-
复杂网络用来描述各类复杂系统中组件之间的交互,如大脑网络、经济网络、食物链网络、社交网络、交通网络等。复杂网络上的传播动力学研究通过建立传播模型,对现实中各类传播现象进行定量分析和定性解释,如谣言在人群中的扩散、计算机病毒通过电子邮件传播、流行病在接触网络中的传播等[1],有助于人们解释传播规律和预测关键的传播参量。其中一类传播可以用故障传播模型来描述[2]。如金融网络中少数核心国家的经济危机可能引发全球金融危机[3-4];电力网络中单个设备的故障将导致其他设备由于超载而相继故障,最终造成整个电网瘫痪[5];交通网络中,重要路段的拥堵会引发大面积交通堵塞[6]。故障传播[7-11]可能引发网络中节点的级联失效,最终导致整个系统不能正常运转。
大量的故障传播研究假定节点发生故障后不能恢复到正常状态,其与邻居节点的连边也不可恢复[12]。然而,现实世界中故障节点可能重新恢复正常运转[13]。如因极端天气导致铁路网络中个别线路故障时,维修人员会紧急修复发生故障的线路,以避免整个铁路系统受到大范围影响[14];生物的神经网络中,受损的神经元可以通过自我修复来恢复正常的生理活动[15]。上述过程可以用故障-恢复传播动力学模型来描述[16]。在该模型中,系统中的节点可能因其内在因素而发生内部故障。同时,节点也可能由外部因素引起的故障。发生内部故障和外部故障的节点以不同速率自发恢复。研究发现,故障-恢复传播动力学呈现出丰富的现象,如相变、磁滞和相位翻转[16]。一些工作利用平均场方法描述故障传播动力学过程[17],通过分析参数空间来确定系统的振荡区域[18]。相较于马尔可夫恢复过程,具有记忆效应的非马尔可夫恢复过程的故障-恢复传播模型具有抵抗大规模故障的能力[19]。
上述研究主要在静态网络上展开。实际上,代表个体的节点会根据自身和邻居的状态,发生自适应行为,从而改变网络的拓扑结构[20]。例如在疾病传播过程中,知晓疾病存在的健康人群会避免与感染者接触[21] 。这种现象可以用自适应网络上的疾病传播模型来描述。在该模型中,健康节点以一定速率主动断开与感染邻居节点的连边,并重新连向一个健康节点作为新邻居[22]或者待感染邻居恢复健康后重新与之建立连边[23]。研究发现,在自适应网络上的疾病传播动力学中出现了相变和磁滞现象,自适应行为能够使系统的流行阈值增加[22]。此外一些研究工作将自适应行为与非药物干预措施相结合,研究其对疾病传播动力学的影响。例如,将疫苗接种和自适应行为结合,发现在自适应网络上接种疫苗比在静态网络上接种疫苗更为有效[24];在自适应网络上,隔离策略的效果优于免疫策略[25]。在具有自适应行为的信息传播模型中,知情者与知情邻居断开联系并随机联系其他非知情节点作为新邻居的自适应行为能够使信息更广泛地传播[26-27]。在意识-疾病耦合的双层网络中,意识层的信息扩散会影响疾病层个体的自适应行为[28],由信息的快速扩散引起的个体自适应行为能够有效抑制疾病的传播。
在故障传播过程中,自适应行为也普遍存在。例如,当某条道路出现拥堵时,知晓拥堵的车辆会主动选择替代道路,避免更大规模的交通堵塞。考虑到个体具有根据周围环境状态主动改变自身连接的行为,本文构建自适应网络上的故障-恢复传播动力学模型,研究自适应行为对故障-恢复传播过程的影响。在该模型中,为了降低外部故障发生概率,活跃节点以一定速率主动断开与故障邻居的连边,直到故障邻居节点恢复后才重新连接。基于点对近似方法,我们推导了自适应网络上故障-恢复传播模型的传播动力学方程,理论结果与计算机仿真结果十分吻合。通过对比静态网络和自适应网络上的故障率随时间的演化图,我们发现自适应行为能有效避免节点发生外部故障,从而降低系统整体故障节点比例。自适应行为会影响故障-恢复传播模型的磁滞现象,并使系统由低故障到高故障状态的外部故障速率突变点增大。在自适应的断边速率和外部故障速率的共同作用下,系统出现了低故障区域、高故障区域和受初始故障节点比例影响的双稳态区域。
-
在本节中,我们运用点对近似方法建立自适应网络中故障-恢复传播动力学的演化方程,预测自适应网络中的故障节点比例随时间的演化及稳态故障比例。
-
点对近似方法用一组常微分方程描述传播模型的动力学行为,不仅刻画节点状态的变化,同时考虑存在连接的节点对中两个节点状态之间的关联性,能够更准确地描述网络中的动力学过程。我们基于点对近似方法,建立自适应网络的故障-恢复传播动力学模型。首先定义
