科学研究合作的超级网络知识扩散演化模型的研究。pdf

科学研究合作的超级网络知识扩散演化模型的研究。pdf

《情报杂志》，2017年3月，第36卷，中国第3卷，2017年3月36日，第36（3）：274-284页，关于科学研究合作的知识扩散进化模型的研究超级研究合作li Gang，BA ，BA ，BA （信息资源研究中心，武汉大学，武汉大学，武汉）摘要，以探索知识的发展范围和动态范围，以探索范围的发展范围，以探索动态的范围，介绍了数学理论来构建基于科学研究合作超网的知识扩散演化模型。通过重现实际网络组织知识传播行为，不同网络结构特征，节点偏好选择，知识增长和衰老之间的动态关系以及科学研究合作网络中知识扩散途径和知识传播过程。考虑到不同个人的知识和知识吸收能力的自我成长，网络的平均知识水平，知识扩散率和知识平衡程度被用作评估指标，以衡量知识扩散的有效性。仿真结果表明：具有无规律特征的科学研究合作网络可以最大程度地提高网络的平均知识水平和知识扩散率；与节点学位的最佳联系相比，节点知识股票偏好的偏好选择可以促进知识的有效扩散，其影响效应并不重要。群集节点的降解大大降低了网络的平均知识水平和知识扩散率，新节点的增长的影响以及旧节点对整个网络知识水平的降解可以在某个时候达到平衡；个人实现了自己的知识的增长，遗传遗传和突然的突变，并且在无标度网络扩散模型的基础上，他们对知识扩散也有不同的振荡作用。

研究影响知识传播的因素和因素的作用机理对科学研究人员之间的科学研究结构，合作和交流至关重要。关键词科学研究合作；超级;知识扩散；在Gang和Ba（，Wuhan）上的β的无标度网络：为了合作，本文是基于和超图的模型。在现实世界中的网络工作中，自我和途径，以及自我和路径的自我和路径，以及两者的库存，级别，速率，速率，速率，及其和oft and of the and of the and and and of the and and of the and of the and和of。无标度的速度和水平最快；库存可以带来更多的差异，而不是。集线器的净工作水平和速率以及新节点的位置。 - - 并在收到日期：2016-07-12基金项目Z研究研究团队的动态进化法研究研究小组。

作者资料：李帮，男性，出生于1966年，武汉大学信息资源研究中心副主任，卢卡（Luoka）特别教授和博士主管。他的主要研究方向是竞争情报和智慧城市。电子邮件： ; Ba ，男性，出生于1990年，博士生，他的主要研究方向是知识网络和知识服务。第3期Li Gang等人：在科学研究合作和无标度模式的超级网络基础下，知识扩散的进化模型的研究l。影响和对.key的词的影响：; ;无标度-'-1 2相关研究工作的时代知识经济是→一系列知识和信息。目前，基于知识创新和扩散的生产，分布和使用，该网络已成为经济时代。知识资源和形式主要基于对复杂网络的研究，以对知识扩散机制进行模拟分析。

例如，Kim等人。 [2]逐渐成为这个时代社会发展的主要资源和核心竞争力[1]。 Lin等。 [3]将知识创新引入知识传播的过程，模拟和知识扩散作为知识生产和核心知识在不同网络链接的过程中的必要条件，例如常规网络，小世界网络和随机网络，在提高知识应用，整体知识水平和网络结构的效率方面具有重要作用。前者的研究结果表明，相对竞争力都起着重要作用。知识扩散是小世界网络下组织之间有用信息的最快流动。它是有效机制中创新知识的增长和扩散速度。后一项研究发现，在无标度网络控制下的传输过程更受知识共享控制。与知识共享相比，其目的有利于促进知识的有效扩散。 Luo等。 [4]提出了一种通过设置星形传播的知识扩散和网络结构共同发展的模型。同时，知识扩散的过程将受到知识网络知识扩散的关键价值以及个人活动，拓扑特征，知识扩散途径以及知识主要身体的传播，以探索知识扩散和领域适应之间的双向效应。扩散的复杂性使扩大知识可以通过考虑各种因素的影响，例如个人自学和忘记机制的结构差异来创建新的知识扩散模型。发现具有相对较高数字的扩散过程和路径很难清楚地理解，并且扩散定律也很难获得更多的知识并促进知识的扩散，并且可以通过结构模型准确地掌握和描绘。

