全局检索与知识浏览

我们研究了在几何非均匀随机图（GIRGs）上的多数投票意见动态，该模型是空间复杂网络的强大表征。与经典粗化动态中通常达成全局共识的情况不同，我们的模拟表明，足够大且局部集中的意见区域不会消失。相反，它们趋于稳定，导致竞争性意见的持续共存。为理解这种被抑制的粗化机制，我们构建并分析了一个两个意见区域界面的可处理均值场模型。我们的主要理论结果在均值场分析中严格证明了界面轮廓存在一个稳定且非平凡的极限分布。这表明意见边界处于静止状态，为复杂网络几何结构如何在社会系统中支持稳健的意见多样性提供了数学解释。

我们通过构建一个显式纳入雪崩传播过程中耗散效应的分支过程框架，研究复杂网络上的沙堆模型。与假设保守输运及局部树状独立性的经典分支描述不同，本方法将颗粒损失效应直接引入后代分布，从而导出适用于耗散型雪崩动力学的广义生成函数。在耗散机制主导下，雪崩尺寸分布呈现指数截断，但仍保留依赖于网络拓扑的标度行为。数值模拟验证了该理论对稀疏随机网络的预测，并揭示其在高度结构化拓扑中存在系统性偏差。特别地，利用Holme-Kim聚类无标度网络，我们发现随着聚类系数增大，雪崩指数持续减小，大规模级联事件的概率增强，表明短环路引发强关联，使经典的独立分支近似失效。出人意料的是，树状网络亦显著偏离幂律分布，原因在于边密度低且叶节点丰富，从而限制了雪崩传播。这些结果表明，耗散、聚类及稀疏连通性从根本上重塑了网络上沙堆模型的雪崩尺寸分布，并为雪崩动力学的分支过程描述确立了定量适用边界。

分布式智能体之间的协作是众多复杂系统的基础，尤其在需在能量约束下维持连通性的通信网络中至关重要。本研究利用通过强化学习技术训练的智能体（节点），使其与邻近节点建立连接，最终自发形成大规模通信簇。值得注意的是，该系统不存在中心化管理者；智能体仅能依据局部观测信息自主调整连接关系。连接策略基于物理哈密顿量（Hamiltonian）构建，因此该智能系统属于“物理引导的机器学习”（Physics-Guided Machine Learning）范式。智能体采用深度Q网络（Deep Q-Network）进行训练，以局部观测为输入，以最小化哈密顿量变化为目标，从而实现在动态环境中的自适应决策。仿真结果表明，所提出的协作策略可构建鲁棒的大规模通信簇，并较基线方法降低传输能耗。该网络在智能体移动、节点密度变化、节点失效及环境障碍等条件下均保持高连通性，展现出优异的适应性与韧性。上述发现表明，物理引导的强化学习为新兴物联网（IoT）与车载通信网络中的分布式拓扑优化提供了一种有效机制。

同步模式表征网络的一种状态，其中节点依据其同步动力学组织为若干簇。这些同步簇可进一步呈现活性或非活性状态。同步节点的活性簇与非活性簇同时保持不变，构成一种动力学约束：活性簇产生的涨落必须相互抵消，才能使某一特定簇维持非活性状态。我们通过利用网络结构中的置换对称性，并选取相空间中内部动力学与耦合函数均为奇函数的动力学形式，证明该结构与动力学的组合可产生由共存的活性簇与非活性簇构成的稳定不变模式。网络中的对称性导致活性簇彼此处于反同步状态，从而使与这些反同步簇相连的簇所受涨落相互抵消。我们利用全网络对称性确定同步簇，而利用商网络对称性识别簇的共存活性-非活性状态。结果表明，随着节点间耦合强度变化，各活性簇在不同耦合值处相继失去活性，网络由此在不同活动模式之间发生转变。文中以范德波尔（Van der Pol）振子与斯图尔特-兰道（Stuart-Landau）振子网络为例进行了数值模拟。最后，我们将主稳定性框架（master stability framework）推广至此类模式，并给出了其存在的稳定性条件。

