复杂性gydF4y2Ba 复杂性gydF4y2Ba 1099 - 0526gydF4y2Ba 1076 - 2787gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2019/8385426gydF4y2Ba 8385426gydF4y2Ba 研究文章gydF4y2Ba 竞争的演化博弈动力学信息在社交网络上传播gydF4y2Ba 杨gydF4y2Ba 雪gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba https://orcid.org/0000 - 0003 - 3450 - 1711gydF4y2Ba 朱gydF4y2Ba 倪志亮gydF4y2Ba 1gydF4y2Ba https://orcid.org/0000 - 0001 - 5951 - 2332gydF4y2Ba 余gydF4y2Ba 海gydF4y2Ba 1gydF4y2Ba 赵gydF4y2Ba 余莉gydF4y2Ba 1gydF4y2Ba 郭gydF4y2Ba 李gydF4y2Ba 3gydF4y2Ba ComminiellogydF4y2Ba 达尼洛gydF4y2Ba 1gydF4y2Ba 软件学院gydF4y2Ba 东北大学gydF4y2Ba 沈阳110819gydF4y2Ba 中国gydF4y2Ba neu.edu.cngydF4y2Ba 2gydF4y2Ba 数学与信息科学学院gydF4y2Ba 鞍山师范大学gydF4y2Ba 鞍钢114005gydF4y2Ba 中国gydF4y2Ba asnc.edu.cngydF4y2Ba 3gydF4y2Ba 计算机科学与工程学院gydF4y2Ba 东北大学gydF4y2Ba 沈阳110819gydF4y2Ba 中国gydF4y2Ba neu.edu.cngydF4y2Ba 2019年gydF4y2Ba 26gydF4y2Ba 12gydF4y2Ba 2019年gydF4y2Ba 2019年gydF4y2Ba 11gydF4y2Ba 09年gydF4y2Ba 2019年gydF4y2Ba 01gydF4y2Ba 11gydF4y2Ba 2019年gydF4y2Ba 05年gydF4y2Ba 12gydF4y2Ba 2019年gydF4y2Ba 26gydF4y2Ba 12gydF4y2Ba 2019年gydF4y2Ba 2019年gydF4y2Ba 版权©2019年雪杨et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

来更好地控制信息传播的范围和理解它的动态特性,提出一种基于进化博弈论的信息传播模型。模型可以模拟个体策略选择在社交网络时面临两个竞争信息,即“竞争性信息”被定义为两条信息具有相反的意义。首先,一个合理的支付函数是专为个人基于两两交互。第二,每个人选择朋友的信任。第三,一个概率值是用于指示是否一个人模仿的策略选择的朋友。不仅在模型中,我们考虑的异构影响朋友的策略对个人决策的过程中沟通的衰减也个人的关注信息反复收到朋友信息。仿真结果表明,我们的模型可以准确模拟两个竞争信息的传播。此外,我们发现的基本收益归个人的传播他们的信息与网络拓扑结构是两个因素显著影响传播的结果。结果提供有效的见解如何更好的控制和引导公众舆论。gydF4y2Ba

 中国国家自然科学基金gydF4y2Ba 61603182gydF4y2Ba 61374178gydF4y2Ba 61402092gydF4y2Ba 中央大学基础研究基金gydF4y2Ba N171704004gydF4y2Ba 在线教育研究基金会的莫伊在线教育研究中心、中国gydF4y2Ba 2016年zd306gydF4y2Ba 博士启动辽宁省的基础gydF4y2Ba 201501141gydF4y2Ba 1。介绍gydF4y2Ba

近年来,面对面的谈话已逐渐被取代了在线交流使用在线Facebook等社交软件,微信,Twitter,等等。在线社交软件的及时性和方便性使得信息的传播以前所未有的速度(gydF4y2Ba 1gydF4y2Ba]。社交软件的广泛使用实际上加速了公众舆论的形成。公众舆论对社会有重大影响。人们很难避免被以某种方式受到公众舆论的影响。积极的公众舆论可能会使社会更加稳定。然而,负面舆论可以假的,匿名的,非官方的gydF4y2Ba 2gydF4y2Ba,gydF4y2Ba 3gydF4y2Ba),可以用来引起社会动荡,引发大规模的社会动荡,金融市场以及形状(gydF4y2Ba 4gydF4y2Ba- - - - - -gydF4y2Ba 6gydF4y2Ba]。很难估计的大小对社会信任的负面舆论的影响系统。正面和负面的公众舆论的本质是一种集体行为的特点是信息传播。低成本和缺乏惩罚性的后果会导致过多的负面意见被传播。因此,为了控制和引导公众舆论,从而减少潜在的负面影响,有必要分析信息传播的内在机制和研究它的规则和特点(gydF4y2Ba 7gydF4y2Ba]。gydF4y2Ba

建立一个合理的社会网络模型通过复杂网络理论来定量研究信息传播过程已成为当前研究的普遍兴趣点(gydF4y2Ba 8gydF4y2Ba- - - - - -gydF4y2Ba 13gydF4y2Ba]。最常见的方法是构建一个无向图,每一个节点代表一个用户或一个个体和边表达个体之间的关系。然后,选择一些节点作为源节点开始通过网络传播。在传播的过程中,一个人是否会接收的信息的传输与个体的社会影响传递信息。这一措施的社会影响会影响个人的思想和行为。有两种类型的影响力传播模型,可以用来捕捉这一现象:线性阈值模型和独立级联模型(gydF4y2Ba 14gydF4y2Ba]。大多数作品都聚焦于静态网络传播影响的分析结构和最具影响力的个人发现的子集。然而,这些研究是有限的,他们还没有澄清信息内容的传播的影响的结果。gydF4y2Ba

战略选择基于博弈理论可以应用于解决这一差距。具体地说,它可以用来考虑不同朋友的影响对个人和充分考虑信息的感知精度基于信息的识别度。在博弈论的方法,每个节点选择策略在给定的步骤,即“战略选择”意味着个人选择是否要传播的信息。如果一个人批准的信息根据他们的互动与他们的朋友,他们选择传播。否则,个人保持沉默。很明显,个人的策略是影响他们的互动与他们的朋友gydF4y2Ba 15gydF4y2Ba]。因此,信息传播的结果是由网络中个体选择的策略。gydF4y2Ba

战略选择是博弈论的主要研究重点。一些研究表明,博弈论提供了一个数学模型来分析战略理性的决策者之间的相互作用(gydF4y2Ba 16gydF4y2Ba- - - - - -gydF4y2Ba 19gydF4y2Ba]。太阳et al。gydF4y2Ba 20.gydF4y2Ba]研究博弈论的知识传播模型。在博弈理论,个人通常假定展示完整的理性和有完整的信息gydF4y2Ba 17gydF4y2Ba]。诺瓦克和可能gydF4y2Ba 21gydF4y2Ba]分析了二维方形lattice-repeated囚徒困境博弈,从而首次介绍了空间结构演化的游戏。进化博弈理论结合了博弈理论和动态演化过程和具有有限理性的个体是如何优化他们的回报通过自适应学习随着时间的推移,在重复博弈(gydF4y2Ba 22gydF4y2Ba]。Riehl和曹gydF4y2Ba 23gydF4y2Ba]研究进化游戏的控制网络中每条边代表两人之间的重复博弈邻近的代理。从本质上讲,基于复杂网络的信息传播的过程是由每个回报收件人(游戏的过程gydF4y2Ba 24gydF4y2Ba- - - - - -gydF4y2Ba 26gydF4y2Ba]。与其他传播行为相比,信息传播是由玩家决定。在这种分析,信息传播者和接收者是玩家在游戏中。随着时间的发展,每个玩家赌博与他们的朋友和更新策略来最大化他们的回报。gydF4y2Ba

进化博弈理论提供了一个有效的框架,用于模拟信息传播在这个上下文的过程。文献已考虑如何结合博弈论复杂网络知识,和一定的方法来模拟真实的网络信息传播过程。江et al。gydF4y2Ba 27gydF4y2Ba)提出了一个进化博弈理论框架模型的动态信息扩散过程在社交网络。李等人。gydF4y2Ba 28gydF4y2Ba)调查了谣言扩散过程根据进化博弈的框架。作者表明,惩罚更高程度的节点是最有效的措施去减少谣言的传播。Jonnalagadda et al。gydF4y2Ba 29日gydF4y2Ba)提出了一种基于进化博弈论的社区发现方法。Kermani et al。gydF4y2Ba 30.gydF4y2Ba)利用进化博弈理论确定最具影响力的节点信息传播。Etesami et al。gydF4y2Ba 31日gydF4y2Ba)研究类的游戏被称为扩散游戏模型的竞争行为一组社会演员在一个无向连通的社交网络。gydF4y2Ba