因此，程度分布越多，知识的有效扩散越有利。探索影响知识扩散的因素和因素的作用机理，以Liu Xuan等。 [6]从微观的角度来看，探索科学研究网络中知识扩散的进化定律和动态机制，有效地促进知识身体对知识扩散的动态影响机制的动态影响机制具有重要意义，并发现合作与交流占据结构性知识，阐明了科学发展的范围，从而阐明了知识发展的范围，并在范围内进行了广泛的范围，并在范围内进行了良好的发展。扮演最重要的角色。由于科学研究网络独有的社交网络结合了科学研究合作网络现实的增长模型和知识网络的性质（社会性），因此科学研究实体将利用自己的社会计划来扩散合作网络中的传播特征，以吸引复杂的网络和超图以进行自组织的调整。但是，关键节点或边缘的这种退化，并学习理论，并基于科学研究建立科学研究将不可避免地影响知识扩散的效率。因此，有必要研究合作超级网的知识扩散演化模型。该模型基于对不同故障策略的稳定性能的统一扩散。 Huang 等。 [7]将知识多节点的增长与节点学位偏好的选择以及节点知识知识的扩散率与群集主题之间的距离相关联。偏好选择两种首选连接方法用于基于集群创新和关节结构来构建知识的全局扩散效应。同时，考虑合作网络中知识扩散的遗传遗传和网络的知识扩散模型。发现与无尺度特征的爆发变化的特征的特征在于引入节点的自我进化以及节点之间的群集创新创新可以最大程度地提高群集知识扩散速度连接强度，传播能力和知识吸收能力对知识溢出效应以及集群总体知识水平的增长效率。

Li 等。 [8]使用知识的作用，并使用了由扩散引起的知识增长，例如网络的平均知识水平和知识扩散率作为知识产品的合作学生，作为衡量知识扩散有效性的评估指标。通过探索知识产权，我们将吸引Cobb和的生产功能，并在超网络演化模型下检查个人的知识增长和扩散速度，偏好选择节点的偏好选择，而没有知识传播知识的自我成长以及知识传播的知识的自我成长以及知识传播对知识传播的特征。但是，构造的模型假设高级知识退化的鲁棒性溢出了分布节点以及继承者知识水平的知识扩散途径保持不变，而忽略了其他外部因素对基本网络对基本网络的震惊知识知识增长的影响。有必要探索影响知识扩散和元素作用机制的因素。它提供了指导和建议，以最大程度地提高知识扩散的有效性并形成更稳定的科学研究合作模型，其中知识从高级知识传播到低级声音知识。当《智力杂志》第36卷的接受者不仅存在其原始知识的遗传遗传，这表现为不同程度知识的相互渗透（伴随着基于其相应知识潜力水平的现有知识元素组成和固定结构的群体的转移和损失）[15]。这个过程是不兼容的，知识节点也突然存在变化，这表现为一种与科学研究合作中双方的知识水平相关的思想，并且还受到知识传播的主观主题行为的关键行为，以便实现创新能力，知识吸收能力，知识的实力，并依赖于重新效应，并具有对重新效果的连接。