经验性网络化系统通常仅被部分观测：采样窗口、爬取策略、隐私约束及时间间隔等因素可能导致部分节点与边未被观测到。这给鲁棒性与敏感性分析带来困难，因为许多图学习流程隐式地将已观测节点集视为完备集合。链路预测与图补全方法仅修复已知顶点之间的结构，而全图生成器则合成全新图结构，而非将观测图作为固定骨架进行扩展。我们研究其互补任务——受控节点插入：在保持可解释全局拓扑的前提下，生成合理的新增节点并将其连接至现有图。我们提出Astro生成网络（AGN），一种变分图自编码器，通过采样潜在向量解码节点特征，并基于相似性将新顶点接入已观测骨架。我们将推荐配置AGN与诊断基线AGN-original区分开来，后者允许生成节点之间相互连接。在三种合成数据场景下，AGN-original形成密集的生成-生成子图，人为抬高聚类系数与密度；禁用此类边可消除该伪影，同时保持度分布与路径长度特性不变。实验表明，AGN使聚类系数与模块度相对于插入前的变化幅度保持在较低水平，且新颖性诊断显示新节点与既有节点存在显著但非领域锚定的身份分离。本工作的贡献在于方法论层面：提供一种可复现的节点插入协议及面向不完整网络科学与工程的评估视角。

出版日期：2026年5月15日；来源：《可持续城市与社会》（Sustainable Cities and Society），第142卷；作者：熊瑶、许攀岳、朱志鹏、李寅

出版日期：2026年5月15日；来源：《可持续城市与社会》（Sustainable Cities and Society），第142卷；作者：刘飞、徐国亮、李明

《计算机、环境与城市系统》；第70卷；第163-174页；2018年发表；出版商：Elsevier

大语言模型（LLM）智能体仿真面临联合的接地性（grounding）与可扩展性问题：智能体需在反映真实城市约束的环境中行动，但对城市规模人口直接调用在线LLM在计算上不可行。本文提出GenWorld——一种经验驱动的城市仿真基础设施，整合了建筑级合成城市、结构化的智能体-环境交互接口，以及将LLM生成的决策信号离线编译为查找式策略（lookup policies）以实现可扩展仿真的机制。在以日本东广岛市为参考的实例化中，GenWorld基于人口普查与地理空间数据构建了196,608名合成居民，通过人口普查汇总数据验证其人口统计一致性，并利用YJMob100K手机移动数据作为通勤距离诊断依据。我们通过三个可复现案例展示该基础设施：全城工作日仿真、工作日与周末行为对比、以及含可审计重规划轨迹的预警响应扰动实验。这些案例表明GenWorld可作为支持接地性与可扩展性兼具的LLM智能体研究的可复现平台；而针对交通、疏散或政策效果的校准化预测仍属未来工作。

基于大语言模型（LLM）的生成式智能体正日益被用于城市模拟器，但其是否能再现经验上真实的人类移动模式，抑或仅生成表面合理的移动叙事，仍不明确。我们提出一种验证框架，用于将LLM驱动的城市模拟器中生成式智能体的移动行为与真实世界移动数据进行比对评估。该框架涵盖移动定律、时间节律、网络模体、语义活动转移以及行为移动画像等维度。我们利用大巴黎地区与上海的数据集，在多个移动真实性维度上评估AgentSociety与CitySim。分析表明，叙事合理性与经验移动真实性之间存在显著差距。尽管这些模拟器能在一定程度上捕捉高层语义活动分布，却难以再现核心时空约束，包括真实的行程长度分布、起讫点（OD）流、停留时长及转移动态。我们进一步发现，真实的移动多样性在默认提示配置下不稳定，可能需依赖显式的画像感知初始化。为支持可复现的评估，我们还贡献了一套可扩展、开源的LLM驱动基础设施，支持区域尺度地图生成、可观测性增强的模拟、移动度量计算及交通模拟。本研究强调了对LLM驱动城市模拟器开展严格经验验证的必要性，并提供了构建更真实、更可复现城市模拟系统的实用工具。

