Complex networks are composed of a large number of interacting nodes. Examples of complex networks include the topology of the Internet, connections between websites or web pages in the World Wide Web (WWW), and connections between participants in social networks.Due to their ubiquity, modeling complex networks is importantfor answering many research questions that cannot be answered without a mathematical model. For example, mathematical models of complex networks can be used to find the most vulnerable nodes to protect during a virus attack in theInternet, to predict connections between websites in the WWW, or to find members of different communities insocial networks. Researchers have analyzed complex networksand concluded that they are distinguished from other networks by four specific statistical properties. These four statistical properties are commonly known in this field as: (i) thesmall world effect,(ii) high average clustering coefficient, (iii) scale-free power law degree distribution, and (iv) emergence of community structure. These four statistical properties are further described later in this dissertation. Mostmodels used to generate complex networks attempt to produce networks with these statistical properties. Additionally, most of these network models generate homogeneous complex networks where all the networknodes are considered to have the same properties. Homogenous complex networks neglect the heterogeneous nature ofthe nodes in many complexnetworks. Moreover, somemodels proposed for generating heterogeneous complexnetworks are not general as they make specific assumptions about the properties of the network.Including heterogeneity in the connection algorithm of a modelwould makeitmore suitable for generating the subset of complex networks that exhibit selective linking.Additionally, all modelsproposed, to date, for generating heterogeneous complex networks do not preserve all four of the statistical properties of complexnetworks stated above. Thus, formulation of a model for the generation of general heterogeneous complex networkswith characteristics that resemble as much as possible the statistical properties common to the real-world networks that have received attention from the research community is still an open research question. In this work, we propose two new types of models to generate heterogeneous complex networks. First, we introduce the Integrated Attribute Similarity Model (IASM). IASM uses preferential attachment(PA) to connect nodes based on a similarity measure for node attributes combined with a node's structural popularity measure. IASM integrates the attribute similarity measure and a structural popularity measure in the computation of the connection function used to determine connectionsbetween each arriving (newly created) node and the existing(previously created or old) network nodes. IASM is also the first model known to assign an attribute vector having more than one element to each node, thus allowing different attributes per node in the generated complex network. Networks generated using IASM have a power law degree distribution and preserve the small world phenomenon. IASM models are enhanced to increase their clustering coefficient using a triad formation step (TFS). In a TFS, a node connects to the neighbor of the node to which it was previously connected through preferential attachment, thus forming a triad. The TFS increases the number of triads that are formed in the generated network which increases the network's average clustering coefficient. We also introduce a second novel model,the Settling Node Adaptive Model (SNAM). SNAM reflects the heterogeneous nature of connectionstandard requirements for nodes. The connectionstandard requirements for a noderefers to the values of attribute similarity and/or structural popularityof old node ythat node new xwould find acceptable in order to connect to node y.SNAM is novel in that such a node connection criterion is not included in any previous model for the generation of complex networks. SNAM is shown to be successful in preserving the power law degree distribution, the small world phenomenon, and the high clustering coefficient of complex networks. Next,we implement a modification to the IASM and SNAM models that results in the emergence of community structure.Nodes are classified into classes according to their attribute values. The connection algorithm is modified to include the class similarity values between network nodes. This community structure model preservesthe PL degree distribution, small world property, and does not affect average clustering coefficient values expected from both IASM and SNAM. Additionally, the model exhibits the presence of community structure having most of the connections made between nodes belonging to the same class with only a small percent of the connections made between nodes of different classes. We perform a mathematical analysis of IASM and SNAM to study the degree distribution for networks generated by both models. This mathematical analysis shows that networks generated by both models have a power law degree distribution. Finally, we completed a case study to illustrate the potential value of our research on the modeling of heterogeneous complex networks. This case study was performed on a Facebook dataset. The case study shows that SNAM, with some modifications to the connection algorithm, is capable of generating a network with almost the same characteristics as found for the original dataset. The case study providesinsight on how the flexibility of SNAM's connection algorithm can be an advantagethat makes SNAM capable of generating networks with different statistical properties. Ideas for future research areas includestudyingthe effect of using eigenvector centrality, instead of degree centrality, on the emergence of community structure in IASM; usingthe nodeindex as an indication for its order of arrival to the network and distributing added connections fairly among networknodes along the life of the generated network; experimenting with the nature of attributesto generatea more comprehensive model; and usingtime sensitive attributes in the models, where the attribute can change its value with time, / Ph. D.

