点多，关联性复杂，小世界性显著。研究者自然地提出了随机图理论。它虽然是复杂网络的理想化与
f特殊化，但在网络时代的大背景之下，随机图的理论会迎来一个蓬勃发展时期。与此同时，为了推动复杂系统研究的发展，数学的各分支之间，数学与计算机科学、与物理学、与化学、与生命科学等学科与学科之间将打通自20世纪中后期形成的相互孤立的割据。共同谱写出面对共同问题的合作新局面。
随机图理论可以追溯到1960年代由Erdos等人提出的ER模型【4】但真正比较贴近现实的随机图的理论是2001年由Newma
等人。提出的顶点度数任意随机图【5】。该文的基本假设是顶点度数服从powerlaw分布，并且对于一阶矩理论推导与时尚的Simulatio
仿真实验看起来都天衣无缝。特别关于scale－free的图的产生和应用给人耳目一新的感受【6】。该文使得对复杂网络的研究起到了很大的推动作用。如果搜索关键词：Newma
MEJ，Ra
domgraphswitharbitrarydegree，那么搜索引擎Google将给出很多与此相关的内容。由此可见一斑，2001年之后的随机图的理论与应用几乎都深受该文的影响。经过进一步研究并借助于支持向量机78，我们发现了这样一类随机图，它们不是ER随机图，也不是Power－Law分布随机图，而是一种没有中产阶级的马太效应随机图。
随机图不仅仅看作是顶点度数为随机变量的图就满足了。在我们看来，随机图也是概率统计的一个新的生长点，利用图作为框架，将
f
个随机变量（或者随机过程）：ξ1ξ2ξ
看作一个图中的
个节点，
而不是按照传统的方式视为
元随机向量ξ1ξ2ξ
′。
请读者不要不以为然，这对于概率统计而言是革命性的。比如，如果我们手头有
个随机变量（或者随机过程）：ξ1ξ2ξ
，如果没有随机图，概率统计学者会怎样处理它们呢？一般就会“不妨设
ξ1ξ2ξ
它们是彼此独立的”或者往往会通过样本检验发现它们彼此
之间相关性或许较弱（或许较强时剔除一些）而视为彼此不相关，因此将它们可以装入
维随机向量空间。比如Cover在处理股票市场中股票就是这么做的【9】。这样做带来相当大的副作用，那就是忽略了大量的所谓冗余信息，使得数据融合【10】没有用武之地。但最根本的是不适用于处理大部份实际问题。而以图作为框架，将ξ1ξ2ξ
视为图中的
个节点，那么就不存在这样的问题了。特别，如果将图用其邻接矩阵来表示，那么我们可以看到，将ξ1ξ2ξ
装入图的动作，相当于将它们嵌入到一个
2维的嵌入映r