大多数现有的信息传播工作,应用进化博弈理论专注于单一信息场景。在现实世界中,multiinformation蔓延的现象是非常普遍和复杂得多gydF4y2Ba 32gydF4y2Ba]。许多作品导致了竞争的病原体。Beutel et al。gydF4y2Ba 33gydF4y2Ba)定义并研究了部分竞争的问题,两种病毒/产品提供部分免疫。陈等人。gydF4y2Ba 34gydF4y2Ba)提出了一个模型,两种相互竞争的普遍易感个体在异构网络通过使用成对近似封闭的概率生成函数(PGF)。同样,当谣言出现,相应的信息驳斥谣言可能发布的权威组织。在这种情况下,两块一个主题的信息传播网络在同一时间和他们争夺信徒。这两个的信息被称为“竞争信息”在本文。考虑到社会这一主题的重要性,还需要更多的研究来有效地模拟竞争信息的传播。为此,重要的是要考虑到一个人的朋友有不同程度的传播竞争信息的能力。过去的研究认为各种朋友的异构影响信息传播gydF4y2Ba 35gydF4y2Ba]。然而,在最前的作品,不同的朋友来传播信息的能力在整个演化过程中是稳定的。更准确地描述实际过程,有必要结合动态异构变化随着时间的演化的影响。gydF4y2Ba

在这项研究中,一个传播模型,分析了两块竞争信息,提出了基于进化博弈论。传播的时间步进化游戏被认为是一个圆。在每一轮,每个人选择一个他们的朋友动态传播能力的基础上他们的朋友。具体来说,个人决定是否模仿策略选择的朋友。在特定上下文的信息传播在社会网络中,一个人的注意的信息选择的朋友认为有重大的影响是否选择更新当前的策略。轮的数量的个体接收的信息但不传播它可以用来表达个体对信息的关注。在这项研究中,影响一个人的注意的信息选择的朋友认为是在模型的设计。运动建模的结果表明,进化博弈理论非常适合建模的竞争信息传播。拟议中的传播模型被认为是有效的和实用的;也就是说,仿真结果表明,平均度和平均聚类系数有显著影响传播的结果。 In addition, it is exemplified that the propagation result can be controlled by adjusting the value of each parameter.

本文的其余部分组织如下。节gydF4y2Ba 2gydF4y2Ba的传播,该模型两部分详细介绍了竞争信息。部分gydF4y2Ba 3gydF4y2Ba提出并讨论了模拟结果。本文的结论部分gydF4y2Ba 4gydF4y2Ba。gydF4y2Ba

 2。建模两个竞争信息传播的一个社交网络gydF4y2Ba

在本节中,两块竞争信息的传播模型利用进化博弈理论。我们首先分析球员的回报,效用函数,和游戏规则,然后更新规则是根据进化博弈理论设计的。表gydF4y2Ba 1gydF4y2Ba澄清的主要符号用于本文模型及其具体含义。gydF4y2Ba

模型符号和定义。gydF4y2Ba

符号gydF4y2Ba 定义gydF4y2Ba
δgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba 策略组gydF4y2Ba 我gydF4y2Ba 在时间gydF4y2Ba tgydF4y2Ba
ggydF4y2Ba 我gydF4y2Ba jgydF4y2Ba tgydF4y2Ba 的回报gydF4y2Ba 我gydF4y2Ba 一个成对与朋友互动gydF4y2Ba jgydF4y2Ba在时间gydF4y2Ba tgydF4y2Ba
ugydF4y2Ba 1gydF4y2Ba 个人选择的基本回报策略gydF4y2Ba 一个gydF4y2Ba
ugydF4y2Ba 2gydF4y2Ba 个人选择的基本回报策略gydF4y2Ba BgydF4y2Ba
αgydF4y2Ba 1gydF4y2Ba 奖金达到个人认为一条信息当他们的朋友选择相同的策略gydF4y2Ba
αgydF4y2Ba 2gydF4y2Ba 惩罚应计通过个人认为信息当他们的朋友选择相信其他竞争信息gydF4y2Ba
UgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba 个人的总回报gydF4y2Ba 我gydF4y2Ba 在时间gydF4y2Ba tgydF4y2Ba
NgydF4y2Ba 我gydF4y2Ba 朋友的人gydF4y2Ba 我gydF4y2Ba
kgydF4y2Ba 我gydF4y2Ba 朋友与个体的数量gydF4y2Ba 我gydF4y2Ba
kgydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba tgydF4y2Ba 朋友与个体的数量gydF4y2Ba 我gydF4y2Ba在时间gydF4y2Ba tgydF4y2Ba采用战略gydF4y2Ba 一个gydF4y2Ba
kgydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba tgydF4y2Ba 朋友与个体的数量gydF4y2Ba 我gydF4y2Ba在时间gydF4y2Ba tgydF4y2Ba采用战略gydF4y2Ba BgydF4y2Ba
rgydF4y2Ba 我gydF4y2Ba ∗gydF4y2Ba tgydF4y2Ba 个人的朋友gydF4y2Ba 我gydF4y2Ba达到最低回报谁gydF4y2Ba
问gydF4y2Ba ugydF4y2Ba 个人的敏感性的回报gydF4y2Ba
pgydF4y2Ba 我gydF4y2Ba ⟶gydF4y2Ba jgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba 个人的概率gydF4y2Ba 我gydF4y2Ba 相信自己的朋友gydF4y2Ba jgydF4y2Ba在时间gydF4y2Ba tgydF4y2Ba
ɛgydF4y2Ba 环境噪声因素,反映了个体策略更新时发生的不确定性gydF4y2Ba
wgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba tgydF4y2Ba 个人的次数gydF4y2Ba 我gydF4y2Ba已经收到的信息相信他们的朋友吗gydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba 之前的时间gydF4y2Ba tgydF4y2Ba
年代gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba tgydF4y2Ba 个人的次数gydF4y2Ba 我gydF4y2Ba和gydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba 时采用了不同的策略gydF4y2Ba 我gydF4y2Ba收到信的信息gydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba 之前的时间gydF4y2Ba tgydF4y2Ba
pgydF4y2Ba 我gydF4y2Ba ⟶gydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 个人的概率gydF4y2Ba 我gydF4y2Ba 将采取的策略的朋友吗gydF4y2Ba jgydF4y2Ba在时间gydF4y2Ba tgydF4y2Ba+ 1gydF4y2Ba

我们考虑一组有限的个人作为一个社会网络,个人节点和边缘接触的人。网络被建模为一个无向图,用gydF4y2Ba GgydF4y2Ba。gydF4y2Ba GgydF4y2Ba= (gydF4y2Ba VgydF4y2Ba,gydF4y2Ba EgydF4y2Ba),gydF4y2Ba VgydF4y2Ba组节点和吗gydF4y2Ba EgydF4y2Ba边的集合。gydF4y2Ba NgydF4y2Ba表示节点的数量gydF4y2Ba VgydF4y2Ba,gydF4y2Ba 米gydF4y2Ba表示设置的边的数量gydF4y2Ba EgydF4y2Ba。我们假设图很简单;也就是说,没有顶点连接本身,没有平行边。两个节点的gydF4y2Ba GgydF4y2Ba据说他们之间的朋友如果有优势。在信息传播的过程中,个人网络中存在三种可能的状态:无知,信徒的第一条信息,和信徒的第二条信息。他们可以表示为gydF4y2Ba 我gydF4y2Ba,gydF4y2Ba BgydF4y2Ba1gydF4y2Ba,gydF4y2Ba BgydF4y2Ba2gydF4y2Ba,分别。gydF4y2Ba 我gydF4y2Ba意味着个人从来没有听到任何信息或已经听到了某些信息,但还没有扩散。一个人在国家gydF4y2Ba BgydF4y2Ba1gydF4y2Ba(gydF4y2Ba BgydF4y2Ba2gydF4y2Ba)选择传播第一(第二)的信息。然而,如果同一个人接收到其他的信息和选择传播它在稍后的时间,这个人改变他们的国家gydF4y2Ba BgydF4y2Ba2gydF4y2Ba(gydF4y2Ba BgydF4y2Ba1gydF4y2Ba)。我们假设的直接接触传播的信息传播者。状态转换图如图gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