此外，知识扩散必须是建立在某些接触网络上的新知识[9]。此外，随着知识扩散的发展，基于规则网络和小世界网络建立知识扩散模式的高级人士具有自我地址的知识，这两者都表现为链接的经济学。每个节点很长，知识溢出效应将通过两个相对较小的啤酒花计数和其他节点之间的连接强度来实现。因此，合作网络的交流，传播和知识吸收能力的意愿的影响，由于每个人只能与其最近的邻居个人扩展知识受这些因素的影响，因此知识也将分散在扩散过程中。有限视力中的这种缺陷限制了知识的有效扩散。确定磨损和停滞。知识扩散也是一个逐步的过程。随着互联网技术的发展，科学研究合作不再限于该过程，并且不会一次完成。在一个小角度的范围内，它更加开放和国际，这无疑会放大模型的缺点。此外，基于随机和小世界网络的网络，单型元素的传统网络模型描述了该网络的扩散模型，还假设确定了网络的大小和程度分布。当网络中的节点和边缘之间的复杂关系受到研究部分的限制时，即首先设置n个节点的网络，然后在模型底部激活微观点和边缘之间的同质性网络，无法完全描绘现实世界网络，这与真实科学研究网络的增长模型不符。

整个家庭的特征。例如，对于科学研究合作网络，这只能意味着在两个科学研究合作网络的发展过程中，科学研究团队成员不是成年人之间的合作关系和知识扩散，并且无法描述多个学科的不变和动态变化。研究人员之间将有新的节点加入和知识扩散。基于超图理论的表示方法还伴随着旧节点的降解。因此，考虑到代表这种多主体和多元化关系的拓扑结构的知识结构，主体由节点表示，并且代表了多个受试者之间的关系扩散模型。大量的经验数据统计数据[1月18]也表明许多实用的边缘表示。图中的边缘可以包含几个主题。网络间遵守无算力网络的弯曲序列分布的网络模型而不相对于单一类型的元素，并且基于二项式分布或泊松分布的超网络表示。该模型可以根据超图结构有效地描述网络中多个节点之间的关系，同时确保节点和边缘的均匀性。 Guo Jinli等。 [10]，Hu Feng等。分别基于超网络构建了动态演化模型，并发现它们的形式为：g =（v，eh）。其中，v = {vj，v2，v3 ,, vn}研究了超级努力的无限量特征的演化机理和拓扑特性。张代表超网络中所有节点的有限集。 E H = {EJ，E 2等。 [12]使用理论根据用户背景知识和E3，…，EN}构建所有超边缘的有限集，代表超网络中所有超级边缘的有限集。

节点VJ的过度智度DH（VJ）定义为连接到VJ的所有超边的数量，以及图标和标签的双重优先连接机理的超图生长模型。杨等。 [13]研究了当地世界超级网络演化模型的知识扩散模型，该模型表明知识扩散发生在单个VJ和其他个体之间。构建的模型与Hu Feng等人的模型相同。 [11]，及其传播的次数。鉴于科学研究合作网络的实际增长模型，采用了学位到最佳的扩散机制，并且仅考虑知识吸收能力对知识的影响通常添加了几个新的节点和生成的超级网络中的扩散。 Wang等。 [14]构建了知识扩散的超网模型。通过随机选择节点作为知识源，几个旧节点已用于形成超级边缘，而在本地世界中的生长类型不仅是统一和稳定的单节点生长。此外，在当前知识的有效传播中，研究发现，在随机选择专家节点网络的最佳联系的过程中，大多数进化模型都使用了首选连接原理，该原理可以根据网络进化规则，IE速率，基于连续性的程度，节点可以比优先选择更能促进知识的扩散速度。与上述研究不同，本文将更喜欢具有高度的节点，而不是根据经验分析结果和Koga人的新节点进行连接[19]。研究合作结构具有多个受试者的特征。当知识增加时，新节点更愿意建立合作关系，并具有两个普及，相似的知识方式和知识扩散的偏好，并基于具有高科学知识库存的专家建立合作关系，并与专业研究和研究超级网络知识知识扩散进化模型合作。