$ {[U]_t} $ 为在t时刻不同类型的节点比例;$ {[UV]_t} $ 为在t时刻不同类型未断开连边的比例;$ \widetilde {{{[UV]}_t}} $ 为在t时刻不同类型已断开连边的比例;其中$ U,V \in \left\{ {A,X,Y} \right\} $ 。例如,$ {[A]_t} $ 为在t时刻A状态节点的比例;而$ {[AX]_t} $ 表示在t时刻未断开的AX类型连边的比例;$ \widetilde {{{[AX]}_t}} $ 表示在t时刻已断开的AX类型连边的比例。考虑网络中所有连边,则不同类型连边比例遵循守恒定律,即连边比例应该满足:$\displaystyle\sum\nolimits_{U,V \in \left\{ {A,X,Y} \right\}} ({[UV]_t} + \widetilde {{{[UV]}_t}}) = 1 $ (其中,$ {[UV]_t} = {[VU]_t} $ 和$ \widetilde {{{[UV]}_t}} = \widetilde {{{[VU]}_t}} $ ,$ U \ne V $ ),$ {[AI]_t} = {[AX]_t} + {[AY]_t} $ ,$ \widetilde {{{[AI]}_t}} = \widetilde {{{[AX]}_t}} + \widetilde {{{[AY]}_t}} $ 。$ {E_t} $ 代表A状态节点的故障邻居比例大于$ f $ 的概率;$ E_t^I $ 代表至少连接一个I状态节点的A状态节点的故障邻居比例大于$ f $ 的概率;$ E_t^A $ 代表至少连接一个A状态节点的A状态节点故障邻居比例大于$ f $ 的概率。不同类型节点和连边的比例的演化方程定义为式(1)~式(14),其中公式(1)-(3)为节点的演化方程,式(4)~式(9)为未断开边的演化方程,式(10)~式(14)为已断开边的演化方程。三种节点的演化方程为:$$ \left\{ {\begin{array}{*{20}{l}} {\dfrac{{d{{[A]}_t}}}{{dt}} = - \left( {{\beta _1} + {\beta _2}{E_t}} \right){{[A]}_t}+{\mu _1}{{[X]}_t} + {\mu _2}{{[Y]}_t}}&{(1)} \\ {\dfrac{{d{{[X]}_t}}}{{dt}} = {\beta _1}{{[A]}_t} - {\mu _1}{{[X]}_t}}&{(2)} \\ {\dfrac{{d{{[Y]}_t}}}{{dt}} = {\beta _2}{E_t}{{[A]}_t} - {\mu _2}{{[Y]}_t}}&{(3)} \end{array}} \right. $$ 在A状态节点的演化方程式(1)中,公式右边第一项表示由于A状态节点发生了内部故障和外部故障导致A状态节点减少的比例;第二项表示由于X状态节点恢复增加了A状态节点比例;第三项表示由于X状态节点恢复增加了A状态节点比例。其他节点演化方程同理。传播中未断开边的演化方程为:
$$ \left\{ {\begin{array}{*{20}{l}} \dfrac{{d{{[AX]}_t}}}{{dt}} = {\beta _1}{[AA]_t} - \left( {{\beta _1} + {\beta _2}E_t^I} \right){[AX]_t}\\ \quad + {\mu _1}{[XX]_t} + {\mu _2}{[YX]_t} - {\mu _1}{[AX]_t} - \omega {[AX]_t} & {(4)} \\ \dfrac{{d{{[AY]}_t}}}{{dt}} = {\beta _2}E_t^A{[AA]_t} - \left( {{\beta _1} + {\beta _2}E_t^I} \right){[AY]_t}\\ \quad + {\mu _1}{[XY]_t} + {\mu _2}{[YY]_t} - {\mu _2}{[AY]_t} - \omega {[AY]_t} &{(5)} \\ \dfrac{{d{{[AA]}_t}}}{{dt}} = - 2\left( {{\beta _1} + {\beta _2}E_t^A} \right){[AA]_t} + 2{\mu _1}{[AX]_t}\\ \quad + 2{\mu _2}{[AY]_t} + 2{\mu _1}\widetilde {{{[AX]}_t}} + 2{\mu _2}\widetilde {{{[AY]}_t}} & {(6)} \\ {\dfrac{{d{{[YY]}_t}}}{{dt}} = 2{\beta _2}E_t^I{{[AY]}_t} - 2{\mu _2}{{[YY]}_t}}&{(7)} \\ {\dfrac{{d{{[XX]}_t}}}{{dt}} = 2{\beta _1}{{[AX]}_t} - 2{\mu _1}{{[XX]}_t}}&{(8)} \\ {\dfrac{{d{{[XY]}_t}}}{{dt}} = {\beta _1}{{[AY]}_t} + {\beta _2}E_t^I{{[AX]}_t} - \left( {{\mu _1} + {\mu _2}} \right){{[XY]}_t}}&{(9)} \end{array}} \right. $$ 以AX和AA边为例,式(4)表示未断开的AX类型连边的演化方程。公式右边第一项表示未断开的AA边中一个A状态节点发生了内部故障;第二项表示未断开的AX边的A状态节点发生了内故障或者外部故障;第三项表示未断开的XX边中的一个X状态节点自发恢复;第四项表示未断开的YX边中Y状态节点自发恢复;第五项表示未断开的AX边中的X状态节点自发恢复;最后一项表示未断开的AX边中A状态节点断开了与X状态节点的连边。式(6)表示未断开的AA类型连边的演化方程。公式右边第一项表示未断开的AA边中的一个A状态节点发生了内部故障或者外部故障;第二项表示未断开的AX边和未断开的XA中的X状态节点自发恢复;第三项表示未断开的AY边和YA边中的Y状态节点自发恢复;第四项表示已断开的AX边和已断开的XA边中的X状态节点自发恢复后两个A状态节点重新连接;最后一项表示已断开的AY边和已断开的YA边中的Y状态节点自发恢复后两个A状态节点重新连接。其他未断开边的演化方程同理。已断开边的演化方程为:
