优先连接从何而来：链接选择、复制与优化

BA 模型中的新节点需要知道全网所有节点的度，才能按 $k_i/\sum_jk_j$ 选择目标。真实系统中的新网页、新论文、新基因显然没有这种全局信息。下面几种机制只用局部信息或理性权衡，就能“自然地”产生优先连接。

链接选择模型

每步加入一个新节点，随机挑选网络中的一条边，连到这条边的一个端点上。度为 $k$ 的节点是 $k$ 条边的端点，被选中的概率是 $k/(2L)$——恰好是线性优先连接，而新节点只需要“随机碰到一条边”。它说明：按边而不是按节点均匀抽样，本身就会偏向枢纽，这和朋友悖论是同一件事。

复制模型

复制模型（copying model）最初用来描述万维网：新网页的作者往往参考一个相关网页，照搬它的部分链接。规则是：新节点随机选一个已有节点 $u$，

• 以概率 $p$ 直接连到 $u$；
• 以概率 $1-p$ 随机选 $u$ 的一个邻居（复制 $u$ 的一条链接），连到这个邻居。

第二步等价于“沿一条随机边到达的节点”，所以总连接概率为 $$\Pi(k)=\frac{p}{N}+(1-p)\frac{k}{2L},$$ 是线性优先连接加一个均匀项。无向、每步一条边的情形下可得 $\gamma=\dfrac{3-p}{1-p}$（推导见数学推导与算法），$p\to0$ 时回到 3。“复制朋友的朋友”在社交网络、“照抄参考文献”在引文网络中都很自然；在生物学中，基因复制正是一种字面意义上的复制机制（见复制–分化模型）。

三元闭合与可调聚类

Holme 与 Kim（2002）在 BA 模型中加入一步“三元形成”：新节点按优先连接连到某个节点 $u$ 之后，下一条边以概率 $p_t$ 连到 $u$ 的一个随机邻居，从而闭合一个三角形。由于连到 $u$ 的邻居本身就偏向高度节点，度分布仍是 $\gamma\approx3$ 的幂律，但聚集系数可以通过 $p_t$ 调高并在大 $N$ 时保持有限，弥补了 BA 模型聚类过低的缺陷。

优化：成本与收益的权衡

Fabrikant、Koutsoupias 与 Papadimitriou（2002）提出了一个完全不同的思路：枢纽可以来自理性选择而非随机。设节点随机落在单位正方形中，新节点 $i$ 选择使代价 $$C_{ij}=\delta\, d_{ij}+h_j$$ 最小的节点 $j$ 连接，其中 $d_{ij}$ 是物理距离（铺设线路的成本），$h_j$ 是 $j$ 到网络“中心”的网络距离（接入质量）。$\delta$ 很小时，大家都直连中心，形成星形网络；$\delta$ 很大时，只考虑距离，连向最近节点，度分布呈指数衰减；中间区间则出现重尾度分布与枢纽。这类“优化产生重尾”的模型提示：同样的度分布可以来自完全不同的机制，单凭度分布无法区分随机累积优势与带约束的优化。空间代价与拓扑收益的权衡在脑网络中尤其重要（见空间网络与随机几何图）。