Complex systems in areas such as biology, physics, social science, and technology are extensively modeled as networks due to the rich set of tools available for their study and analysis. In such networks, groups of nodes that correspond to functional units or those that share some common attributes result in densely connected structures called communities. Community formation is an inherent process, and it is not easy to detect these structures because of the complex ways in which components of these systems interact. Detecting communities in complex networks is important because it helps us to understand their internal dynamics better, thereby leading to significant insights into the underlying systems. Overlapping communities are formed when nodes in the network simultaneously belong to more than one community, and it has been shown that most real networks naturally contain such an overlapping community structure. In this thesis, I introduce a new approach to overlapping community detection called IDLE that incorporates ideas from another interesting problem: the identification of influential spreaders. Influential spreaders are nodes that play an important role in the propagation of information or diseases in networks. Research suggests that the main core identified by k-core decomposition techniques are the most influential spreaders. In my approach, I use these k-cores as candidate seeds for local community detection. Following a well-defined seed selection process, IDLE builds and prunes their corresponding local communities. It then augments the resulting local communities and puts them together to obtain the global overlapping community structure of the network. My approach improves on the current local community detection techniques, because they use either random nodes or maximal k-cliques as seeds, and they do not focus explicitly on detecting overlapping nodes in the network. Hence their results can be significantly improved in building ground-truth overlapping communities. The results of my experiments on real and synthetic networks indicate that IDLE results in enhanced overlapping community detection and thereby a better identification of overlapping nodes that could be important or influential components in the underlying system. / Master of Science

-

Understanding the role of structural patterns within complex networks is essential to establish the governing principles of such networks. Social networks, biological networks, technological networks etc. can be considered as complex networks where information processing and transport plays a central role. Complexity in these net works can be due to abstraction, scale, functionality and structure. Depending on the abstraction each of these can be categorized further. Gene regulatory networks are one such category of biological networks. Gene regulatory networks (GRNs) are assumed to be robust under internal and external perturbations. Network motifs such as feed-forward loop motif and bifan motif are believed to play a central role functionally in retaining GRN behavior under lossy conditions. While the role of static characteristics like average shortest path, density, degree centrality among other topological features is well documented by the research community, the structural role of motifs and their dynamic characteristics are not xiii well understood. Wireless sensor networks in the last decade were intensively studied using network simulators. Can we use in-silico experiments to understand biological network topologies better? Does the structure of these motifs have any role to play in ensuring robust information transport in such networks? How do their static and dynamic roles differ? To understand these questions, we use in-silico network models to capture the dynamic characteristics of complex network topologies. Developing these models involve network mapping, sink selection strategies and identifying metrics to capture robust system behavior. Further, I studied the dynamic aspect of network characteristics using variation in network information flow under perturbations defined by lossy conditions and channel capacity. We use machine learning techniques to identify significant features that contribute to robust network performance. Our work demonstrates that although the structural role of feed-forward loop motif in signal transduction within GRNs is minimal, these motifs stand out under heavy perturbations.

O grande volume de informação textual sendo gerado a todo momento torna necessário o aprimoramento constante de sistemas capazes de classificar textos em categorias específicas. Essa categorização visa, por exemplo, separar notícias indexadas por mecanismos de buscas, identificar a autoria de livros e cartas antigas ou detectar plágio em artigos científicos. As técnicas de classificação textual existentes, baseadas em conteúdo, apesar de conseguirem uma boa performance quantitativamente, ainda apresentam dificuldades em lidar com aspectos semânticos presentes nos textos escritos em língua natural. Neste sentido, abordagens alternativas vem sendo propostas, como as baseadas em redes complexas, que levam em consideração apenas o relacionamento entre as palavras. Neste estudo, aplicamos a modelagem de textos como redes complexas e utilizamos as métricas extraídas como atributos para classificação, utilizando um problema de reconhecimento de autoria para ilustrar a aplicação das técnicas descritas ao longo deste texto / The large volume of textual information being generated at all times makes it necessary to constantly improve systems capable of classifying texts into specific categories. This categorization aims, for example, to separate news items indexed by search engines, identify authorship of old books and letters, or detect plagiarism in scientific articles. Existing textual classification techniques, based on content, despite achieving good quantitative performance, still present difficulties in dealing with semantic aspects present in texts written in natural language. In this sense, alternative approaches have been proposed, such as those based on complex networks, which take into account only the relationship between words. In this study, we applied text modeling as graphs and extracted metrics typically used in the study of complex networks to be used as classifier attributes. To illustrate these techniques, a problem of authorship recognition in small texts was chosen as an example