$$ \left\{ {\begin{array}{*{20}{l}} \dfrac{{d\widetilde {{{[AX]}_t}}}}{{dt}} = - \left( {{\beta _1} + {\beta _2}E_t^A} \right)\widetilde {{{[AX]}_t}} - {\mu _1}\widetilde {{{[AX]}_t}} \\ \quad + {\mu _2}\widetilde {{{[YX]}_t}} + {\mu _1}\widetilde {{{[XX]}_t}} + \omega {[AX]_t} & {(10)} \\ \dfrac{{d\widetilde {{{[AY]}_t}}}}{{dt}} = - \left( {{\beta _1} + {\beta _2}E_t^A} \right)\widetilde {{{[AY]}_t}} - {\mu _2}\widetilde {{{[AY]}_t}} \\ \quad+ {\mu _1}\widetilde {{{[XY]}_t}} + {\mu _2}\widetilde {{{[YY]}_t}} + \omega {[AY]_t} & {(11)} \\ \dfrac{{d\widetilde {{{[XY]}_t}}}}{{dt}} = {\beta _2}E_t^A\widetilde {{{[AX]}_t}} + {\beta _1}\widetilde {{{[AY]}_t}} - {\mu _1}\widetilde {{{[XY]}_t}} \\ \quad- {\mu _2}\widetilde {{{[XY]}_t}}&{(12)} \\ {\dfrac{{d\widetilde {{{[YY]}_t}}}}{{dt}} = 2{\beta _2}E_t^A\widetilde {{{[AY]}_t}} - 2{\mu _2}\widetilde {{{[YY]}_t}}}&{(13)} \\ {\dfrac{{d\widetilde {{{[XX]}_t}}}}{{dt}} = 2{\beta _1}\widetilde {{{[AX]}_t}} - 2{\mu _1}\widetilde {{{[XX]}_t}}}&{(14)} \end{array}} \right. $$ 以已断开得AX边和XY边为例。式(10)表示已断开AX类型连边的演化方程。公式右边第一项表示已断开的AX边中的A状态节点发生了内部故障或者外部故障;第二项表示已断开AX边的X状态节点自发恢复后两个A状态节点连接;第三项表示已断开的XY边中的Y状态节点自发恢复;第四项表示已断开XX边中的一个X状态节点自发恢复;最后一项表示未断开的AX边中的A状态节点断开了与X状态节点的连边。式(12)表示已断开XY类型连边的演化方程。公式左边第一项表示已断开的AX边A状态节点发生了外部故障;第二项表示已断开AY边的A状态节点发生了内部故障;第三项表示断开XY边的X状态节点发生了自发恢复;最后一项表示断开的XY边的Y状态节点发生了自发恢复。其他已断开边的演化方程同理。通过迭代式(1)~式(14)就可以计算出三种节点的比例随着时间的变化和最终稳态值。
-
仅当A状态节点的故障邻居比例大于等于
$ f $ 时,才会发生外部故障。因此不能简单地将$ \boldsymbol{\beta}_{2} $ 视为A状态节点的外部故障概率。为计算A状态节点真实的外部故障概率,需要先计算A状态节点故障邻居比例大于等于$ f $ 的概率。因此,本小结将计算A状态节点故障邻居比例大于等于$ f $ 的概率,分别用$ {E_t} $ 、$ E_t^I $ 和$ E_t^A $ 来表示。$ {E_t} $ 、$ E_t^I $ 和$ E_t^A $ 分别表示A态节点的故障邻居比例大于$ f $ 的概率、至少连接一个I态节点的A态节点的故障邻居比例大于$ f $ 的概率和至少连接一个A态节点的A态节点故障邻居比例大于$ f $ 的概率。我们考虑了节点存在三类邻居:活跃邻居、未断边的故障邻居和已经断边的故障邻居。$ {E_t} $ 的计算式如下:$$ \begin{split} &{E_t} = \mathop \sum \limits_{{k_1} = 0}^k \mathop \sum \limits_{j = 0}^m C_k^{{k_1}}C_{k - {k_1}}^{k - {k_1} - j}{{\left( {\frac{{\widetilde {{{[AI]}_t}}}}{{{{[A]}_t}}}} \right)}^{{k_1}}}{{\left( {\frac{{{{[AI]}_t}}}{{{{[A]}_t}}}} \right)}^{k - {k_1} - j}}\\ &\qquad\qquad\quad {{\left( {1 - \frac{{{{[AI]}_t}}}{{{{[A]}_t}}} - \frac{{\widetilde {{{[AI]}_t}}}}{{{{[A]}_t}}}} \right)}^j} \end{split} $$ (15) 其中,