状态转换图的两块竞争信息的传播过程。gydF4y2Ba

 2.1。球员的回报gydF4y2Ba

起初,一些人选择状态gydF4y2Ba BgydF4y2Ba1gydF4y2Ba或gydF4y2Ba BgydF4y2Ba2gydF4y2Ba在随机的。在任何其他个人状态gydF4y2Ba 我gydF4y2Ba。然后,可能会在网络上传播的信息取决于其他个人的传播行为;个人选择是否传播信息。对于每个个体,决定传播的信息是由许多因素决定的,这些信息包括个人的兴趣,行为他们的朋友,他们相信他们的朋友的程度,等等。假设网络中个人只允许与他们的朋友和他们多次与他们的朋友。因此,朋友们的行动会影响个人的决策信息传播。正如上面所讨论的,两块竞争信息的传播是基于进化博弈论分析。gydF4y2Ba

在网络信息传播可以建模为进化游戏如下。玩家在游戏中是gydF4y2Ba NgydF4y2Ba个人。三种策略可以定义对应于每个个体的状态。因此,个人的策略gydF4y2Ba 我gydF4y2Ba可以表示为gydF4y2Ba δgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba δgydF4y2Ba 我gydF4y2Ba ∊{gydF4y2Ba 一个gydF4y2Ba,gydF4y2Ba BgydF4y2Ba,gydF4y2Ba CgydF4y2Ba},gydF4y2Ba 一个gydF4y2Ba和gydF4y2Ba BgydF4y2Ba表明是否个人gydF4y2Ba 我gydF4y2Ba在国家gydF4y2Ba BgydF4y2Ba1gydF4y2Ba或gydF4y2Ba BgydF4y2Ba2gydF4y2Ba。如果个人gydF4y2Ba 我gydF4y2Ba不相信任何信息,他们选择策略gydF4y2Ba CgydF4y2Ba。不同的支付可以通过每个人根据不同的策略。在这个场景中,收益代表一个人的声望眼中的他们的朋友。回报是用来评估个人的策略选择的影响。传播行为发生,没有任何的目的,从而不会导致任何个人的回报,不被认为是在这个模型。因此,个人没有受益于选择策略gydF4y2Ba CgydF4y2Ba,相应的收益为零。个人收益基本回报当它选择策略gydF4y2Ba 一个gydF4y2Ba或gydF4y2Ba BgydF4y2Ba和相应的朋友选择策略gydF4y2Ba CgydF4y2Ba。信息的传播可以改变一个人的声望在他们的朋友;即传播正确的信息将提高声望,而传播错误的信息会减少威望。假设个人传播信息,希望从朋友得到更多的支持。一般来说,支持个体越多,就越有可能他们的消息是正确的。因此,如果一个人采用的策略gydF4y2Ba 一个gydF4y2Ba或gydF4y2Ba BgydF4y2Ba,他们获得的奖金回报如果他们的朋友选择相同的策略和惩罚回报如果他们的朋友选择相信竞争信息。个人的回报取决于战略选择表中描述了一个朋友gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

个人的回报,这取决于他们的策略和他们的朋友的策略。gydF4y2Ba

的策略gydF4y2Ba 我gydF4y2Ba 朋友的策略gydF4y2Ba jgydF4y2Ba 的回报gydF4y2Ba 我gydF4y2Ba
一个gydF4y2Ba 一个gydF4y2Ba (1 +gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba )·gydF4y2Ba ugydF4y2Ba1gydF4y2Ba
一个gydF4y2Ba BgydF4y2Ba (1−gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba )·gydF4y2Ba ugydF4y2Ba1gydF4y2Ba
一个gydF4y2Ba CgydF4y2Ba ugydF4y2Ba1gydF4y2Ba
BgydF4y2Ba 一个gydF4y2Ba (1−gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba )·gydF4y2Ba ugydF4y2Ba2gydF4y2Ba
BgydF4y2Ba BgydF4y2Ba (1 +gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba )·gydF4y2Ba ugydF4y2Ba2gydF4y2Ba
BgydF4y2Ba CgydF4y2Ba ugydF4y2Ba2gydF4y2Ba
CgydF4y2Ba 一个gydF4y2Ba 0gydF4y2Ba
CgydF4y2Ba BgydF4y2Ba 0gydF4y2Ba
CgydF4y2Ba CgydF4y2Ba 0gydF4y2Ba

正如上面提到的,gydF4y2Ba ugydF4y2Ba1gydF4y2Ba(gydF4y2Ba ugydF4y2Ba2gydF4y2Ba)代表个体选择的基本回报策略gydF4y2Ba 一个gydF4y2Ba(gydF4y2Ba BgydF4y2Ba)。很明显,gydF4y2Ba ugydF4y2Ba1gydF4y2Ba> 0,gydF4y2Ba ugydF4y2Ba2gydF4y2Ba> 0。参数gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba 代表了个人认为奖金获得一条信息时,他们的朋友选择相同的策略。参数gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba 表示积累所带来的惩罚一个人相信的信息当他们的朋友选择相信竞争。gydF4y2Ba

在我们的模型中最基本的问题是,对于每个个体,应该选择哪个策略在前面描述的吗?答案不仅取决于策略的收益功能也是网络上的互动类型。两两相互作用使我们考虑的策略选择基于单个节点在一个社交网络,即个人成对交互以获得他们的回报。与时间相关的互动通常丛发性。Zhang et al。gydF4y2Ba 36gydF4y2Ba)提出了一个游戏时间网络模型,再现了人类活动的burstiness完全由著名战略”慷慨的针锋相对。“我们的方法需要burstiness特性考虑通过模仿朋友的更有效的策略,更有效的策略是指获得更多收益的策略。一般来说,可以被定义为一个网络游戏gydF4y2Ba ΓgydF4y2Ba ggydF4y2Ba =gydF4y2Ba GgydF4y2Ba ,gydF4y2Ba δgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba VgydF4y2Ba ,gydF4y2Ba ggydF4y2Ba 我gydF4y2Ba jgydF4y2Ba tgydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba VgydF4y2Ba ,gydF4y2Ba jgydF4y2Ba ∈gydF4y2Ba NgydF4y2Ba 我gydF4y2Ba ,在那里gydF4y2Ba ggydF4y2Ba 我gydF4y2Ba jgydF4y2Ba tgydF4y2Ba 的回报gydF4y2Ba 我gydF4y2Ba 一个成对与朋友互动gydF4y2Ba jgydF4y2Ba在时间gydF4y2Ba tgydF4y2Ba和gydF4y2Ba NgydF4y2Ba 我gydF4y2Ba 是朋友的一组个人吗gydF4y2Ba 我gydF4y2Ba 。因此,个人的总回报gydF4y2Ba 我gydF4y2Ba等于回报之间的总和gydF4y2Ba 我gydF4y2Bath个人和他们的朋友,这是由以下方程:gydF4y2Ba (1)gydF4y2Ba UgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba ∈gydF4y2Ba NgydF4y2Ba 我gydF4y2Ba ggydF4y2Ba 我gydF4y2Ba jgydF4y2Ba tgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ∈gydF4y2Ba VgydF4y2Ba 。gydF4y2Ba

更具体地说,个人的总回报gydF4y2Ba 我gydF4y2Ba =中回报的总和gydF4y2Ba 我gydF4y2Bath个人和他们的朋友。这是计算如下:gydF4y2Ba (2)gydF4y2Ba UgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba jgydF4y2Ba ∈gydF4y2Ba NgydF4y2Ba 我gydF4y2Ba ggydF4y2Ba 我gydF4y2Ba jgydF4y2Ba tgydF4y2Ba =gydF4y2Ba kgydF4y2Ba 我gydF4y2Ba +gydF4y2Ba kgydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba tgydF4y2Ba ×gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba kgydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba tgydF4y2Ba ×gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba ugydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba δgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 一个gydF4y2Ba ,gydF4y2Ba kgydF4y2Ba 我gydF4y2Ba +gydF4y2Ba kgydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba tgydF4y2Ba ×gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba −gydF4y2Ba kgydF4y2Ba 我gydF4y2Ba 1gydF4y2Ba tgydF4y2Ba ×gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba ugydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba δgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba BgydF4y2Ba ,gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba δgydF4y2Ba 我gydF4y2Ba =gydF4y2Ba CgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba kgydF4y2Ba 我gydF4y2Ba朋友连接到个人的数量吗gydF4y2Ba 我gydF4y2Ba。此外,个人gydF4y2Ba 我gydF4y2Ba有gydF4y2Ba kgydF4y2Ba 我gydF4y2Ba1gydF4y2Ba(gydF4y2Ba tgydF4y2Ba)的朋友采取的策略gydF4y2Ba 一个gydF4y2Ba和gydF4y2Ba kgydF4y2Ba 我gydF4y2Ba2gydF4y2Ba(gydF4y2Ba tgydF4y2Ba)的朋友采取的策略gydF4y2Ba BgydF4y2Ba在时间gydF4y2Ba tgydF4y2Ba。gydF4y2Ba δgydF4y2Ba 我gydF4y2Ba 个人的策略吗gydF4y2Ba 我gydF4y2Ba。gydF4y2Ba

