndlib（SIR模拟）实现，可直接适配你的研究场景：

1. 依赖安装

pip install networkx ndlib numpy

2. 完整代码

import networkx as nx
import ndlib.models.epidemics as ep
import ndlib.models.ModelConfig as mc
import numpy as np

# 替换为你的实际网络（可以是导入的真实网络数据）
G = nx.barabasi_albert_graph(100, 2)  # 示例：100节点的BA无标度网络

# 配置SIR模型核心参数
model = ep.SIRModel(G)
config = mc.Configuration()
config.add_model_parameter('beta', 0.1)  # 感染概率
config.add_model_parameter('gamma', 0.05)  # 恢复概率
model.set_initial_status(config)

# 单次SIR模拟：返回初始节点引发的累计感染节点数
def run_single_simulation(initial_node):
    model.reset()
    # 初始化状态：仅目标节点为感染态（1=感染，0=易感）
    initial_status = {n: 0 for n in G.nodes()}
    initial_status[initial_node] = 1
    model.set_initial_status(initial_status)
    
    # 运行模拟直到无感染节点
    iterations = model.iteration_bunch(100, node_status=True)
    # 统计所有曾被感染的节点
    total_infected = set()
    for it in iterations:
        total_infected.update(it['status'].keys())
    return len(total_infected)

# 遍历所有节点，多次模拟取平均得分
num_sim_runs = 20  # 模拟次数，建议根据计算资源调整（次数越多结果越稳定）
node_infection_scores = {}
for node in G.nodes():
    # 多次模拟取平均
    simulation_results = [run_single_simulation(node) for _ in range(num_sim_runs)]
    node_infection_scores[node] = np.mean(simulation_results)

# 按感染能力得分降序排序
sorted_nodes = sorted(node_infection_scores.items(), key=lambda x: x[1], reverse=True)

# 输出排名结果
print("节点感染能力排名（节点ID: 平均累计感染节点数）：")
for rank, (node, score) in enumerate(sorted_nodes, 1):
    print(f"{rank}. 节点{node}: {score:.2f}")

关键注意事项 #

• 模拟次数选择：SIR是随机过程，单次模拟结果波动大，建议根据网络规模选择20-100次模拟，平衡结果稳定性和计算效率。
• 参数适配：beta（感染率）和gamma（恢复率）需根据你的研究场景调整，不同参数组合会直接影响节点的感染能力排名。
• 大规模网络优化：如果节点数过万，直接遍历模拟会很慢，可采用并行计算（比如multiprocessing库）或近似方法（如基于节点度的启发式预筛选，只对高潜力节点做完整模拟）。
• 感染规模定义：代码中统计的是累计感染节点数（整个传播周期中所有被感染过的节点），如果需要统计最终时刻的感染节点数，可修改为取最后一次迭代的感染节点数量。

内容的提问来源于stack exchange，提问作者Orca