$ {k_1} $ 表示断开AI边的边数;$ j $ 表示A状态邻居数;$ m $ 表示健康邻居数上限,$ m = \left\lfloor (1 - f)* (k - {k_1}) \right\rfloor $ ,$ \left\lfloor \bigcirc \right\rfloor $ 为向下取整函数。$ {E_t} $ 中$ C_k^{{k_1}} $ 表示节点度为$ k $ 但断开了与$ {k_1} $ 个故障邻居的连边;$ C_{k - {k_1}}^{k - {k_1} - j} $ 表示剩余$ k - {k_1} $ 连边并有$ k - {k_1} - j $ 个故障邻居节点数;$C_k^{k_1} C_{k-k_1}^{k-k_1-j}\left(\dfrac{\widetilde{[A I]_t}}{[A]_t}\right)^{k_1}\left(\dfrac{[A I]_t}{[A]_t}\right)^{k-k_1-j}\left(1-\dfrac{[A I]_t}{[A]_t}-\dfrac{\widetilde{[A I]_t}}{[A]_t}\right)^j$ 表示节点度为$ k $ 断开了与$ {k_1} $ 个故障邻居的连边且有$ k - {k_1} - j $ 个故障邻居数的概率。$ E_t^I $ 和$ E_t^A $ 以相同的方式计算得出:$$ \left\{ {\begin{array}{*{20}{l}} E_t^I = \displaystyle\sum\limits_{{k_1} = 0}^k \displaystyle\sum\limits_{j = 0}^m C_{k - 1}^{{k_1}}C_{k - {k_1} - 1}^{k - {k_1} - 1 - j}{{\left( {\dfrac{{\widetilde {{{[AI]}_t}}}}{{{{[A]}_t}}}} \right)}^{{k_1}}}\\ \quad{{\left( {\dfrac{{{{[AI]}_t}}}{{{{[A]}_t}}}} \right)}^{k - 1 - {k_1} - j}}{{\left( {1 - \dfrac{{\widetilde {{{[AI]}_t}}}}{{{{[A]}_t}}} - \dfrac{{{{[AI]}_t}}}{{{{[A]}_t}}}} \right)}^j}&\qquad\qquad{(16)} \\ E_t^A = \displaystyle\sum\limits_{{k_1} = 0}^k \displaystyle\sum\limits_{j = 0}^{m - 1} C_{k - 1}^{{k_1}}C_{k - {k_1} - 1}^{k - {k_1} - 1 - j}{{\left( {\dfrac{{\widetilde {{{[AI]}_t}}}}{{{{[A]}_t}}}} \right)}^{{k_1}}}\\ \quad{{\left( {\dfrac{{{{[AI]}_t}}}{{{{[A]}_t}}}} \right)}^{k - 1 - {k_1} - j}}{{\left( {1 - \dfrac{{\widetilde {{{[AI]}_t}}}}{{{{[A]}_t}}} - \dfrac{{{{[AI]}_t}}}{{{{[A]}_t}}}} \right)}^j}&\qquad\qquad{(17)} \end{array}} \right. $$
The failure-recovery propagation dynamics with adaptive behavior in complex networks
-
摘要: 在故障-恢复动力学中,节点受内部或外部因素而故障失效后能够有概率自发恢复。考虑到未故障的节点存在避免故障的自适应行为,建立自适应网络上的故障-恢复模型。在该模型中,活跃节点为了改善自身局域环境以降低外部故障概率,将主动断开与故障邻居的连边,直到故障邻居恢复正常工作后再重新建立连接。基于点对近似思想建立了理论框架,用于预测故障率的时间演化趋势和系统的最终故障规模。大量的计算机仿真结果验证了理论预测的准确性,并发现系统具有相变和磁滞现象。在不同的自适应断边速率和外部故障速率下,自适应行为能使系统的磁滞区域产生或消失,系统将出现受初始故障规模影响的双稳态区域。
-
关键词:
- 故障-恢复传播动力学 /
