二维数组是复杂网络的底层存储工具，邻接矩阵用其行列表示节点、元素值表示连接关系；支持无权/有向/带权图，具o(1)查询、缓存友好、可扩容与稀疏优化等优势，并支撑度、路径、聚类、中心性等网络分析。
二维数组本身不是网络模型，而是实现网络结构的底层存储工具。真正构成“复杂网络”的，是顶点间的关系逻辑；二维数组（尤其是邻接矩阵）恰好能清晰、高效地表达这种关系。
邻接矩阵：用二维数组存网络连接
邻接矩阵是最直接的映射方式——行和列代表节点编号，矩阵元素值表示节点间是否存在边或边的权重。
- 无权无向图：matrix[i][j] = 1 表示节点 i 和 j 相连，0 表示不相连；因无向，矩阵对称
- 带权有向图：matrix[i][j] = w（如延迟、距离、强度）表示从 i 到 j 的边权重；w 可为正数、浮点数，甚至用 Double.NaN 或 -1 表示无连接
- 内存与访问优势：连续存储带来良好缓存局部性，O(1) 时间即可判断任意两节点是否连通
支持动态演化：扩容与稀疏优化策略
真实网络常随时间增长（如新增用户、设备接入），纯静态二维数组需主动管理容量。
- 按需扩容：当节点数接近当前矩阵维度时，新建更大二维数组（如从 n×n 扩至 2n×2n），复制旧数据，保留原索引映射
- 稀疏场景替代方案：若网络边数远少于节点数平方（即稀疏图），可结合二维数组 + 哈希映射（如用 HashMap
存每行非零列），避免大量 0 占用空间 - 分块存储：对超大规模网络（如百万级节点），可将邻接矩阵划分为子块，用二维数组列表 List
管理，提升加载与计算局部性
支撑核心网络分析：从矩阵出发算指标
许多复杂网络特性可直接由邻接矩阵运算导出，无需额外建图对象。
- 度计算：无向图中第 i 行（或列）元素之和即为节点 i 的度；有向图中行和为出度，列和为入度
- 路径长度：matrix² 的 (i,j) 元素表示从 i 到 j 的长度为 2 的路径数；通过矩阵幂可估算短路径分布
- 聚类系数近似：对节点 i，统计其邻居间在 matrix 中对应子矩阵的边密度，公式可直接编码为嵌套循环
- 特征向量中心性：可通过幂迭代法在二维数组上原地计算主特征向量，用于识别关键节点
对接实际建模需求：不止是存，更是可演化的结构
二维数组作为载体，需配合业务逻辑才能成为“模型”。例如模拟小世界网络演化：
- 初始化：构建环形邻接矩阵（每个节点连左右 k 个邻居）
- 添加新节点：扩展矩阵行列，按偏好连接规则设置新行/列的非零值
- 层次性约束：限制某类节点只能与特定行号范围内的列建立连接，用 if 判断 + 赋值实现
- 实时查询：任意时刻调用 matrix[i][j] 即得当前连接状态，适合高频读取场景
