我来帮你解决这个实验复现的难题，你的代码里有两个核心问题导致结果不一致，下面一步步给你修正方案：

1. 让随机种子完全生效的具体操作 #

先搞定Watts-Strogatz图的种子问题 #

当p=0时，Watts-Strogatz图其实是个固定的正则环，理论上不该有随机性，但你传递np.random.RandomState对象作为种子的方式可能触发了函数内部的额外随机逻辑（虽然概率不高，但稳妥起见换个方式）。直接传整数种子更可靠：

seed = 1725
G = nx.watts_strogatz_graph(30, 3, 0, seed=seed)

要是你非要用自定义的随机状态实例，那后续所有需要随机的操作都得复用同一个实例，不能中途换。

再解决节点布局的随机性问题 #

nx.spring_layout默认会用全局随机源，所以哪怕图结构固定，每次跑出来的节点位置都不一样。必须给它也加上种子参数：

# 用整数种子
node_positions = nx.spring_layout(G, scale=len(G.nodes()), seed=seed)

# 或者用你定义的RandomState实例
my_random = np.random.RandomState(seed)
node_positions = nx.spring_layout(G, scale=len(G.nodes()), seed=my_random)

应对不支持seed参数的函数 #

如果遇到某些NetworkX函数不接受seed参数，那就直接锁全局随机种子，把Python标准库和numpy的随机源都固定住：

import random
import numpy as np

seed = 1725
random.seed(seed)  # 控制Python原生随机模块
np.random.seed(seed)  # 控制numpy的随机模块

这样所有依赖随机的操作都会跟着这个种子走，彻底消除意外的随机性。

2. 验证复现结果的小技巧 #

修改完代码后，跑两次试试，用这些方法确认结果一致：

• 导出邻接矩阵对比：nx.to_numpy_array(G)两次输出完全相同
• 检查节点位置字典：node_positions里每个节点的坐标值丝毫不差
• 核对图的拓扑属性：比如边数nx.number_of_edges(G)、节点度分布nx.degree(G)都没有变化

内容的提问来源于stack exchange，提问作者eric lardon