识别复杂网络中的关键节点是一项基础性挑战，在社交网络分析、通信基础设施、交通系统和信息网络等领域具有广泛应用。现有排序方法通常依赖于度数、k-壳指数及邻域连通性等结构特征的组合来估计节点的重要性。然而，许多此类方法存在若干关键局限性，包括准确性不足、对影响力相近节点的区分能力（分辨率）较低、依赖可调参数，以及计算复杂度高，从而限制了其在大规模或真实网络中的实用性。本研究提出一种新的排序框架，将拟拉普拉斯结构度量与受引力启发的聚合过程相结合。其核心思想是仅利用度数和k-壳指数这两种简单但信息丰富的属性，构建每个节点结构角色的增强表征，并通过短程相互作用机制评估其局部影响力。所提方法无需可调参数、具备可解释性且计算高效，仅需一个固定的小引力半径（R=3），因而适用于大规模且异构的网络。在九个真实网络上开展的实验表明，相较于八种前沿方法，该框架在准确性、分辨率和计算简洁性方面均持续优于现有技术。结果凸显了引力-拟拉普拉斯范式作为识别复杂网络关键节点的一种可靠且可扩展工具的有效性。

从配送机器人到四足机器人的城市具身人工智能代理正日益遍布我们的城市，在复杂的街道环境中导航以提供最后一公里的连接服务。训练此类代理需要多样且高保真的城市环境以实现规模化，然而现有的人工构建或程序生成的仿真场景要么缺乏可扩展性，要么无法捕捉真实世界的复杂性。我们提出了UrbanVerse，一种数据驱动的真实世界到仿真系统，能够将众包的城市观光视频转化为具备物理感知和交互能力的仿真场景。UrbanVerse包含：(i) UrbanVerse-100K，一个包含超过10万项标注的城市三维资产库，具有语义与物理属性；(ii) UrbanVerse-Gen，一种自动化的流程，从视频中提取场景布局，并利用检索到的资产快速构建度量尺度的三维仿真环境。在IsaacSim中运行，UrbanVerse提供了来自24个国家的160个高质量构建场景，以及一组由艺术家精心设计的10个测试场景基准。实验表明，UrbanVerse场景保留了真实世界的语义与布局，其人类评估的逼真度与手工制作场景相当。在城市导航任务中，基于UrbanVerse训练的策略展现出显著的缩放规律和强泛化能力，在仿真环境中成功率提升6.3%，在零样本的仿真到现实迁移中提升30.1%，仅需两次干预即完成300米的真实世界任务。

近期基于大语言模型（LLM）的多智能体城市仿真器虽能生成语义丰富的城市日常行为，但其扩展成本高昂，且常缺乏对真实世界出行模式的实证验证。本文提出 CityBehavEx——一个交互式 LLM 辅助城市仿真平台，支持城市规模人口量级的仿真，开放智能体行为以供检查，支持实证验证，并生成在空间、时间及语义分布上更贴近真实世界出行模式的结果。CityBehavEx 并非为每个智能体动作调用大语言模型，而是将成熟的人类移动性模型与微调后的跨编码器（cross-encoder）相结合，用于评估智能体画像、日程安排及活动转换之间的语义一致性。该设计实现了大规模仿真能力，如案例研究所示：在单块消费级 GPU 上，仅用不到一小时即完成覆盖 100,000 名智能体、持续 75 天的仿真。该平台支持用户定义仿真区域、启动实验、检查轨迹与活动序列、调试不合理的智能体行为，并依据真实世界的出行、时间使用及语义指标验证所生成日常行为的合理性。

人类合作是一种被广泛研究的现象，迄今已有多种解释，包括网络互惠机制以及融合社会与认知因素的行为机制。本研究考察了从众行为与网络结构对空间公共品博弈（Public Goods Game）中合作演化所起的联合影响。通过为智能体赋予不同的个体收益敏感度及邻域行为敏感度，我们在规则网络与复杂网络两类拓扑结构上探究了该异质种群的合作动力学。结果表明，从众行为与各类网络固有特征之间的相互作用可导致截然不同的结果：在规则拓扑中促进合作，而在异质性网络中则可能产生零效应甚至负效应。