 2.2。更新规则gydF4y2Ba

一开始,所有个人采取的策略gydF4y2Ba CgydF4y2Ba。然后,一些节点随机选择策略定义为gydF4y2Ba 一个gydF4y2Ba或gydF4y2Ba BgydF4y2Ba。假设在时间gydF4y2Ba tgydF4y2Ba个人收到的信息,它不相信。然后,在时间gydF4y2Ba tgydF4y2Ba+ 1,它需要决定是否相信新收到的信息,这是由两个步骤。首先,根据不同的个人选择一个朋友传播能力的朋友。第二,它决定是否模仿策略,采用所选择的朋友。gydF4y2Ba

在真实的社交网络,不同的朋友有不同程度的传播能力对任何一个朋友gydF4y2Ba 35gydF4y2Ba]。我们使用支付代表的水平传播能力不同的朋友。因此,更高回报的朋友更有可能被选中。的概率gydF4y2Ba jgydF4y2Bath朋友是由选择gydF4y2Ba (3)gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba ⟶gydF4y2Ba jgydF4y2Ba 年代gydF4y2Ba tgydF4y2Ba =gydF4y2Ba UgydF4y2Ba jgydF4y2Ba tgydF4y2Ba −gydF4y2Ba UgydF4y2Ba rgydF4y2Ba 我gydF4y2Ba ∗gydF4y2Ba tgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba 问gydF4y2Ba ugydF4y2Ba ∑gydF4y2Ba rgydF4y2Ba ∈gydF4y2Ba NgydF4y2Ba 我gydF4y2Ba UgydF4y2Ba jgydF4y2Ba tgydF4y2Ba −gydF4y2Ba UgydF4y2Ba rgydF4y2Ba 我gydF4y2Ba ∗gydF4y2Ba tgydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba 问gydF4y2Ba ugydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba rgydF4y2Ba 我gydF4y2Ba ∗gydF4y2Ba tgydF4y2Ba 个人的朋友吗gydF4y2Ba 我gydF4y2Ba谁有最低收益。这个变量表示为gydF4y2Ba (4)gydF4y2Ba rgydF4y2Ba 我gydF4y2Ba ∗gydF4y2Ba tgydF4y2Ba =gydF4y2Ba rgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba ∣gydF4y2Ba 最小值gydF4y2Ba rgydF4y2Ba ∈gydF4y2Ba NgydF4y2Ba 我gydF4y2Ba UgydF4y2Ba rgydF4y2Ba tgydF4y2Ba 。gydF4y2Ba

考虑到对个人的回报,一个参数gydF4y2Ba 问gydF4y2Ba ugydF4y2Ba (gydF4y2Ba 问gydF4y2Ba ugydF4y2Ba >gydF4y2Ba 0gydF4y2Ba )是包括在内。这个参数放大或减少异质性的影响能力不同朋友的任何个人。如果gydF4y2Ba 问gydF4y2Ba ugydF4y2Ba 很大,gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 年代gydF4y2Ba (gydF4y2Ba tgydF4y2Ba)是敏感gydF4y2Ba UgydF4y2Ba jgydF4y2Ba(gydF4y2Ba tgydF4y2Ba),这意味着一个小扰动gydF4y2Ba UgydF4y2Ba jgydF4y2Ba(gydF4y2Ba tgydF4y2Ba)可以导致一个巨大的变化gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 年代gydF4y2Ba (gydF4y2Ba tgydF4y2Ba)。另一方面,如果gydF4y2Ba 问gydF4y2Ba ugydF4y2Ba 很小,gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 年代gydF4y2Ba (gydF4y2Ba tgydF4y2Ba)不敏感gydF4y2Ba UgydF4y2Ba jgydF4y2Ba(gydF4y2Ba tgydF4y2Ba),这意味着一个很大的扰动gydF4y2Ba UgydF4y2Ba jgydF4y2Ba(gydF4y2Ba tgydF4y2Ba)可以导致一个小变化gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba 年代gydF4y2Ba (gydF4y2Ba tgydF4y2Ba)。gydF4y2Ba

然后,个人将决定是否模仿的策略选择的朋友。具体地说,我们认为,当一个人重复接收到信息时,个体的关注程度信息的次数成正比,个人收到的信息但没有传播。结合个人回报差距的关注程度和所选择的朋友,我们表达个人模仿的概率选择朋友的策略如下:gydF4y2Ba (5)gydF4y2Ba pgydF4y2Ba 我gydF4y2Ba ⟶gydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 经验值gydF4y2Ba −gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba 2gydF4y2Ba tgydF4y2Ba /gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 经验值gydF4y2Ba UgydF4y2Ba 我gydF4y2Ba tgydF4y2Ba −gydF4y2Ba UgydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba tgydF4y2Ba /gydF4y2Ba εgydF4y2Ba 。gydF4y2Ba

在(gydF4y2Ba 5gydF4y2Ba),分母是基于费米函数(gydF4y2Ba 37gydF4y2Ba),即个人gydF4y2Ba 我gydF4y2Ba更有可能采取的策略的朋友吗gydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba 在gydF4y2Ba tgydF4y2Ba+ 1轮,如果gydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba 有更高的回报比gydF4y2Ba 我gydF4y2Ba在圆的时刻gydF4y2Ba tgydF4y2Ba。否则,个人gydF4y2Ba 我gydF4y2Ba更有可能保持原来的策略。参数gydF4y2Ba ɛgydF4y2Ba描述了噪声因素,反映一个人的不确定性时必须更新他们的策略。gydF4y2Ba εgydF4y2Ba ⟶gydF4y2Ba 0gydF4y2Ba 代表完整的合理性;gydF4y2Ba εgydF4y2Ba ⟶gydF4y2Ba +gydF4y2Ba ∞gydF4y2Ba 推断完全随机性的策略决定。分子是一个指数(exp)功能,这表示个人的衰减程度gydF4y2Ba 我gydF4y2Ba关注朋友的信息gydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba 信了。让gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba tgydF4y2Ba 表示个人的次数gydF4y2Ba 我gydF4y2Ba接收信息,认为他们的朋友gydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba 之前的时间gydF4y2Ba tgydF4y2Ba。gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba tgydF4y2Ba 表示个人的次数gydF4y2Ba 我gydF4y2Ba和gydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba 采用不同的策略,gydF4y2Ba 我gydF4y2Ba收到信的信息gydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba 之前的时间gydF4y2Ba tgydF4y2Ba。是一个增量函数的经验函数。增加的gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba tgydF4y2Ba 的价值,gydF4y2Ba −gydF4y2Ba 年代gydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba 2gydF4y2Ba tgydF4y2Ba /gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba jgydF4y2Ba ∗gydF4y2Ba tgydF4y2Ba 减少和exp功能降低,最终导致整个概率函数的减少。因此,方程(gydF4y2Ba 5gydF4y2Ba)能准确地表达个人的概率模仿的策略选择的朋友。gydF4y2Ba

进化博弈理论研究一群球员如何收敛于一个稳定平衡经过一段时间的战略互动。最终平衡状态被定义为进化稳定状态(ESS)。进化稳定策略指的是当一个人进行任何少量的突变策略不能入侵整个人口,这意味着整个人口长期不会改变。竞争信息传播的情况下,我们通过迭代获得ESS试验仿真。当节点的数量在每个状态波动很小,被认为是进化相对稳定。gydF4y2Ba

