Resumo: Nesta dissertação de mestrado estudamos a dinâmica e estrutura de redes complexas. Começamos com uma revisão da literatura de redes complexas, apresentando as métricas de rede e modelos de conectividade mais comuns. Estudamos então em detalhe a dinâmica do modelo das Random Threshold Networks (RTN). Desenvolvemos uma nova aproximação de campo médio para a dinâmica de RTNs, consideravelmente mais simples que aproximações anteriores. Esta nova aproximação é útil de um ponto de vista prático, pois permite a geração de RTNs onde a atividade média da rede é controlável. Fazemos então uma revisão da literatura de redes adaptativas, apresentando alguns modelos de redes adaptativas com características interessantes. Por fim, desenvolvemos dois modelos de redes adaptativas inspirados pela evolução da estrutura neuronal no cérebro. O primeiro modelo utiliza regras simples e uma evolução baseada na remoção de links para controlar a atividade sobre a rede. A inspiração é a remoção de neurônios e conexões neuronais após a infância. Este modelo também consegue controlar a atividade de grupos individuais dentro de uma mesma rede. Exploramos uma variante deste modelo em um espaço bidimensional, onde conseguimos gerar redes modulares e small-world. O segundo modelo utiliza inputs externos para controlar a evolução da topologia da rede. A inspiração neste caso é o desenvolvimento das conexões neuronais durante a infância, que é influenciado por interações com o ambiente. O modelo gera avalanches finitas de atividade, e é capaz de gerar topologias especificas e modulares utilizando regras simples Ver menos

Abstract: In this Masters Dissertation we study the structure and dynamics of complex networks. We start with a revision of the literature of complex networks, presenting the most common network metrics and models of network connectivity. We then study in detail the dynamics of the Random Threshold Network (RTN) model. We develop a new mean-field approximation for the RTN dynamics that is considerably more simple than previous results. This new approximation is useful from a practical standpoint, since it allows the generation of RTNs where the average activity of the network is controlled. We then review the literature of Adaptive Networks, explaining some of the adaptive models with interesting characteristics. At last, we develop two models of adaptive networks inspired by the evolution of neuronal structure in the brain. The first model uses simple rules and a link-removing evolution to control the activity on the network. The inspiration is the removal of neurons and neuronal connections after infancy. This model can also control the activity of individual groups within the same network. We explore a variant of this model in a bi-dimensional space, where we are able to generate modular and small-world networks. The second model uses external inputs to control the topological evolution of the network. The inspiration in this case is the development of neuronal connections during the infancy, which is influenced by interactions with the environment. The model generates finite avalanches of activity, and is capable of generating specific and modular topologies using simple rules Ver menos