格兰杰因果关系（Granger causality, GC）是一种广泛使用的统计方法，用于推断复杂网络中所测时间序列之间的定向影响，但其对高阶（非成对）相互作用敏感，而此类相互作用从根本上塑造了网络的集体动力学。本研究提出格兰杰因果关系的部分分解（Partial Decomposition of Granger Causality, PDGC），该工具可揭示生理网络子系统间信息流模式中的冗余性与协同性因果相互作用。PDGC 基于部分信息分解（partial information decomposition）框架，将从一组驱动随机过程到目标过程的多元 GC 分解为三类成分：仅由各驱动变量单独携带的独特效应、被多个驱动变量以相同方式携带的冗余效应，以及由若干驱动变量共同携带但任一驱动变量单独均无法携带的协同效应。计算基于扩展至频域的多元状态空间模型，从而可在特定生理相关频段及经全频段积分后的时域中评估 PDGC。在基准仿真数据上的验证表明，独特、冗余与协同 GC 指标能够准确反映底层因果机制，且具备计算可靠性。将其应用于动脉压、呼吸、脑血流速度及心率周期变异性数据，揭示了易发生神经介导性晕厥的患者与健康对照者在体位应激反应中存在显著差异。从频谱 GC 中提取高阶因果模式，有助于在诸多数据驱动的网络科学应用中解析振荡过程间多元相互作用背后的因果影响机制。

有向网络广泛存在于生物、社会、信息及工程系统中，但多数分析将有向性视为二元属性：一个网络要么是有向无环图（DAG），要么不是。这种二元分类掩盖了真实系统中所蕴含的丰富层次性、循环性与模块化结构。本文实证评估了DAG性框架——一种包含四个分量的度量方法，用于量化107个来自十二个结构多样性领域的网络在无环性、流向一致性、循环局部性及路径复杂性四个维度上的特征。我们的结果并未沿袭传统学科边界，而是揭示出跨领域意外收敛现象：不同系统普遍归为四种普适性结构原型。我们发现，宏观尺度上的无环性即使在富含反馈的系统中亦普遍存在；而神经连接组与抽象信息网络等迥异领域，也常受制于相同的拓扑约束。这些发现表明，DAG性为理解复杂系统中有向结构的潜在规律提供了一种统一、可解释且领域无关的分析视角。

《计算机、环境与城市系统》；第85卷；第101569页；2021年发表；出版机构Pergamon

快速城市化给可持续发展目标带来了巨大挑战，如资源过度开发和人口激增。传统的元胞自动机（CA）模型被广泛用于独立模拟空间特征的变化，例如土地利用、人口分布、经济产出等。然而，大多数CA模型依赖历史数据作为静态驱动因子来预测未来情景，忽略了发展过程中多种特征之间的相互耦合影响。为解决这一问题，本研究提出一种空间协同模拟（SCS）方法，用于模拟土地利用、人口与经济的变化。SCS方法首先通过独立的CA模型获取各特征的初始状态；随后，将其他两个特征的模拟结果作为动态更新的驱动因子，而非静态的历史数据，以捕捉多特征在发展过程中的相互耦合效应。该过程迭代进行，直至各特征变化收敛，最终输出模拟结果。在粤港澳大湾区的模拟实验表明，SCS方法能够有效捕捉多要素的协同演化过程，优于基准方法。该方法具备预测未来发展趋势的能力，有助于支持空间规划与基础设施协同发展。

该模型为空间经济学中若干经验观测现象提供了理论解释。通过将系统表征为由固定大小土地单元构成的复杂网络，各单元间通过港口活动间的贸易相互连接，从而导出城市规模与土地价值分布等高阶模式。模型预测了经验观测到的土地价值密度空间分布以及城市集群价格的空间分布。为将土地价值与人口（一种常见可观测量）关联起来，我们还证明：在城市集群层面，累积土地价值与人口之间存在线性关系。

时间序列数据对众多应用至关重要，但高质量数据集的获取常受限于隐私顾虑、采集成本及标注难题。合成时间序列生成已成为应对上述限制的一种有前景的方法。本研究探讨利用复杂网络映射进行合成时间序列生成，重点关注分位数图（Quantile Graph, QG）表示及其逆映射。尽管逆QG映射此前已被提出，但其作为通用数据生成器的潜力尚未得到系统性评估。我们通过一项全面的实证研究填补这一空白，从保真度与实用性两方面评估逆分位数图（InvQG）框架所生成合成时间序列的性能。评估结合统计特征分析、基于网络的拓扑特性分析，以及在下游聚类与分类任务中的表现，并使用模拟数据集与真实世界数据集进行验证。结果表明，InvQG能有效保持多种模型下的边缘分布及短期时间依赖性，但在捕捉长程依赖或高阶动力学方面表现出可预期的局限性。