 3所示。实验数据和分析结果gydF4y2Ba

支持我们的分析传播两个竞争信息的进化博弈模型,我们进行信息传播实验使用现实世界的社交网络。我们从四个不同的区域,使用数据提供的网站gydF4y2Ba http://networkrepository.com/gydF4y2Ba。为简单起见,我们只选择最大连通子图。网络属性表中列出gydF4y2Ba 3gydF4y2Ba,即gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba NgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba kgydF4y2Ba 我gydF4y2Ba 平均学历,gydF4y2Ba cgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba NgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba /gydF4y2Ba kgydF4y2Ba 我gydF4y2Ba ×gydF4y2Ba kgydF4y2Ba 我gydF4y2Ba −gydF4y2Ba 1gydF4y2Ba 是平均聚类系数,gydF4y2Ba 米gydF4y2Ba 我gydF4y2Ba表示之间的链接的数量gydF4y2Ba 我gydF4y2Ba的朋友。gydF4y2Ba

四个真实网络数据集之间的网络参数进行比较。gydF4y2Ba

网络gydF4y2Ba 类型gydF4y2Ba NgydF4y2Ba 米gydF4y2Ba kgydF4y2Ba cgydF4y2Ba
HamsterstergydF4y2Ba 无向gydF4y2Ba 2000年gydF4y2Ba 16097年gydF4y2Ba 16.097gydF4y2Ba 0.54gydF4y2Ba
Simmons81gydF4y2Ba 无向gydF4y2Ba 1510年gydF4y2Ba 32984年gydF4y2Ba 43.687gydF4y2Ba 0.325gydF4y2Ba
Oberlin44gydF4y2Ba 无向gydF4y2Ba 2920年gydF4y2Ba 89912年gydF4y2Ba 61.584gydF4y2Ba 0.263gydF4y2Ba
Bowdoin47gydF4y2Ba 无向gydF4y2Ba 2250年gydF4y2Ba 84386年gydF4y2Ba 75.01gydF4y2Ba 0.294gydF4y2Ba

在本节中,我们随机选择0.1%的节点作为传播竞争信息的来源。这意味着个人在美国的最初的分数gydF4y2Ba BgydF4y2Ba1gydF4y2Ba和gydF4y2Ba BgydF4y2Ba2gydF4y2Ba是0.1%。然后,两块竞争信息开始在网络上传播。让gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 表示最后一个人在美国的平均分数gydF4y2Ba 我gydF4y2Ba,gydF4y2Ba BgydF4y2Ba1gydF4y2Ba,gydF4y2Ba BgydF4y2Ba2gydF4y2Ba,分别。随着时间的推移,gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 达到一个稳定状态。数值结果平均超过500独立运行使用参数建模执行了四个真实的社交网络。gydF4y2Ba

的值gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 为不同的基本回报gydF4y2Ba ugydF4y2Ba1gydF4y2Ba和gydF4y2Ba ugydF4y2Ba2gydF4y2Ba如图gydF4y2Ba 2gydF4y2Ba。其他三个参数设置gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba = 2,gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba = 2,gydF4y2Ba 问gydF4y2Ba ugydF4y2Ba = 0.1。从上到下,行对应于四个社会网络:gydF4y2Ba HamsterstergydF4y2Ba,gydF4y2Ba Simmons81gydF4y2Ba,gydF4y2Ba Oberlin44gydF4y2Ba,gydF4y2Ba Bowdoin47gydF4y2Ba。它可以观察到从数据gydF4y2Ba 2(一个)gydF4y2Ba,gydF4y2Ba 2 (d)gydF4y2Ba,gydF4y2Ba 2 (g)gydF4y2Ba,gydF4y2Ba 2 (j)gydF4y2Ba那gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba 减少的时候gydF4y2Ba ugydF4y2Ba1gydF4y2Ba或gydF4y2Ba ugydF4y2Ba2gydF4y2Ba增加。仿真结果图gydF4y2Ba 2 (b)gydF4y2Ba,gydF4y2Ba 2 (e)gydF4y2Ba,gydF4y2Ba 2 (h)gydF4y2Ba,gydF4y2Ba 2 (k)gydF4y2Ba表明,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba 增加的时候gydF4y2Ba ugydF4y2Ba1gydF4y2Ba增加和gydF4y2Ba ugydF4y2Ba2gydF4y2Ba不增加。从数据gydF4y2Ba 2 (c)gydF4y2Ba,gydF4y2Ba 2 (f)gydF4y2Ba,gydF4y2Ba 2(我)gydF4y2Ba,gydF4y2Ba 2(左)gydF4y2Ba,我们观察gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 增加的时候gydF4y2Ba ugydF4y2Ba2gydF4y2Ba增加和gydF4y2Ba ugydF4y2Ba1gydF4y2Ba不增加。此外,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba >gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 当gydF4y2Ba ugydF4y2Ba1gydF4y2Ba明显比gydF4y2Ba ugydF4y2Ba2gydF4y2Ba。相反,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba >gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 当gydF4y2Ba ugydF4y2Ba1gydF4y2Ba明显小于gydF4y2Ba ugydF4y2Ba2gydF4y2Ba。因此,在竞争激烈的环境,的价值gydF4y2Ba ugydF4y2Ba1gydF4y2Ba/gydF4y2Ba ugydF4y2Ba2gydF4y2Ba是一个关键因素在确定的值gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 。由于这四个网络的特点,在同样水平的回报,有更少gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba 在网络有更高的平均程度。这意味着,在相同级别的比回报的两块竞争信息,网络中有更多的信徒与更高的平均程度。这样做的原因是,当一个人的学位变得更大,有更多的机会接受信息。gydF4y2Ba

的值gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 为不同的gydF4y2Ba ugydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba ugydF4y2Ba 2gydF4y2Ba 回报的四个网络。参数设置为gydF4y2Ba αgydF4y2Ba1gydF4y2Ba= 2,gydF4y2Ba αgydF4y2Ba2gydF4y2Ba= 2,gydF4y2Ba 问gydF4y2Ba ugydF4y2Ba= 0.1,gydF4y2Ba ɛgydF4y2Ba= 0.1。(一)gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba 的gydF4y2Ba HamsterstergydF4y2Ba;(b)gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba 的gydF4y2Ba HamsterstergydF4y2Ba;(c)gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 的gydF4y2Ba HamsterstergydF4y2Ba;(d)gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba 的gydF4y2Ba Simmons81gydF4y2Ba;(e)gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba 的gydF4y2Ba Simmons81gydF4y2Ba;(f)gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 的gydF4y2Ba Simmons81gydF4y2Ba;(g)gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba 的gydF4y2Ba Oberlin44gydF4y2Ba;(h)gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba 的gydF4y2Ba Oberlin44gydF4y2Ba;(我)gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 的gydF4y2Ba Oberlin44gydF4y2Ba;(j)gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba 的gydF4y2Ba Bowdoin47gydF4y2Ba;(k)gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba 的gydF4y2Ba Bowdoin47gydF4y2Ba;(左)gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 的gydF4y2Ba Bowdoin47gydF4y2Ba。gydF4y2Ba

图gydF4y2Ba 3gydF4y2Ba显示的值gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 不同级别的奖励gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba 在这四个网络。其他参数都是固定的gydF4y2Ba ugydF4y2Ba 1gydF4y2Ba = 0.4,gydF4y2Ba ugydF4y2Ba 2gydF4y2Ba = 0.5,gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba = 3,gydF4y2Ba 问gydF4y2Ba ugydF4y2Ba = 0.1。进化稳定时的值gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 大约是0.115,0.345,和0.54gydF4y2Ba HamsterstergydF4y2Ba,0.16,0.31,0.53gydF4y2Ba Simmons81gydF4y2Ba,0.16,0.27,0.57gydF4y2Ba Oberlin44gydF4y2Ba,0.18,0.275和0.545gydF4y2Ba Bowdoin47gydF4y2Ba。作为额外参数gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba 的增加,gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba 减少,而gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 增加。对结果的影响趋于稳定的时候gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba 达到一个相当高的水平。此外,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 总是比gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba 。这是因为gydF4y2Ba ugydF4y2Ba 2gydF4y2Ba >gydF4y2Ba ugydF4y2Ba 1gydF4y2Ba ,这意味着无知的人更有可能认为,战略,有更高的回报。比较这四个网络的数据,它可以观察到gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba 下降速度在网络有更高的平均聚类系数和较低的平均程度。此外,之间的区别gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 网络中较低的平均聚类系数超过网络平均聚类系数更高。gydF4y2Ba