家庭之间的学习和沟通实现了自己的知识的增长。该连接规则称为选择与知识库存偏好的联系的原则。此外，理论模型的首选选择方法是科学研究合作超级网的有意识，有目的和积极的行为。但是，在研究合作期间产生的知识扩散与客观现象更相似。科学研究合作网络中有意识或无意识的知识扩散。科学研究合作双方的主要情况是Polo。本文采用了两个节点学位和知识库存的偏好。 Li Gang等人：科学研究合作超级网络中知识扩散演化模型的研究。 277选择连接原理。作为建立科学研究合作成员之间知识扩展关系的规则，结合了网络的进化特征和动态机制，l：j（dh（vj） + 1）根据BA无标度的网络演化模型[2]]，构建科学和②构建思想，构建科学和距离与知识库存的概率Q选择了知识的范围，并选择了一个新的知识模型。连接概率（1）初始状态：给定初始网络，来自带有MOH大坝的MOH大坝。它与节点的知识库存成正比（知识的库存比节点更好，并且EO超级优势开始。设置要首先连接的每个节点的知识库存），也就是说，满足以下关系：（v;）〜U [0，1]，并随机选择r nodes的比例为专家，S/s/s/s/s/s/s/s/s/s/s/s/s/s+1级别=最初的级别。

太阳岛（T）=（2）（2）超级边缘增长：在T时间内，每次导致新l :) wu（t）+1）nv，其中O〜triby三p，q〜三1，p+q = 1和vi f0，首选的节点，dh（v;）+l或dAM在现有的m2 nodes中使用。 +1为了确保节点学位或知识清单被M超级边缘包围，并且M2每月运输MOO也是将节点与0不是0的新节点连接起来的可能性。图1显示了点MO = 6，M = M = m]的初始知识stock s（trick）〜U [0，1] =。 （3）优先连接：当将新节点连接到M2而不是M2 = 1时，知识扩散模型的演变过程从t = 0到t = 2都没有考虑到节点知识的自我成长。上面的超级边缘增加在同一节点上使用，并根据以下概率选择节点：长长和两个首选连接机制生成的超网络。在生产1中，基于节点①，以概率p选择节点度优先级连接机制，然后选择新的点度来生成超边句。根据对现有节点VI的知识存储节点，在t = 2处，连接概率I1 DH（V;）被选择以进行最佳连接。节点V2的知识库存价格从10.0上涨，与节点镇的Hyper-DH（V;）（优先连接）（即符合10.6）成正比。每一代超边缘都意味着知识的有效扩散。

以下关系：-si（0）= o.45，s，（0）= 10.0 si（1）= O.45，s and s and（1）= 10.0Si（2）= 0.45，s，s，（2）= 10.6s3（0）= O.58，s4（s4（s4） S.（2）= 0.79s，（0）= O.51，S。（O家庭0.08 s，（1）= O.5 1，S。（L）= O.08S，（2个家庭0.5 1，S。（2个家庭0.5 1，S。（2），S。（2）= O.08S，（1），（1）=O.62S7σ）科学研究合作知识的扩散和进化过程的概率函数p（d;）d小于生命。 1）= [m（m]+m2）+1]，因此，11（，] s〜ìl（4）结合了连续化方法和平均场理论（平均值ap-fie1d ap-fui i ！（t+q）（t+q）（句子+1），称为-q ji h）[7] [7] [7]，以求解模型和时间：功能：i t+υ| i m（称为+m）+1。

ip {dh（t）d h} 2p（d）= qi r，l-〜11，dh（v）= -1+i \ 1 ~~ 2j i（3）hjv o。+h |+h |ν+vi（5）\ m（m]+m（m]+m）+1） J-。 （DH+LRR索引LU = MM2/[M（ML+M2）+1]，同时Q = MO/MO+[M（M]+M2）+1]，因为在相同的时间间隔中添加了一个新的部分，因此分析显示了y〜2+M]/M2的窗帘指数Y〜2+M]/M2，因此分析显示了y y y的无限率网络，因此该概率为M2，M2，M2，M2，3]时，M2 n holes n her n her her her her q.2，3] n时。在时间t上添加是p（o t）i），当q是0时，基于知识库存的首选连接，与1ν/（gamo+m] t）相同，因此对于任何节点，其悬念d（v-tao;）将导致网络中的节点变化知识的主要知识的连接过程将受节点的知识库存的影响，因此，模型的连接强度，即节点的悬念DH。

