1. 在每个时间步dt ，令所有节点为孤立节点；
2.  每个节点i 以概率adt 激活，并随机选择m 个节点建立连接；
3.  重复步骤1,2，直到时间步达到设置的总时间步数T 。

二、研究方向

以活跃度驱动模型为基础网络模型，可以研究很多的社会现象，如流行病传播、人口扩散、舆论传播等。研究这些社会学行为对再现真实网络行为，提出控制策略等有着实际的意义。学习这个领域，一开始你可能觉得很复杂，但是深入了解后其实我们只研究到冰山一角的内容，钻研进去，你会收获很多。

时序网络研究是复杂网络目前研究的热点，它更接近于实际的网络演化结构，相比于静态网络，它的入门要稍微吃力，但是一旦理解了底层的实现逻辑，很容易对其进行扩展。目前在时序网络模型上的研究方向主要有流行病传播、舆论动力学、多模块、多层网络等。这里主要引入一个常用的流行病学研究方向。

2.1流行病传播

SI模型：将网络中个体分为易感者（S态）、感染者（I态）；两者之间的转换关系为：易感者接触感染者，以一定概率转化为感染者；感染者不会恢复。网络稳态时全是I态个体。这种病毒传播模型对应的是真实网络中感染后无法治愈的疾病：艾滋病等。

SIS模型：将网络中个体分为易感者（S态）、感染者（I态）；两者之间的转换关系为：易感者接触感染者，以一定概率转化为感染者；感染者自身会一定概率恢复成易感者。网络稳态时S态个体和I态个体保持动态平衡，即I态个体增长到一定程度会稳定到一个值，由于S态和I态之间的转换达到一定平衡，I态个体不会继续增加。这种病毒传播模型对应的是真实网络中感染后可以治愈但又会再次感染的疾病：感冒、发烧等。

SIR模型：将网络中个体分为易感者（S态）、感染者（I态）、恢复者（R态）；三者之间的转换关系为：易感者接触感染者，以一定概率转化为感染者；感染者自身会一定概率转换为恢复者。网络最后所有个体均转换为R态个体。这种病毒传播模型对应的是真实网络中感染后可以治愈并再也不复发的疾病：比如接受天花疫苗后永不复发。

可参考基本的传染病模型：SI、SIS、SIR及其Python代码实现 对此类模型的方法实现。

三、活跃度驱动模型伪代码思想

活跃度驱动模型在构建的时候要考虑到每一时刻节点怎么保存信息，应该记录节点的哪些信息，节点之间的连边规则等。你可以参考下面的逻辑进行构建网络。请仔细阅读参考文献【1】原文对活跃度驱动模型的介绍，不读原文只参考翻译版的内容是远远不能理解的。

1.构建节点信息
2.初始化网络
3.根据活跃度模型构建规则搭建瞬时网络

   3.1  每时刻更新节点邻居信息

  3.2  遍历所有节点，每个节点i以a的概率激活，随机选择节点进行连接

  3.3 下一时刻删除网络中所有连边

  3.4 网络重新开始生成
4.重复步骤3构建累积时序网络

四、参考文献及扩展资料