的值gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 为不同的gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba 回报的四个网络。参数设置为gydF4y2Ba ugydF4y2Ba 1gydF4y2Ba = 0.4,gydF4y2Ba ugydF4y2Ba 2gydF4y2Ba = 0.5,gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba = 3,gydF4y2Ba 问gydF4y2Ba ugydF4y2Ba = 0.1,gydF4y2Ba ɛgydF4y2Ba= 0.1。(一)gydF4y2Ba HamsterstergydF4y2Ba;(b)gydF4y2Ba Simmons81gydF4y2Ba;(c)gydF4y2Ba Oberlin44gydF4y2Ba;(d)gydF4y2Ba Bowdoin47gydF4y2Ba。gydF4y2Ba

图gydF4y2Ba 4gydF4y2Ba显示的值gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 与不同的惩罚的水平,为代表gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba 在这四个网络gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba = 3。进化稳定时的值gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 大约是0.93,0.025,和0.045gydF4y2Ba HamsterstergydF4y2Ba,0.94,0.022,0.038gydF4y2Ba Simmons81gydF4y2Ba,0.954,0.018,0.028gydF4y2Ba Oberlin44gydF4y2Ba,0.966,0.015和0.019gydF4y2Ba Bowdoin47gydF4y2Ba。作为gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba 增加时,可以观察到gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba 增加,而gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 减少。这说明增加的价值gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba 抑制两条信息的传播。造成的抑制作用gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba 第二条信息明显比第一条信息和变化速率明显加快初、柔滑的重复互动的时间。此外,它可以看出gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba 网络中增加更快,更低的平均聚类系数和更高的平均程度。这是因为个人的状态gydF4y2Ba 我gydF4y2Ba更有可能相信对手的策略,数量较低。gydF4y2Ba

的值gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 为不同的gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba 回报的四个网络。参数设置为gydF4y2Ba ugydF4y2Ba 1gydF4y2Ba = 0.4,gydF4y2Ba ugydF4y2Ba 2gydF4y2Ba = 0.5,gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba = 3,gydF4y2Ba 问gydF4y2Ba ugydF4y2Ba = 0.1,gydF4y2Ba ɛgydF4y2Ba= 0.1。(一)gydF4y2Ba HamsterstergydF4y2Ba;(b)gydF4y2Ba Simmons81gydF4y2Ba;(c)gydF4y2Ba Oberlin44gydF4y2Ba;(d)gydF4y2Ba Bowdoin47gydF4y2Ba。gydF4y2Ba

图gydF4y2Ba 5gydF4y2Ba显示的值gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 与不同的gydF4y2Ba 问gydF4y2Ba ugydF4y2Ba 。当gydF4y2Ba 问gydF4y2Ba ugydF4y2Ba 增加到一定值,个人的数量似乎成为常数。进化稳定时的值gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 大约是0.21,0.33,和0.46gydF4y2Ba HamsterstergydF4y2Ba,0.135,0.37,0.495gydF4y2Ba Simmons81gydF4y2Ba,0.145,0.325,0.53gydF4y2Ba Oberlin44gydF4y2Ba,0.16,0.33和0.51gydF4y2Ba Bowdoin47gydF4y2Ba。图gydF4y2Ba 5gydF4y2Ba清楚地表明,gydF4y2Ba 问gydF4y2Ba ugydF4y2Ba 增加,的值gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba 减少,而gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 增加。这意味着如果异质性进一步放大,个人传播两块信息的数量增加。比较实验数据结果表明,基于不同的网络参数之间的区别gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba 和gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 在网络有较低的平均聚类系数和更高的平均程度大于网络有更高的平均聚类系数和较低的平均程度。gydF4y2Ba

的值gydF4y2Ba ρgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ρgydF4y2Ba BgydF4y2Ba 2gydF4y2Ba 与不同的回报gydF4y2Ba 问gydF4y2Ba ugydF4y2Ba 在这四个网络。参数设置为gydF4y2Ba ugydF4y2Ba 1gydF4y2Ba = 0.4,gydF4y2Ba ugydF4y2Ba 2gydF4y2Ba = 0.5,gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba = 3,gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba = 3,gydF4y2Ba ɛgydF4y2Ba= 0.1。(一)gydF4y2Ba HamsterstergydF4y2Ba;(b)gydF4y2Ba Simmons81gydF4y2Ba;(c)gydF4y2Ba Oberlin44gydF4y2Ba;(d)gydF4y2Ba Bowdoin47gydF4y2Ba。gydF4y2Ba

数据gydF4y2Ba 3gydF4y2Ba- - - - - -gydF4y2Ba 5gydF4y2Ba说明参数gydF4y2Ba αgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba αgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba ugydF4y2Ba 有效地控制信息的传播范围。特别是,他们准确地控制信息传播的基本个人如果他们获得高回报传播信息。此外,这种信息获得更多比其他信徒,竞争信息。因此,这个信息可以认为是正式比赛的获胜者。此外,当两个竞争信息旅游网络中较低平均聚类系数和一个更大的平均程度,个人传播信息的数量在竞争比较大。这是因为个人将面临一个更少的异构环境方面(朋友)的战略决策时,网络中有更高的平均聚类系数。因此,个人不太可能改变他们的策略一旦他们相信的信息。gydF4y2Ba

 4所示。结论gydF4y2Ba

在本文中,我们采用进化博弈理论来分析两个竞争信息的传播在一个社交网络。通过使用抽象的支付矩阵个人的决策过程,我们提出一个两块竞争信息传播模型。仿真结果表明,当系统达到稳定,一定的信息会赢得这场比赛如果蔓延后基本个人获得更大的收益,即收益越高导致更多的人倾向于传播这个信息。此外,网络的拓扑结构也影响两个竞争的两两交互信息。使用相同的参数,结果表明,该网络具有更高的平均程度较低数量的无知的人。如果网络具有更低的平均聚类系数和一个更大的平均程度,个人信任的数量的差距不同的信息。这意味着个人传播信息的数量赢得游戏的数量大大超过个人相信其他的信息。总的来说,结果表明,该方法是有效和实用的建模两个竞争信息的传播和提供有效的见解如何更好的控制和引导公众舆论。gydF4y2Ba

未来的工作可以研究如何把nonoptimal或有限理性的玩家进入模型,如何将异构球员的合理性,如何扩展模型以超过两块的竞争信息。此外,在本文中,我们假定个人收到的信息从他们的朋友。然而,人们也可以在其他方面获得的信息(如通过互联网或报纸)。因此,我们提倡的发展一个更精确的模型来研究更复杂的传播过程。gydF4y2Ba

 数据可用性gydF4y2Ba

使用的数据来支持本研究的发现可以从相应的作者。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

这项研究得到了国家自然科学基金(批准号。61603182,61603182,61402092),中央大学的基础研究基金(N171704004),在线教育研究基金MOE在线教育研究中心,中国(Qtone教育,批准号2016 zd306),辽宁省的博士启动基金,中国(批准号201501141)。gydF4y2Ba