该值越大，则意味着无法根据理论分析节点悬疑分布。它只能通过节点技能的可见性越高，其越来越强大的散布知识的意愿以及结果分析分布满足特征。同时，节点技能的知识传播能力与技能的知识水平有关。因此，构造结构的最终计算公式如下：3.2知识扩散机制Ið； = 1 _，o，_嘴（7）的网络结构的演变伴随着知识L +DH的有效扩展（vjf1 +e-e-chuan vjt，j ，每个人的知识水平都会通过知识扩散随时间而发展。 = {si.j（t）; j = l，2，k}代表个人，并伴随着知识的自我成长，即在身体在不同时期的知识水平上继承身体的构成，并增加了最佳的含义。节点将导致知识的创新元件重组或结构性重组，从而产生有效的扩散。从本质上讲，知识单位可以进行结构的迁移。在化学中，扩散也被定义为从生物质中的材料分子的变化，表现为一种主观的创新增长，高浓度区域转移到低浓度区域，直到发生均匀分布，并且这种创新的增长发生在整个网络的进化中。

结论[20）。因此，当知识从高级知识过流（知识来源知识的自我发展为：起源）传播到低级接受者（目标接收者）时，M； （T +L）= Si（t）（1吨）（8）目标受体的知识增加，并且知识水平将得到提高。其中，0à1表示节点i的自我创新能力。 I改进的程度取决于因素，例如接受者的自我效果和知识吸收能力水平。同时，提高知识级别的方法3.3知识扩散的基本测量指标包括对主要身体原始知识的遗传遗传以及由超级网络下的知识在深入研究和科学研究合作的量化性测量中产生的突然变化（创新重组）。假设个人巧妙地代表了知识知识的扩散效应，请探索在不同科学研究合作网络结构下平均知识扩散的主要体。单个VI代表目标接收者。 When both and , the level of the at t+1 is: the level of level, the speed of speed, and the of of |Pong(t)+Ma{Pong(t +1) 1pong(t)} +AS;(t +1), the , and the index of the level, rate, and are used to the state of 在科学研究合作超级网络中。 l pong（t）（1）平均知识水平（其中库存，马（s）1）-s;（。

它表明目标受体是高知识的初级身体水平）；它表明，在时间t和m的整个科学研究合作超级网中，所有原始知识的遗传遗传遗传; （t+l）表示接受者的平均知识水平的平均值。对于节点I的平均知识而言，生成的身体的原始知识的突然变化是接受者的主观思维，这是整个科学研究合作网络的自我创新引起的自我创新。 In , the level of the mode is: The type also that some have their level is than other nodes, and in the of , their (←LJii(t)(9).if iεS will not be by other . Since the body, N the scale of the super , that is, the the of nodes that在知识吸收过程中有意保留或不可避免，j（t）是t时整个网络的平均知识水平。与平均知识水平有关，即多个ð（0ð1），ΔZ代表接收器VI对主要身体I的原始知识i I当时网络平均知识水平的瞬时变化计算为：吸收能力。假设它受到接受者的知识水平，受体的SI（T），-主要身体技能的知识传播能力以及两个LO（VI（t）-1-1-1（t）-1-1（t）-1-1（t）-1-1（t -1）之间的连接强度，也就是说，人们认为，在此方面，ji（t-1）的最初始知识水平较高，则ji（t-1 ←l，以及两者之间的初始连接越接近，接收者VI吸收知识的能力就越大。