- 自适应行为 /
- 点对近似 /
- 相变
Abstract: In the failure-recovery dynamics, nodes can recover spontaneously with probability after failure due to internal or external factors. Considering the ability of individual components to actively change their connectivity, we establish a failure-recovery propagation model on adaptive networks. In this model, active nodes disconnect from their failed neighbors to improve the local environment and thus reduce the probability of external failure. A theoretical framework based on pairwise approximation is established to predict the time evolution of the failure rate and the final failure size of the system. Numerous computer simulations validate the accuracy of the theoretical predictions and reveal the system’s rich phase transitions and hysteresis phenomena. Adaptive behavior can cause the hysteresis region of the system to appear or disappear under different adaptive edge-cutting rates and external failure rates, and the system exhibits a bistable region that is influenced by the initial failure size. -
[1] DE DOMENICO M, GRANELL C, PORTER M A, et al. The physics of spreading processes in multilayer networks[J]. Nature Physics, 2016, 12: 901-906. doi: 10.1038/nphys3865 [2] SHEKHTMAN L M, DANZIGER M M, HAVLIN S. Recent advances on failure and recovery in networks of networks[J]. Chaos, Solitons & Fractals, 2016, 90: 28-36. [3] GARAS A, ARGYRAKIS P, ROZENBLAT C, et al. Worldwide spreading of economic crisis[J]. New Journal of Physics, 2010, 12(11): 113043. doi: 10.1088/1367-2630/12/11/113043 [4] PARSHANI R, BULDYREV S V, HAVLIN S. Critical effect of dependency groups on the function of networks[J]. Proceedings of the National Academy of Sciences of the United States of America, 2011, 108(3): 1007-1010. [5] BIALEK J W. Why has it happened again? Comparison between the UCTE blackout in 2006 and the blackouts of 2003[C]//Proceedings of the IEEE Lausanne Power Tech. New York: IEEE, 2007: 51-56. [6] LI D Q, FU B W, WANG Y P, et al. Percolation transition in dynamical traffic network with evolving critical bottlenecks[J]. Proceedings of the National Academy of Sciences of the United States of America, 2015, 112(3): 669-672. [7] MOTTER A E, LAI Y C. Cascade-based attacks on complex networks[J]. Physical Review E, 2002, 66(6): 065102. doi: 10.1103/PhysRevE.66.065102 [8] 贾春晓, 李明, 刘润然. 