 莫雷诺gydF4y2Ba Y。gydF4y2Ba NekoveegydF4y2Ba M。gydF4y2Ba VespignanigydF4y2Ba 一个。gydF4y2Ba 动态复杂网络的谣言传播gydF4y2Ba 物理评论EgydF4y2Ba 2004年gydF4y2Ba 69年gydF4y2Ba 6gydF4y2Ba 066130年gydF4y2Ba 10.1103 / physreve.69.066130gydF4y2Ba 2 - s2.0 - 42749098327gydF4y2Ba 彼得森gydF4y2Ba w·A。gydF4y2Ba 要点gydF4y2Ba n P。gydF4y2Ba 谣言和舆论gydF4y2Ba 美国社会学杂志》gydF4y2Ba 1951年gydF4y2Ba 57gydF4y2Ba 2gydF4y2Ba 159年gydF4y2Ba 167年gydF4y2Ba 10.1086/220916gydF4y2Ba Bordia做gydF4y2Ba P。gydF4y2Ba DifonzogydF4y2Ba N。gydF4y2Ba 解决问题在社会互动在互联网上:谣言是社会认知gydF4y2Ba 社会心理学季刊gydF4y2Ba 2004年gydF4y2Ba 67年gydF4y2Ba 1gydF4y2Ba 33gydF4y2Ba 49gydF4y2Ba 10.1177 / 019027250406700105gydF4y2Ba 2 - s2.0 - 2442487766gydF4y2Ba KostkagydF4y2Ba J。gydF4y2Ba 奥斯瓦尔德gydF4y2Ba y。gydF4y2Ba WattenhofergydF4y2Ba R。gydF4y2Ba 口碑:在社交网络谣言传播gydF4y2Ba 结构信息和通信的复杂性gydF4y2Ba 2008年gydF4y2Ba 5058年gydF4y2Ba 185年gydF4y2Ba 196年gydF4y2Ba 10.1007 / 978 - 3 - 540 - 69355 - 0 - _16gydF4y2Ba 2 - s2.0 - 48349112328gydF4y2Ba 科斯菲尔德gydF4y2Ba M。gydF4y2Ba 谣言和市场gydF4y2Ba 数理经济学杂志gydF4y2Ba 2005年gydF4y2Ba 41gydF4y2Ba 6gydF4y2Ba 646年gydF4y2Ba 664年gydF4y2Ba 10.1016 / j.jmateco.2004.05.001gydF4y2Ba 2 - s2.0 - 22544481419gydF4y2Ba 赵gydF4y2Ba lgydF4y2Ba 王gydF4y2Ba J。gydF4y2Ba 程ydF4y2Ba Y。gydF4y2Ba 王gydF4y2Ba Q。gydF4y2Ba 程gydF4y2Ba J。gydF4y2Ba 崔gydF4y2Ba H。gydF4y2Ba SIHR社交网络谣言传播模型gydF4y2Ba 自然史答:统计力学及其应用gydF4y2Ba 2012年gydF4y2Ba 391年gydF4y2Ba 7gydF4y2Ba 2444年gydF4y2Ba 2453年gydF4y2Ba 10.1016 / j.physa.2011.12.008gydF4y2Ba 2 - s2.0 - 84855908867gydF4y2Ba 赵gydF4y2Ba X X。gydF4y2Ba 王gydF4y2Ba j . Z。gydF4y2Ba 动态行为的谣言,传播模型与控制措施gydF4y2Ba 抽象和应用分析gydF4y2Ba 2014年gydF4y2Ba 2014年gydF4y2Ba 247953年gydF4y2Ba 10.1155 / 2014/247359gydF4y2Ba 2 - s2.0 - 84903514966gydF4y2Ba 张gydF4y2Ba J。gydF4y2Ba 周gydF4y2Ba c . H。gydF4y2Ba 徐gydF4y2Ba x K。gydF4y2Ba 从结构动力学映射:动态过程网络的统一视图gydF4y2Ba 物理评论EgydF4y2Ba 2010年gydF4y2Ba 82年gydF4y2Ba 2gydF4y2Ba 026116年gydF4y2Ba 10.1103 / physreve.82.026116gydF4y2Ba 2 - s2.0 - 77956132933gydF4y2Ba 徐gydF4y2Ba x J。gydF4y2Ba 李gydF4y2Ba j . Y。gydF4y2Ba 傅gydF4y2Ba x C。gydF4y2Ba 方向性和相关性对扩散的影响gydF4y2Ba Scientifific报告gydF4y2Ba 2018年gydF4y2Ba 8gydF4y2Ba 1gydF4y2Ba 10.1038 / s41598 - 018 - 22508 - 1gydF4y2Ba 2 - s2.0 - 85044186473gydF4y2Ba 莫雷诺gydF4y2Ba Y。gydF4y2Ba NekoveegydF4y2Ba M。gydF4y2Ba VespignanigydF4y2Ba 一个。gydF4y2Ba 流行的效率和可靠性数据在复杂网络传播gydF4y2Ba 物理评论EgydF4y2Ba 2004年gydF4y2Ba 69年gydF4y2Ba 5gydF4y2Ba 055101年gydF4y2Ba 10.1103 / physreve.69.055101gydF4y2Ba 2 - s2.0 - 85036420573gydF4y2Ba 朱gydF4y2Ba G。gydF4y2Ba 程ydF4y2Ba G。gydF4y2Ba 傅gydF4y2Ba X。gydF4y2Ba 活动链接对传染病传播的影响在社会网络gydF4y2Ba 自然史答:统计力学及其应用gydF4y2Ba 2017年gydF4y2Ba 468年gydF4y2Ba 614年gydF4y2Ba 621年gydF4y2Ba 10.1016 / j.physa.2016.10.064gydF4y2Ba 2 - s2.0 - 85003561595gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba VasilakosgydF4y2Ba 答:V。gydF4y2Ba 马gydF4y2Ba J。gydF4y2Ba 熊gydF4y2Ba N。gydF4y2Ba 在研究不确定性行为的影响扩散到社交网络中gydF4y2Ba IEEE系统,人,和控制论:系统gydF4y2Ba 2015年gydF4y2Ba 45gydF4y2Ba 2gydF4y2Ba 185年gydF4y2Ba 197年gydF4y2Ba 10.1109 / tsmc.2014.2359857gydF4y2Ba 2 - s2.0 - 84921409419gydF4y2Ba 朱gydF4y2Ba lgydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 谣言扩散模型和时空扩散行为的不确定性决定在复杂的社交网络gydF4y2Ba 自然史答:统计力学及其应用gydF4y2Ba 2018年gydF4y2Ba 502年gydF4y2Ba 29日gydF4y2Ba 39gydF4y2Ba 10.1016 / j.physa.2018.02.060gydF4y2Ba 2 - s2.0 - 85042691519gydF4y2Ba GranovettergydF4y2Ba M。gydF4y2Ba 集体行为的阈值模型gydF4y2Ba 美国社会学杂志》gydF4y2Ba 1978年gydF4y2Ba 83年gydF4y2Ba 6gydF4y2Ba 1420年gydF4y2Ba 1443年gydF4y2Ba 10.1086/226707gydF4y2Ba WejnertgydF4y2Ba B。gydF4y2Ba 集成创新的扩散模型:一个概念性的框架gydF4y2Ba 年度回顾社会学gydF4y2Ba 2002年gydF4y2Ba 28gydF4y2Ba 1gydF4y2Ba 297年gydF4y2Ba 326年gydF4y2Ba 10.1146 / annurev.soc.28.110601.141051gydF4y2Ba 2 - s2.0 - 0036025771gydF4y2Ba 奥曼gydF4y2Ba r . J。gydF4y2Ba 新帕尔格雷夫:字典的经济学gydF4y2Ba 博弈理论gydF4y2Ba 1987年gydF4y2Ba 2gydF4y2Ba 460年gydF4y2Ba 482年gydF4y2Ba 棕褐色gydF4y2Ba 年代。gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 陆gydF4y2Ba J。gydF4y2Ba 通过微观分析和控制网络游戏动态确定性方法gydF4y2Ba IEEE自动控制gydF4y2Ba 2016年gydF4y2Ba 61年gydF4y2Ba 12gydF4y2Ba 4118年gydF4y2Ba 4124年gydF4y2Ba 10.1109 / tac.2016.2545106gydF4y2Ba 2 - s2.0 - 85004064486gydF4y2Ba 吴gydF4y2Ba F。gydF4y2Ba 马gydF4y2Ba J。gydF4y2Ba 附生植物的平衡,复杂性分析和控制供应链与产品水平多样化gydF4y2Ba 非线性动力学gydF4y2Ba 2018年gydF4y2Ba 93年gydF4y2Ba 4gydF4y2Ba 2145年gydF4y2Ba 2158年gydF4y2Ba 10.1007 / s11071 - 018 - 4313 - zgydF4y2Ba 2 - s2.0 - 85051262969gydF4y2Ba 程ydF4y2Ba y Z。