基于非尺寸，该值的计算也反映了整个网络知识的增长率。当I级网络用作基本扩散模型时，知识平衡程度（DEGR-EE）用于测量知识扩散后知识平衡的程度。指的是超网络的现有节点，两者之间的初始联系，李格等人：在超级网络下对知识扩散进化模型的研究，第279页，第三个问题，第三个问题之间的关系，考虑到由个别知识遗传遗传和变异的知识的个人知识重新构成的个人知识遗传遗传和变异的知识的研究（平均知识）的标准知识水平的标准偏差：11（11）。 rate and other under the , small world , and ( ) model, σ(1) the of the of the at t time, as shown in 2. Among them, the only the node of p=l when the the nodes in the the (t) only when小世界si（t）对。通过知识的扩散，可以将网络破坏和重新连接的概率设置为p = o。我和最近的邻居的初始数量n = 30。为了减少网络中不同个体之间知识水平的差距，可以从图2（a）中可以看出，随着时间t的持续演变，实现了网络网络知识分布的最佳平衡。

平均知识水平JI（T）显示了对不同网络结构的仿真增长率不同。 When the level of the is the same, 4.1 a scale-free can the level, which is by its . In with the , the nodes in the are set to have a small of hub nodes and a large of low- nodes, the N=1000, the mo=50, ml=3, m=m2=2 in the model are the most able to the while the . The large of the law T=(N-mo)/m 1 300, the p=q=0.5 is set, and the is . The hub node can more with other nodes, that is, the of node and the of stock , and the are used to a high--level node. From the , the of new nodes in the , the of the best- more other nodes with these hub nodes will . Set the of the level of each , so that the rate of level of the can be . Sj(O) is the [0, 1] . In order to that there are other in the , under the same , the heavy- of the is to be 5% in the of in the , and the the of P, the the level of the grows, and the the high level of that the has, the the can its .

2(b) shows that for their and are by other . The does not have of by and will be to other . , after of . In the stage of , since there is a large of in each , it is that other the of a , and the of level σ(t) value . As time- 50% of the level of the , the of f will no be from the , as shown in the sub-graph (to that have the same . In , the of has the scale and cycle of . The of nodes in each is set to N=3000, , and the nodes set the ml =1 when the self- is set), and the in the is , each node...1. ;=0.01. It is that the of the , the in the of the also , the σ(t) value , and the self- of the is . the value 0, the takes a peak curve shape. 4.2 and 2(c) the rate of υ(t) with time t. It can be seen from the that when P=O.OOI or 0.1, that is, when the and are or small world , the rate of is 2.5,,-tl-/j, tftW -tl-/j, world 31 1\ I --a-rule 2.0 ~ ω1A --a-rule 2.0 f loss 21 V, \ Bu←~U1l →-rule 401/ 1 『←淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐淐�

1 2Time Step x I(}1.Each, υ A - , , , nHV0.5~2000.5 0 J ε ∞ CJ HV J d nu 50 j 00 150 200 250 $$$lep 2 Not l ü] The path of on 280 of up and down a range, with a rate of about 0.04%-a , which 0.1% of the of the . In the with scale-free , the rate cycle ( to ml) the speed of . 0.15 γ 0.21% , and in to the of the level of the , the in the speed of the two is υ(t) to the node . The the of the node, the more the speed. When P=0.9, that is, when the is a , the rate of the the value, and with the time t push, the in the speed of the two will be more . The rate. The value of (t) , and it also the same rate as the rule and the super and the node small-world the same speed.

This shows that when the has an on the of and when p- are set to a , the of the level can be in the short of time, as shown in 4. the of and the to reach a . It can be seen from the that due to the level of nodes in the , as is and in the , the of this , the two on the of the level of the no . , it can be seen from the above that the is not very . with other types under the same , with scale-free and can the of with node can the of the . When the based on the node , the of level and rate will be . Large nodes are for . When these nodes are nodes, in order to the of on , the super model and the high--level nodes, and drive more to the level of N=800, N=lOOO and N= at sizes; when these nodes are nodes, the under 1200 can be , and the same can be to one's own to other nodes, so that the and the same nodes are as , and the self- level rate is .

