Известия высших учебных заведений

Прикладная нелинейная динамика

ISSN 0869-6632 (Print)
ISSN 2542-1905 (Online)


Для цитирования:

Пицик Е. Н., Горемыко М. В., Макаров В. В., Храмов А. Е. Математическое моделирование сетей профессионального взаимодействия // Известия вузов. ПНД. 2018. Т. 26, вып. 1. С. 21-32. DOI: 10.18500/0869-6632-2018-26-1-21-32

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
(загрузок: 87)
Полный текст в формате PDF(En):
(загрузок: 61)
Язык публикации: 
русский
Тип статьи: 
Научная статья
УДК: 
519.179.2

Математическое моделирование сетей профессионального взаимодействия

Авторы: 
Пицик Елена Николаевна, Университет Иннополис
Горемыко Михаил Владимирович, Саратовский государственный технический университет имени Гагарина Ю.А. (СГТУ)
Макаров Владимир Владимирович, Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского
Храмов Александр Евгеньевич, Университет Иннополис
Аннотация: 

Описание реально существующих систем взаимодействующих элементов с помощью сетевой модели является эффективным методом их изучения как в макро-, так и в микроскопических масштабах. Наличие схожих свойств в реальных системах, принципиально различающихся по своей природе, обеспечило широкое распространение предлагаемой в данной статье модели в различных областях науки для получения новых фундаментальных знаний о функционировании сетевых структур.

По этой причине предметом данной статьи является моделирование мультиплексной сети, построенной на основе реальных данных о сотрудничестве в мировом музыкальном сообществе. Изменения характеристик в предлагаемой модели отражают структурные и динамические свойства реальных сетей, такие как безмасштабная структура связей и тенденция узлов сети к объединению в кластеры.

Результаты, полученные для мультиплексной сети, говорят о том, что при объединении изолированных сетей их топологии претерпевают заметные изменения. В частности, были выявлены существенные изменения в значениях центральностей узлов, а также в формировании сообществ (кластеров) внутри сети. Помимо этого, были выявлены зависимости характеристик друг от друга и динамика этих зависимостей в процессе объединения изолированных сетей в общую сеть.

Полученные результаты подтверждают эффективность использования модели мультиплексной сети для изучения структурно-динамических процессов во многих реальных системах.

 

