小世界网络属性

function [SWPdelta_Cdelta_L] = small_world_propensity（A varargin）

% a function for calculating the small world propensity of
% a given network - assumes that matrix is undirected （symmeteric） and if
% not creates a symmetric matrix which is used for the calculations

%NOTE:  This code requires the Bioinformatics Toolbox to be installed
%        （uses graphallshortestpaths.m）

%Inputs:
%   A           the connectivity matrix weighted or binary
%   varargin    a string corresponding to the method of clustering
%               to be used where ‘O‘ is Onnela ‘Z‘ is Zhang 
%               ‘B‘ is Barrat ‘bin‘ is binary （default is Onnela）.
%               If the user specifies binary analysis a 
%               weighted matrix will be converted to a binary matrix 
%               before proceeding.
%        

%Outputs:
%   SWP         the small world propensity of the matrix
%   delta_C     the fractional deviation from the expected culstering coefficient of a
%                   random network
%   delta_L     the fractional deviation from the expected path length of a
%                   random network

%written by Eric Bridgeford and modified by Sarah F. Muldoon

% Reference: Muldoon Bridgeford and Bassett （2015） “Small-World Propensity in Weighted 
%               Real-World Networks“ http://arxiv.org/abs/1505.02194

if isempty（varargin）
    varargin{1} = ‘O‘;
end

if sum（sum（A）） > 0
    
bin_matrix = 0;
if strcmp（varargin{1}‘bin‘） == 1
   bin_matrix = 1;
   A = A > 0;
end

%check to see if matrix is symmeteric
symcheck=abs（A-A‘）;
if sum（sum（symcheck）） > 0
    % adjust the input matrix to symmeterize
    disp（‘Input matrix is not symmetric. Symmetrizing.‘）
    W = symm_matrix（A bin_matrix）;
else
    W=A;
end

%calculate the number of nodes
n = length（W）;  
%compute the weighted density of the network
dens_net = sum（sum（W））/（max（max（W））*n*（n-1））;

%compute the average degree of the unweighted network to give
%the approximate radius
numb_connections = length（find（W>0））;
avg_deg_unw = numb_connections/n;
avg_rad_unw = avg_deg_unw/2;
avg_rad_eff = ceil（avg_rad_unw）;


%compute the regular and random matrix for the network W
W_reg = regular_matrix_generator（W avg_rad_eff）;
W_rand = randomize_matrix（W）;

%compute all path length calculations for the network
reg_path = avg_path_matrix（1./W_reg）;      %path of the regular network
rand_path = avg_path_matrix（1./W_rand）;    %path of the random netowork
net_path = avg_path_matrix（1./W）;          %path of the network

A = （net_path - rand_path）;
if A < 0
    A = 0;
end
diff_path =  A/ （reg_path - rand_path）;
if net_path == Inf || rand_path == Inf || reg_path == Inf
    diff_path = 1;
end
if diff_path > 1
    diff_path = 1;
end


%compute all clustering calculations for the network
reg_clus = avg_clus_matrix（W_regvarargin{1}）;
rand_clus = avg_clus_matrix（W_randvarargin{1}）;
net_clus = avg_clus_matrix（W