In the node-based , other . When the is in a , the stock in the the and the scale-free are for the at sizes, that is, first the of the node over time with the scale. As can be seen from the , is . the of , both show rates under the scale of the of the nodes, and the will not . the of the 's own , this and when the N value is , that is, the the group size of the , the level of some nodes will . , the the level of these nodes grows, it means that the to with new nodes in a small range, and it is to in its body. In small world and other , other nodes can only drive the level self- of . 3(c) shows the in the two at N=1000. In the real , the of the of rate υ(t) with time t can be seen from the that often have at the same time, in this field or group. Other often to see from these that with scale-free , the built model can the of .

The of , nodes with a in the as a model the of of nodes and joint edges, and two that are more in line with , multi-nodes and hyper-edge to the of nodes. 2.52.55.5...,_ N=800-- N= IOOO 2.02.0• - N= 1200 5.0 1.( 5~ 1.5~4.5 1.01.050 100 150 200 250 Step 3 The of scale on the of in No. 3, 2812.5, 2812.5, 2812.5, 2812.5, 2812.5, 2812.5, 2812.5, 2812.5, 2812.5, 2812.5, 2812.5, 2812.5, 2812.0, 2812.5, 2812.5, 2812.0, 2812.5, 2812.0, 2812.0, 2812.5, 2812.5, 2812.0, 2812.0, 2812.0, 2812.5, 2812.0, 2812.0, 2812.0, 2812.0, 2812.0, 2812.0, 2812.0, 2812.0, 2812.0, 2812.0, 2812.0, 2812.0, 2812.0, 2812.0, 2812.0, 2812.0, 2812.0, 2812.0, 2812.0, 2812.0, 2812.0, 2812.0, 2812.0, 2812.0, 2812.0 0效策略对网络平均知识水平的增长速度均产生影专1.5响，当在t= 100 时刻删除掉5%的结点时，网络的平均知识水平出现不同程度的下降，随后又表现出不1.0同程度的增长速度。 随机失效策略下，在t=100 前后的增长速度几乎保持不变，这说明结点随机失效对0.5 ~科研合作网络的知识扩散影响最小，即科研合作网50 100 150 200 250 Step络对随机结点失效具有较强的鲁棒性，与文献[22]中的实验结果一致。

点度失效策略下，较高度数结国4 结点偏好性选择对知识扩散的影响点的退出，意味着其他结点与其关联的所有超边(知4.3 结点退化与知识扩散识扩散链路)都消失，说明点度失效对合作网络中的连通性影响最大，从而会降低网络中知识的有效扩科研合作网络中的结点和关联是动态变化的，散。 在知识存量失效策略下，网络中的大部分专家会伴随着新结点的加入和老结点的退化。 在现实的结点被移除，从而会降低网络中的平均知识势差， 科研网络中，老结点退化往往是指由于科研实体自知识溢出效应降低。 在合作网络中不同个体之间存身因素而导致的自然消退/中断(如生理原因、退休、在着知识水平的差异性，而正是这种差异性才会促研究方向或需求与兴趣发生转移等)以及非自身因进网络中知识的有效流动。因此，知识存量失效后素或意愿而导致退出合作网络的非自然(强制)消退/知识扩散的增长速度最慢，说明其对知识扩散的影中断!22] ，这些结点的退化会如何影响网络中的知识响效果最大，这也从一定程度上验证结点知识存量扩散?由于科研合作网络是具有非同质性的拓扑结偏好性选择要比结点度择优连接更能促进知识扩散构，这决定网络在发生节点或边失效时，网络的结的结论。

构和性能会发生改变，在一定时期和一定范围内科1.8 研合作网络的正常性能会遭到破坏。 而相对于随机→-点度失效→一知识有:盘失效网络，构建的超网络具有随机故障的鲁棒性和蓄意1.6→- 随机失效攻击的脆弱性，针对随机结点的失效具有良好的网1.4 络容错能力，但对于集散结点的过分依赖，往往会1.2 导致网络的抗攻击能力明显降低。 然而，无标度网

同城信息网