1999 年 Barabási 和 Albert 提出了无标度网络模型（简称 BA 模型）。无标度网络的重要特征为： 无标度网络的节点度分布服从幂律分布。

无标度网络的度分布 $p(d)$ 满足$$p(d)\sim d^{-\alpha }，$$其中 $d$ 代表度的大小， $\alpha$ 为度分布的幂律指数。 真实网络 $\alpha$ 值一般介于 2~3之间。

近年来越来越多的研究表明， 真实世界网络既不是规则网络， 也不是随机网络， 而是兼具小世界和无标度特性的复杂网络， 具有与规则网络和随机网络截然不同的统计特性。

本文采用的无标度网络生成模型是由 Barabási 和 Albert 于 1999 年提出的增长网络网络模型（BA 模型）。在该模型中，网络初始时具有 $m_0$ 个节点，两两互连。 之后每过一个时间单位增加一个新节点。新节点从当前网络中选择$m(m\le m_0)$ 个节点与之连接， 某节点 $v_i$ 被选中的概率 $p(v_i)$ 与其节点度 $d_i$ 的大小成正比，即$$p(v_i)=\frac{d_i}{{\sum }_j{d}_j}$$经过 t 个时间单位后，网络中含有 $m_0+t$ 个节点，$m_0(m_0-1)/2+mt$条边。可以证明当 t 足够大时， 按此规律增长的网络的度分布为幂指数等于 3 的幂律分布。

依据新节点的连接规律，建立节点度演化的动力学模型：

其中最后一个等式在 $t$ 足够大时近似成立。 将节点 $i$ 加入网络的时间记为 $t_i$，
则有初始条件 $d_i(t_i)=m$。解得

在 $t$ 足够大， 对任意节点 $i$， 其度的大小满足


其中第三个等式成立的原因是加入节点的时间是等间隔的。上式正是网络节点度的概率分布函数， 可以求出节点度的概率密度函数 $p(d)$ 为

可知所生成网络的幂律分布的指数为 3。下面的matlab程序模拟了BA网络的演化过程：

function scale_free(N,m0,m)
%
%param  N: num of vertices 期望节点数
%param m0: num of initial vertices 初始边数
%param  m: num of vertices a new node try to connect 新节点连接的边数
%
tic;I = 2 ;    %生成的网络个数，只为统计需要realization_of_distribution = sparse( I , N ) ;  
for J = 1 : I   format long;%初始化邻接矩阵，前m0个节点两两互连adjacent_matrix = sparse( m0 , m0 ) ;   parfor i = 1 : m0for j = 1 : m0if j ~= iadjacent_matrix( i , j ) = 1 ;endendendadjacent_matrix = sparse( adjacent_matrix ) ;  % 计算当前节点度分布node_degree = sparse( 1 , m0 ) ; for p = 1 : m0node_degree( p ) = sum( adjacent_matrix( 1 : m0 , p ) ) ;end% 开始演化for iteration = m0 + 1 : Ntotal_degree = 2 * m * ( iteration - m0 -1 ) + m0*(m0-1) ; % m*2degree_frequency = node_degree / total_degree ;  cum_distribution = cumsum( degree_frequency ) ;  choose = zeros( 1 , m ) ;  for new_edge = 1:mr = rand(1) ;   choose_edge = find( cum_distribution >= r ,1) ;while any(choose == choose_edge)r = rand(1) ;choose_edge = find(  cum_distribution >= r,1) ;endchoose(new_edge) = choose_edge;endfor k = 1 : madjacent_matrix( iteration , choose(k) ) = 1 ;adjacent_matrix( choose(k) , iteration ) = 1 ;endfor p = 1 : iterationnode_degree(p) = sum( adjacent_matrix( 1 : iteration , p ) ) ;  endend  number_of_nodes_with_equal_degree = zeros( 1 , N ) ;   parfor i = 1 : Nnumber_of_nodes_with_equal_degree(i) = length( find( node_degree == i ) ) ;  endrealization_of_distribution( J , : ) = number_of_nodes_with_equal_degree ;save(['adj_',num2str(J)],'adjacent_matrix');
end  %{ 
%plot degree distribution 在双对数坐标下画图average = sum( realization_of_distribution )/ ( I * N );
loglog( 1:N , average , '*' )  
axis([1 N 0.0000001 0.9])
hold on;
x = 1:N;
y = 2 * m^2 * x .^ ( -3 ) ;
loglog( x , y , 'r' ) ;  %  p(k)=2*m^2*k^(-3)%}
toc;end

---

人工生成网络的概率质量函数（网络节点数 $N$ 分别为 50、 100、 200、 400）

图中直线为理论结果： $p(d)=2\frac{m^2}{d^3}$。