网络是对现实世界复杂系统的抽象表达,其中,节点代表基本的实体单元,连接代表实体间的相互作用关系。通常网络是演化的,这不仅体现在网络拓扑结构的变化,还体现在随之而来的网络功能的动态改变。探讨导致网络拓扑结构变化的原因,以及该变化与网络功能表现的关系,一直是网络科学研究的重要内容。尽管人们做了充分的研究,但是,对于何种机制驱动了网络的这种变化尚不明确。本文针对网络演化及演化过程中的连接机制进行研究,目的是挖掘导致网络在演化过程中连边改变的根本原因,同时对网络拓扑结构变化与网络功能表现之间的关系进行推理。传统的,研究人员通过构造网络机制模型,并试图生成可以近似模拟现实世界网络的人工合成网络,来对网络演化过程中的拓扑组织规则进行解释。此类模型包括小世界模型、无尺度模型、层次结构模型等。但是,这些模型侧重于从网络生成的角度来构造网络拓扑,很少关注对网络在长期演化过程中结构及功能变化的详细描述。另外,这些模型关于连接机制的解释相对简单,有时候不能对复杂的网络连接机制进行解释。同时,随着信息技术与智能通信设备的高速发展,加速了信息在网络实体间的传播,进一步催生了移动通信网络、互联网、全球基础设施网络、物联网、社交网络、生物信息网络等结构与类型的复杂性、动态性和不可解释性。对新态势下这些具体网络连接机制、组织模式、演化规律以及动态性行为的深入探索不仅为研究者带来了空前的机遇同时也带来了严峻的挑战。首先,考虑到网络连接机制推断与演化分析对理解具体网络应用的重要价值,来自不同领域的研究人展开了深入的研究。然而,在面向不同类型应用时,数据类型及属性的多样性给推断与分析任务带来了新的挑战。如何根据实际应用的具体情况抽取关键物理属性因素并融合到现有的拓扑连接机制中,从而提出适用于该应用的网络机制模型值得人们思考。其次,关于网络连接机制的研究不应单纯的考虑网络的拓扑构建,更重要的是结合实际应用理解网络在长期演化过程中结构的变化与功能表现之间联系。再次,关于网络演化及连接机制的另外一个挑战是,如何在获取到的演化机制上添加约束条件或控制因素,进而得到期望的功能表现。这也是人类设计系统的最终目的。此外,传统的研究大都是为了实现对某一时刻静态网络的建模与分析,而面向时序性动态网络的拓扑结构预测更具由挑战性。最后,由于网络类型的多样性以及网络结构的复杂性,单一的连接机制已经不能刻画现有网络应用的复杂连接模式。多种连接机制混合的方法更被推崇。上述挑战中需要解决的核心问题是网络的连接机制,链路预测方法体系恰恰为解决该问题提供了众多的备选方案与实现思路。链路预测指根据现有网络的结构及属性等信息推断网络中任意两个节点之间存在连边的可能性,既包括对未知和未来连边的预测还包括对错误连边的预测。链路预测是认识复杂网络连接机制的重要手段,如果链路预测算法的原理与给定网络形成或演化过程中的连接机制一致,将能够提供准确的预测。因此,可以根据相应链路预测算法的预测结果对潜在的网络连接机制进行评估。目前关于链接预测的研究,无论是基于拓扑结构相似性的方法还是基于网络属性学习的方法;无论是针对静态网络的方法还是针对时序动态网络的方法都已经取得了一系列的重要成果。这些方法为网络演化与连接机制的研究提供了丰富的方法借鉴以及解决现有问题的方案。因此,面对网络演化与连接机制研究中存在的上述挑战,本文以链路预测方法体系为基础,分别针对生物网络、信息网络、基础设施网络等不同类型网络的演化机制进行研究,选取对应类型中的人类脑功能网络、大规模无线传感器网络（WSNs）、Internet等作为典型应用代表,提出了相应的网络演化模型。重点分析并解决了不同应用中数据类型及物理环境对模型连接机制带来的影响,为设计合理的复杂系统和实现对系统的控制提供了重要参考。本文的主要研究成果总结如下:1.研究网络在演化过程中连接机制与功能表现之间的关系。选取生物网络中的人脑功能网络作为对象。分别针对正常人衰老过程和阿尔兹海默病（Alzheimer’s Disease,AD）发病过程中的连接机制进行研究,具体分析变化的网络结构与动态的脑功能特性之间关系。首先,统计两个演化过程中真实的人脑功能网络结构及相关属性的变化。其次,使用拓扑结构和解剖距离来定义节点间的连接概率,根据发现的脑网演化特性,针对两个过程分别提出了用于推断脑网连接机制的演化模型。此外,为了衡量模型生成网络与真实数据网络之间的相似性,设计了用于校验网络间接近程度的相似性指标。最后,相应的实验结果表明,相比传统模型所提模型在网络效益、聚集系数、模块性、度分布等属性方面都能够更精确的模拟真实数据网络。对脑网演化机制的研究为相关人员根据网络结构的变化理解人脑认知功能的改变做出了贡献。2.研究网络演化机制的控制对网络功能表现的影响。选取信息网络中的大规模WSNs作为对象。通过设计合理的连接机制实现大规模WSNs的构建,并通过相应的控制策略实现WSNs中容错能力和能量效益提升的基本目标。首先,将无标度（Scale-Free,SF）拓扑构造策略引入到WSNs的构建中来,从而提升其容错能力。其次,针对以前模型在计算节点间连接概率时只考虑节点度值的现象,提出使用基于局部结构特征的连边策略来构造模型,从而提升了网络的能量效益。然后,在所提出的模型中通过控制节点的剩余能量消耗以及限定最大度容量来平衡节点间的能量消耗。另外,探索了模型生成网络的度分布,并给出了相应的理论推导。最后,实验结果表明,与基于分簇的算法以及其它SF-WSNs算法相比,提出的模型可以生成具有更好容错性和更高能效的大规模WSNs拓扑。3.研究时序网络的拓扑结构演化机制。传统的网络机制模型,在计算节点间连接概率时通常只考虑某一时刻网络的静态拓扑结构。然而现实中的网络通常是时序动态的,非常有必要对时序网络的连接机制进行探讨。Internet是典型的大规模时变系统,它在很大程度上决定了当今社会信息网络的发展,对其演化过程及连接机制的研究具有重要的实际价值。首先,使用多个属性对Internet拓扑结构的演化特性进行了量化分析。其次,同时考虑网络内部的结构特征和时序间网络的动态行为特征,提出了一种时序的Internet演化模型。模型基于矩阵分解的链路预测方法对节点间的相似性进行求解。然后,使用块坐标下降的方法对所提模型进行优化并给出了最优解的求解过程。最后,实验结果表明,所提模型的预测性能要优于其它对比方法,从而为Internet的架构设计、建设以及宏观拓扑结构探测提供了参考。4.研究混合的自适应的网络演化机制。现实世界中的网络连接机制往往是复杂的,且很有可能是由多种机制共同驱动的。仅仅使用单一链路预测算法可能无法实现对网络复杂连接机制的推断。为此,提出了基于多种机制融合的混合链路预测模型。首先,对模型的混合机制策略以及网络的构建步骤进行详细介绍。其次,定义了四种全局属性来衡量模型合成网络与真实数据网络间的相似程度。然后,针对四种目标属性,将混合的链路预测方法抽象为一个多目标优化问题,并使用改进的非支配排序遗传算法寻找混合模型的最优组合方式。最后,通过在大量且多种类型数据集上的实验,验证了所提算法的有效性以及普适性。