多层复杂网络上的渗流与级联失效动力学[J]. 电子科技大学学报, 2022, 51(1): 148-160. doi: 10.12178/1001-0548.2021184 JIA C X, LI M, LIU R R. Percolation and cascading dynamics on multilayer complex networks[J]. Journal of University of Electronic Science and Technology of China, 2022, 51(1): 148-160. doi: 10.12178/1001-0548.2021184 [9] 谢怡燃, 李国华, 杨波. 基于站点线路数的城市公交网络鲁棒性研究[J]. 电子科技大学学报, 2022, 51(4): 630-640. doi: 10.12178/1001-0548.2021336 XIE Y R, LI G H, YANG B. Study on the robustness of urban bus network based on the number of lines at a station[J]. Journal of University of Electronic Science and Technology of China, 2022, 51(4): 630-640. doi: 10.12178/1001-0548.2021336 [10] 李钊, 郭燕慧, 徐国爱, 等. 复杂网络中带有应急恢复机理的级联动力学分析[J]. 物理学报, 2014, 63(15): 158901. doi: 10.7498/aps.63.158901 LI Z, GUO Y H, XU G A, et al. Analysis of cascading dynamics in complex networks with an emergency recovery mechanism[J]. Acta Physica Sinica, 2014, 63(15): 158901. doi: 10.7498/aps.63.158901 [11] 马秀娟, 赵海兴, 胡枫. 基于超图的超网络相继故障分析[J]. 物理学报, 2016, 65(8): 374-383. doi: 10.7498/aps.65.088901 MA X J, ZHAO H X, HU F. Cascading failure analysis in hyper-network based on the hypergraph[J]. Acta Physica Sinica, 2016, 65(8): 374-383. doi: 10.7498/aps.65.088901 [12] DI MURO M A, LA ROCCA C E, STANLEY H E, et al. Recovery of interdependent networks[J]. Scientific Reports, 2016, 6: 22834. doi: 10.1038/srep22834 [13] HONG S, LV C, ZHAO T D, et al. Cascading failure analysis and restoration strategy in an interdependent network[J]. Journal of Physics A:Mathematical and Theoretical, 2016, 49(19): 195101. doi: 10.1088/1751-8113/49/19/195101 [14] SHANG Y L. Localized recovery of complex networks against failure[J]. Scientific Reports, 2016, 6: 30521. doi: 10.1038/srep30521 [15] TELLER S, ESTÉVEZ-PRIEGO E, GRANELL C, et al. Spontaneous functional recovery after focal damage in neuronal cultures[J]. eNeuro, 2020, 7(1): ENEURO. 0254-ENEURO. 