gydF4y2Ba 翁gydF4y2Ba 年代。gydF4y2Ba 郭gydF4y2Ba w Z。gydF4y2Ba 博弈论算法实现网内集群数据聚合在一个车载ad hoc网络gydF4y2Ba 传感器gydF4y2Ba 2016年gydF4y2Ba 16gydF4y2Ba 2gydF4y2Ba 245年gydF4y2Ba 10.3390 / s16020245gydF4y2Ba 2 - s2.0 - 84958793755gydF4y2Ba 太阳gydF4y2Ba 年代。gydF4y2Ba 吴gydF4y2Ba J。gydF4y2Ba 宣gydF4y2Ba Z。gydF4y2Ba 知识扩散网络游戏策略gydF4y2Ba 通信在计算机和信息科学gydF4y2Ba 2009年gydF4y2Ba 35gydF4y2Ba 282年gydF4y2Ba 289年gydF4y2Ba 10.1007 / 978 - 3 - 642 - 02298 - 2 - _43gydF4y2Ba 2 - s2.0 - 68449097596gydF4y2Ba 诺瓦克gydF4y2Ba m·A。gydF4y2Ba 可能gydF4y2Ba r·M。gydF4y2Ba 进化游戏和空间混乱gydF4y2Ba 自然gydF4y2Ba 1992年gydF4y2Ba 359年gydF4y2Ba 29日gydF4y2Ba 826年gydF4y2Ba 829年gydF4y2Ba 10.1038 / 359826 a0gydF4y2Ba 2 - s2.0 - 0026613691gydF4y2Ba 夏gydF4y2Ba c . Y。gydF4y2Ba 梅洛尼gydF4y2Ba 年代。gydF4y2Ba 全氯乙烯gydF4y2Ba M。gydF4y2Ba 动态不稳定的合作由于不同活动模式进化的社会困境gydF4y2Ba EPLgydF4y2Ba 2015年gydF4y2Ba 109年gydF4y2Ba 58002年gydF4y2Ba 10.1209 / 0295 - 5075/109/58002gydF4y2Ba 2 - s2.0 - 84925436926gydF4y2Ba RiehlgydF4y2Ba j . R。gydF4y2Ba 曹gydF4y2Ba M。gydF4y2Ba 对进化游戏对网络的控制gydF4y2Ba 第五IFAC学报》研讨会在网络化分布式估计和控制系统gydF4y2Ba 2015年9月gydF4y2Ba 美国费城,宾夕法尼亚州gydF4y2Ba 458年gydF4y2Ba 462年gydF4y2Ba TembinegydF4y2Ba H。gydF4y2Ba 奥特曼gydF4y2Ba E。gydF4y2Ba El-AzouzigydF4y2Ba R。gydF4y2Ba HayelgydF4y2Ba Y。gydF4y2Ba 在无线网络进化的游戏gydF4y2Ba IEEE控制论gydF4y2Ba 2010年gydF4y2Ba 40gydF4y2Ba 3gydF4y2Ba 10.1109 / tsmcb.2009.2034631gydF4y2Ba 2 - s2.0 - 77952584806gydF4y2Ba 桑德霍尔姆gydF4y2Ba w·H。gydF4y2Ba 人口游戏和演化动力学gydF4y2Ba 2011年gydF4y2Ba 美国剑桥,马gydF4y2Ba 麻省理工学院出版社gydF4y2Ba 傅gydF4y2Ba F。gydF4y2Ba 罗gydF4y2Ba d . I。gydF4y2Ba 王gydF4y2Ba lgydF4y2Ba 诺瓦克gydF4y2Ba m·A。gydF4y2Ba 在社交网络上模仿动力学的疫苗接种行为gydF4y2Ba 《皇家学会学报B:生物科学gydF4y2Ba 2011年gydF4y2Ba 278年gydF4y2Ba 1702年gydF4y2Ba 42gydF4y2Ba 49gydF4y2Ba 278年gydF4y2Ba 10.1098 / rspb.2010.1107gydF4y2Ba 2 - s2.0 - 78650351355gydF4y2Ba 江gydF4y2Ba C。gydF4y2Ba 程ydF4y2Ba Y。gydF4y2Ba 刘gydF4y2Ba k·j·R。gydF4y2Ba 图形进化游戏社交网络信息扩散gydF4y2Ba IEEE选定的主题在信号处理杂志》上gydF4y2Ba 2014年gydF4y2Ba 8gydF4y2Ba 4gydF4y2Ba 524年gydF4y2Ba 536年gydF4y2Ba 10.1109 / jstsp.2014.2313024gydF4y2Ba 2 - s2.0 - 84904667776gydF4y2Ba 李gydF4y2Ba D。gydF4y2Ba 马gydF4y2Ba J。gydF4y2Ba 田gydF4y2Ba Z。gydF4y2Ba 朱gydF4y2Ba H。gydF4y2Ba 一个进化游戏在复杂网络谣言的扩散gydF4y2Ba 自然史答:统计力学及其应用gydF4y2Ba 2015年gydF4y2Ba 433年gydF4y2Ba 51gydF4y2Ba 58gydF4y2Ba 10.1016 / j.physa.2015.03.080gydF4y2Ba 2 - s2.0 - 84927597921gydF4y2Ba JonnalagaddagydF4y2Ba 一个。gydF4y2Ba KuppusamygydF4y2Ba lgydF4y2Ba 一项调查显示游戏社交网络社区检测的理论模型gydF4y2Ba 社会网络分析与挖掘gydF4y2Ba 2016年gydF4y2Ba 6gydF4y2Ba 83年gydF4y2Ba 10.1007 / s13278 - 016 - 0386 - 1gydF4y2Ba 2 - s2.0 - 84988350475gydF4y2Ba KermanigydF4y2Ba m·A·m·A。gydF4y2Ba ArdestanigydF4y2Ba 美国F F。gydF4y2Ba AliahmadigydF4y2Ba 一个。gydF4y2Ba 新颖的游戏理论建模方法竞争信息扩散与异构社会网络节点gydF4y2Ba 自然史一gydF4y2Ba 2017年gydF4y2Ba 466年gydF4y2Ba 570年gydF4y2Ba 582年gydF4y2Ba EtesamigydF4y2Ba s R。gydF4y2Ba BaşargydF4y2Ba T。gydF4y2Ba 复杂的平衡在竞争扩散在社交网络上的游戏gydF4y2Ba 自动化gydF4y2Ba 2016年gydF4y2Ba 68年gydF4y2Ba One hundred.gydF4y2Ba 110年gydF4y2Ba 10.1016 / j.automatica.2016.01.063gydF4y2Ba 2 - s2.0 - 84958824487gydF4y2Ba 胡gydF4y2Ba h . B。gydF4y2Ba 竞争在社交网络上意见扩散gydF4y2Ba 皇家学会开放科学gydF4y2Ba 2017年gydF4y2Ba 4gydF4y2Ba 11gydF4y2Ba 171160年gydF4y2Ba 10.1098 / rsos.171160gydF4y2Ba 2 - s2.0 - 85032882119gydF4y2Ba BeutelgydF4y2Ba 一个。gydF4y2Ba 凯利斯gydF4y2Ba C。gydF4y2Ba 普拉卡什gydF4y2Ba B。gydF4y2Ba 罗森菲尔德gydF4y2Ba R。gydF4y2Ba 病毒在网络互动:既能生存gydF4y2Ba 知识发现(kdd) - 2012年学报》上gydF4y2Ba 2012年8月gydF4y2Ba 中国,北京gydF4y2Ba 426年gydF4y2Ba 434年gydF4y2Ba 程ydF4y2Ba 年代。gydF4y2Ba 王gydF4y2Ba K。gydF4y2Ba 太阳gydF4y2Ba M。gydF4y2Ba 傅gydF4y2Ba X。gydF4y2Ba 竞争的异构计算机网络病毒的传播gydF4y2Ba 英国皇家学会哲学学报A:数学,物理和工程科学gydF4y2Ba 2017年gydF4y2Ba 375年gydF4y2Ba 2096年gydF4y2Ba 20160284gydF4y2Ba 10.1098 / rsta.2016.0284gydF4y2Ba 2 - s2.0 - 85019920651gydF4y2Ba 欧gydF4y2Ba c·G。gydF4y2Ba 金gydF4y2Ba x L。gydF4y2Ba 王gydF4y2Ba y Z。gydF4y2Ba 异构网络的传播能力的影响信息传播的关系gydF4y2Ba 第十五届IEEE国际研讨会论文集在计算机和信息技术gydF4y2Ba 2015年gydF4y2Ba 65年gydF4y2Ba 454年gydF4y2Ba 460年gydF4y2Ba 张gydF4y2Ba Y。gydF4y2Ba 翁ydF4y2Ba G。gydF4y2Ba 程ydF4y2Ba G。gydF4y2Ba 网络游戏时间gydF4y2Ba IEEE电路和系统II:表达内裤gydF4y2Ba 2019年gydF4y2Ba 66年gydF4y2Ba 4gydF4y2Ba 672年gydF4y2Ba 676年gydF4y2Ba 10.1109 / tcsii.2018.2861621gydF4y2Ba 2 - s2.0 - 85050964275gydF4y2Ba 塞gydF4y2Ba C。gydF4y2Ba 卡特琳娜gydF4y2Ba r S。gydF4y2Ba 费尔南多gydF4y2Ba N。gydF4y2Ba 在复杂网络进化免疫接种的两难选择gydF4y2Ba 物理评论EgydF4y2Ba 2013年gydF4y2Ba 8gydF4y2Ba 032803年gydF4y2Ba