Python Barabasi-Albert模型，错误的度指数

我试图用Barabasi-Albert模型生成一个无标度网络。该模型预测的度分布遵循p（k）~k^-3，但我的模型显示的是k^-2

该算法取自Barabasi的书，URL为：， 以下是相关段落：

这是我的密码，有人能帮我找出哪里出了问题吗

import numpy as np
import matplotlib.pyplot as plt
from collections import Counter
plt.rcParams["figure.figsize"] = (15,6)

#initialize values
N = 10000
k = 2
m = int(k / 2)

#initialize matrices
adjacency = np.zeros((N,N))
degrees = np.zeros(N)

#add links
for i in range(N):
    degrees[i] = m
    for c in range(m):
        # choose a node with probability proportional to it's degree
        j = np.random.choice(N, p = degrees / (2 * m * i + m + c))
        degrees[j] += 1
        adjacency[i][j] += 1
        adjacency[j][i] += 1


def get_binned_data(labels, values, num):
    min_label, max_label = min(labels), max(labels)
    base = (max_label / min_label) ** (1 / num)
    bins = [base**i for i in range(int(np.log(max_label) / np.log(base)) + 1)]
    binned_values, binned_labels = [], []
    counter = 0
    for b in bins:
        bin_size = 0
        bin_sum = 0
        while counter < len(labels) and labels[counter] <= b:
            bin_size += values[counter]
            bin_sum += values[counter] * labels[counter]
            counter += 1
        if(bin_size):
            binned_values.append(bin_size)
            binned_labels.append(bin_sum / bin_size)
    return binned_labels, binned_values


labels, values = zip(*sorted(Counter(degrees).items(), key = lambda pair: 
pair[0]))

binned_labels, binned_values = get_binned_data(labels, values, 15)

fig, (ax1, ax2) = plt.subplots(ncols = 2, nrows = 1)
fig.suptitle('Barabasi-Albert Model',fontsize = 25)

ax1.loglog(binned_labels, binned_values, basex = 10, basey = 10, linestyle = 
'None', marker = 'o',  color = 'red')
ax1.set(xlabel = 'degree', ylabel = '# of nodes')
ax1.set_title('log-log scale (log-binned)',{'fontsize':'15'})

ax2.plot(labels, values, 'ro')
ax2.set(xlabel = 'degree', ylabel = '# of nodes')
ax2.set_title('linear scale',{'fontsize':'15'})

plt.show()

将numpy导入为np
将matplotlib.pyplot作为plt导入
从收款进口柜台
plt.rcParams[“figure.figsize”]=（15,6）
#初始化值
N=10000
k=2
m=int（k/2）
#初始化矩阵
邻接=np.零（（N，N））
度=np.零（N）
#添加链接
对于范围（N）中的i：
度[i]=m
对于范围（m）内的c：
#选择一个概率与其度成正比的节点
j=np.随机选择（N，p=度/（2*m*i+m+c））
度[j]+=1
邻接[i][j]+=1
邻接[j][i]+=1
def get_binned_数据（标签、值、数量）：
最小标签，最大标签=最小（标签），最大（标签）
基本=（最大标签/最小标签）**（1/num）
bins=[base**i代表范围内的i（int（np.log（max_标签）/np.log（base））+1]
binned_值，binned_标签=[]，[]
计数器=0
对于垃圾箱中的b：
bin_大小=0
bin_sum=0
当counterp=degrees/np.sum（degrees）

根据，您需要从一些已经连接的节点开始，而从零开始。此外，您可能应该在内环之后放置

degrees[i]=m

，以避免形成从节点i到自身的链接

---

这可能会有所帮助，但我不清楚如何生成学位图，因此我无法验证。

非专家不清楚：“紧跟k^-3的学位指数，但我的显示k^-2。”在哪里？编辑。现在好点了吗？嗯，对我来说很好。我没有使用sum（度数），因为与计算me表达式（当前迭代中度数的和）相比，计算起来要昂贵得多。即使切换到求和法，它似乎也不起作用。我根据Barabasi书中的说明实现了我的模型。将使用我的绘图代码编辑帖子。