0219.2019. [16] MAJDANDZIC A, PODOBNIK B, BULDYREV S V, et al. Spontaneous recovery in dynamical networks[J]. Nature Physics, 2014, 10: 34-38. doi: 10.1038/nphys2819 [17] BÖTTCHER L, NAGLER J, HERRMANN H J. Critical behaviors in contagion dynamics[J]. Physical Review Letters, 2017, 118(8): 088301. doi: 10.1103/PhysRevLett.118.088301 [18] BÖTTCHER L, LUKOVIĆ M, NAGLER J, et al. Failure and recovery in dynamical networks[J]. Scientific Reports, 2017, 7: 41729. doi: 10.1038/srep41729 [19] LIN Z H, FENG M, TANG M, et al. Non-Markovian recovery makes complex networks more resilient against large-scale failures[J]. Nature Communications, 2020, 11: 2490. doi: 10.1038/s41467-020-15860-2 [20] WANG W, LIU Q H, LIANG J H, et al. Coevolution spreading in complex networks[J]. Physics Reports, 2019, 820: 1-51. doi: 10.1016/j.physrep.2019.07.001 [21] FUNK S, SALATHÉ M, JANSEN V A A. Modelling the influence of human behaviour on the spread of infectious diseases: a review[J]. Journal of the Royal Society, Interface, 2010, 7(50): 1247-1256. doi: 10.1098/rsif.2010.0142 [22] GROSS T, DOMMAR D’LIMA C J, BLASIUS B. Epidemic dynamics on an adaptive network[J]. Physical Review Letters, 2006, 96(20): 208701. doi: 10.1103/PhysRevLett.96.208701 [23] SCANLON H, GEMMER J. Epidemic conditions with temporary link deactivation on a network SIR disease model[EB/OL]. [2022-03-01]. http://arxiv.org/abs/2107.10940. [24] SHAW L B, SCHWARTZ I B. Enhanced vaccine control of epidemics in adaptive networks[J]. Physical Review E, 2010, 81(4): 046120. doi: 10.1103/PhysRevE.81.046120 [25] YANG H, TANG M, ZHANG H F. Efficient community-based control strategies in adaptive networks[J]. New Journal of Physics, 2012, 14(12): 123017. doi: 10.1088/1367-2630/14/12/123017 [26] LIU C, ZHANG Z K. Information spreading on dynamic social networks[J]. Communications in Nonlinear Science and Numerical Simulation, 2014, 19(4): 896-904. doi: 10.1016/j.cnsns.2013.08.028 [27] LIU C, ZHOU N, ZHAN X X, et al. Markov-based solution for information diffusion on adaptive social networks[J]. Applied Mathematics and Computation, 2020, 380: 125286. doi: 10.1016/j.amc.2020.125286 [28] PENG X L, ZHANG Y D. Contagion dynamics on adaptive multiplex networks with awareness-dependent rewiring[J]. Chinese Physics B, 2021, 30(5): 058901. doi: 10.1088/1674-1056/abe1ab