Список источников: 
  1. Sporns O., Chialvo D.R., Hilgetag C.C. Organization, development and function of complex brain networks. Trends Cogn. Sci., 2004, vol. 8, pp. 418–425.
  2. Maksimenko V.A., Luttjohann A., Makarov V.V., Goremyko M.V., Koronovskii A.A., Nedaivozov V., Runnova A.E., van Luijtelaar G., Hramov A.E., Boccaletti S. Macroscopic and microscopic spectral properties of brain networks during local and global synchronization. Phys. Rev. E., 2017, vol. 96, no. 1.
  3. Kirsanov D.V., Nedaivozov V.O., Makarov V.V., Goremyko M.V., Hramov A.E. Study of pattern formation in multilayer adaptive network of phase oscillators in application to brain dynamics analysis. Proc. SPIE, 2017, vol. 10337, pp. 103370Z1–7.
  4. Kai S., Gon¸calves J.P., Larminie C., Przuli N. Predicting disease associations via ˇ biological network analysis. BMC Bioinformatics, 2014, vol. 15.
  5. Sharan R. and Ideker T. Modeling cellular machinery through biological network comparison. Nat. Biotechnol., 2006, vol. 24, pp. 427–433.
  6. Ma X., Yu H., Wang Y., Wang Y. Large-Scale transportation network congestion evolution prediction using deep learning theory. PLoS ONE, 2015, vol. 10, no. 3.
  7. He X., Liu X.H. Modeling the day-to-day traffic evolution process after an unexpected network disruption. Transp. Res. Part B Methodol., 2012, vol. 46, no. 1, pp. 50–71.
  8. Wang L., Kuo G.S. Modeling for network selection in heterogeneous wireless networks. A tutorial. IEEE Commun. Surveys Tuts., 2013, vol. 15, no. 1, pp. 271–292.
  9. Yang S., Yang X., Zhang C., Spyrou E. Using social network theory for modeling human mobility. IEEE Netw., 2010, vol. 24, no. 5, pp. 6–13.
  10. Dawson S., Gasevic D., Siemens G., Joksimovic S. Current State and Future Trends: A Citation Network Analysis of the Learning Analytics Field, ACM, 2014, pp. 231– 240.
  11. Erdi P., Makovi K., Somogyvari Z., Strandburg K., Volf P., Zalanyi L. Prediction of emerging technologies based on analysis of the US patent citation network. Scientometrics, 2013, vol. 95, pp. 225.
  12. Ta-Shun C., Hsin-Yu S. Using social network theory for modeling human mobility. IEEE Netw., 2010, vol. 24, no. 5, pp. 6–13.
  13. Shakkottai S., Srikant R. Network optimization and control. Found. Trends. Network., 2008, vol. 2, no. 3, pp. 271–379.
  14. Battiston F., Nicosia V., Latora V. Structural measures for multiplex networks. Phys. Rev. E, 2014, vol. 89, no. 3.
  15. Makarov V.V., Koronovskii A.A., Maksimenko V.A., Hramov A.E., Moskalenko O.I., Buldu J.M., Boccaletti S. Emergence of a multilayer structure in adaptive networks of phase oscillators. Chaos, Solitons, Fractals, 2016, vol. 84, pp. 23–30.
  16. Turrigiano G.G., Nelson S.B. Homeostatic plasticity in the developing nervous system. Nat. Rev. Neurosci., 2004, Vol. 5, pp. 97–107. 
  17. Arnaboldi V., Conti M., Passarella A., Pezzoni F. Ego networks in Twitter: An experimental analysis. IEEE CCW, 2013, pp. 229–234.
  18. Gon¸calves B., Perra N., Vespignani A. Modeling users’ activity on twitter networks: Validation of Dunbar’s number. PLoS ONE, 2011, vol. 6, no. 8, pp. 1–5.
  19. de Ruiter J., Weston G., Lyon S.M. Dunbar’s Number: Group Size and Brain Physiology in Humans Reexamined. Am Anthropol., 2011, vol. 113, no. 4, pp. 557–568.
  20. Menichetti G., Remondini D., Panzarasa P., Mondragon R.J., Bianconi G. Weighted ´ multiplex networks. PLoS ONE, 2014, vol. 9, no. 6, pp. 1–8.
  21. Ru-Ya T., Xue-Fu Z., Yi-Jun L. SSIC model: A multi-layer model for intervention of online rumors spreading. Physica A, 2015, vol. 427, pp. 181–191.
  22. Zhao L., Wang J., Chen Y., Wang Q., Cheng J., Cui H. SIHR rumor spreading model in social networks. Physica A: Statistical Menics and its Applications, 2012, vol. 391, no. 7, pp. 2444–2453.
  23. Hu Q., Gao Y., Ma P., Yin Y., Zhang Y., Xing C. A New Approach to Identify Influential Spreaders in Complex Networks / Web-Age Information Management: 14th International Conference. Springer Berlin Heidelberg, 2013, pp. 99–104.
  24. Roshani F., Naimi Y. Effects of degree-biased transmission rate and nonlinear infectivity on rumor spreading in complex social networks. Phys. Rev. E, 2012, vol. 85, no. 3.
  25. Buono C., Alvarez-Zuzek L.G., Macri P.A., Braunstein L.A. Epidemics in partially overlapped multiplex networks. PLoS ONE, 2014, vol. 9, no. 3, pp. 1–5.
  26. Allmusic.com http://www.allmusic.com/
  27. Callaway D.S., Newman M.E.J., Strogatz S.H., Watts D.J. Network robustness and fragility: Percolation on random graphs. Phys. Rev. Lett., 2000, vol. 85, no. 25, pp. 5468–5471.
  28. Brandes U. A faster algorithm for betweenness centrality. J. Math. Sociol., 2001, vol. 25, no. 3, pp. 163–177.
  29. Papadopoulos S., Kompatsiaris Y., Vakali A., Spyridonos P. Community detection in Social Media. Data Min Knowl Discov., 2012, vol. 24, no. 3, pp. 515–554.
  30. Aggarwal C.C. An Introduction to Social Network Data Analytics. Social Network Data Analytics. Springer US, 2011, pp. 1–15.
  31. Leskovec J., Lang Kevin J., Mahoney M. Empirical comparison of algorithms for network community detection. Proceedings of the 19th International Conference on World Wide Web. ACM, 2010, pp. 631–640.
  32. Newman M.E.J. Equivalence between modularity optimization and maximum likelihood methods for community detection. Phys. Rev. E, 2016, vol. 94, no. 5.
  33. Newman M.E.J. Mathematics of Networks. The New Palgrave Dictionary of Economics. Palgrave Macmillan, 2008.
Поступила в редакцию: 
02.09.2017
Принята к публикации: 
28.10.2017
Опубликована: 
28.02.2018
Краткое содержание:
(загрузок: 48)