小世界网络（Watts-Strogatz 模型）

关于 Watts-Strogatz 模型

Watts-Strogatz 模型（1998年）在规则晶格和随机图之间架起桥梁，揭示了许多真实网络中的"小世界"特性。它从一个包含 N 个节点的环形晶格开始，每个节点与其最近的 K 个邻居相连。然后，以概率 p 对每条边进行重连，将其一端连接到随机目标。令人惊叹的发现是，即使 p 值很小（约 0.01），也能创造足够的"捷径"来大幅降低任意两个节点之间的平均路径长度，同时聚类系数仍几乎与规则晶格一样高。

聚类系数 C 衡量一个节点的邻居之间也相互连接的比例——在规则晶格中很高（所有邻居彼此认识），在随机图中很低。平均路径长度 L 是任意两个节点之间平均跳数——在规则晶格中很高，当捷径存在时很低。经典的 C(p)/C(0) 与 L(p)/L(0) 图展示了"小世界区域"，高聚类和短路径共存，解释了社交网络中"六度分隔"等现象。

小世界网络广泛存在于自然和社会中：大脑中的神经网络（高度聚集的局部回路与长程连接）、蛋白质相互作用网络、万维网、社交网络（高局部聚类与跨群体友谊）、电力网格和流行病传播网络。理解小世界特性有助于解释疾病如何快速传播、创新如何在组织中扩散，以及大脑如何同时实现局部专业化处理和全局整合。

使用重连概率滑块从规则晶格（p=0）经过小世界区域（p 约 0.01）过渡到随机图（p=1）。观察网络可视化：规则边显示为蓝色，重连捷径显示为金色。下方的双曲线图展示了 C 和 L 如何随 p 对数变化——阴影区域标记了小世界最佳区间。尝试预设场景："规则晶格"展示高聚类但长路径，"小世界"是最优区域，"扫描动画"自动遍历所有状态。