O avanço das pesquisas em redes complexas proporcionou desenvolvimentos significativos para a compreensão de sistemas complexos. Uma rede complexa é modelada matematicamente por meio de um grafo, onde cada vértice representa uma unidade dinâmica e suas interações são simbolizadas por um conjunto de arestas. Para se determinar propriedades estruturais desse sistema, caminhadas aleatórias tem-se mostrado muito úteis pois dependem apenas de informações locais (vértices vizinhos). Entre elas, destaca-se o passeio auto-excludente (SAW) que possui a restrição de não visitar um vértice que já foi alcançado, ou seja, apresenta memória do caminho percorrido. Por este motivo o SAW tem apresentado melhores resultados do que caminhantes sem restrição, na exploração da rede. Entretanto, por não se tratar de um processo Markoviano ele apresenta grande complexidade analítica, tornando indispensável o uso de simulações computacionais para melhor compreensão de sua dinâmica em diferentes topologias. Mesmo com as dificuldades analíticas, o SAW se tornou uma ferramenta promissora na identificação de estruturas de comunidades. Apesar de sua importância, detecção de comunidades permanece um problema em aberto devido à alta complexidade computacional associada ao problema de optimização, além da falta de uma definição formal do significado de comunidade. Neste trabalho, propomos um método de detecção de comunidades baseado em SAW para extrair uma estrutura de comunidades da rede otimizando o parâmetro modularidade. Combinamos características extraídas desta dinâmica com a análise de componentes principais para posteriormente classificar os vértices em grupos por meio da clusterização hierárquica aglomerativa. Para avaliar a performance deste novo algoritmo, comparamos os resultados com outras quatro técnicas populares: Girvan-Newman, Fastgreedy, Walktrap e Infomap, aplicados em dois tipos de redes sintéticas e nove redes reais diversificadas e bem conhecidas. Para os benchmarks, esta nova técnica produziu resultados satisfatórios em diferentes combinações de parâmetros, como tamanho de rede, distribuição de grau e número de comunidades. Já para as redes reais, obtivemos valores de modularidade superior aos métodos tradicionais, indicando uma distribuição de grupos mais adequada à realidade. Feito isso, generalizamos o algoritmo para redes ponderadas e digrafos, além de incorporar metadados à estrutura topológica a fim de melhorar a classificação em grupos. / The progress in complex networks research has provided significant understanding of complex systems. A complex network is mathematically modeled by a graph, where each vertex represents a dynamic unit and its interactions are symbolized by groups of edges. To determine the system structural properties, random walks have shown to be a useful tool since they depend only on local information (neighboring vertices). Among them, the selfavoiding walk (SAW) stands out for not visiting vertices that have already been reached, meaning it can record the path that has been travelled. For this reason, SAW has shown better results when compared to non-restricted walkers network exploration methods. However, as SAW is not a Markovian process, it has a great analytical complexity and needs computational simulations to improve its dynamics in different topologies. Even with the analytical complexity, SAW has become a promising tool to identify the community structure. Despite its significance, detecting communities remains an unsolved problem due to its high computational complexity associated to optimization issues and the lack of a formal definition of communities. In this work, we propose a method to identify communities based on SAW to extract community structure of a network through optimization of the modularity score. Combining technical features of this dynamic with principal components analyses, we classify the vertices in groups by using hierarchical agglomerative clustering. To evaluate the performance of this new algorithm, we compare the results with four other popular techniques: Girvan-Newman, Fastgreedy, Walktrap and Infomap, applying the algorithm in two types of synthetic networks and nine different and well known real ones. For the benchmarks, this new technique shows satisfactory results for different combination of parameters as network size, degree distribution and number of communities. As for real networks, our data shows better modularity values when compared to traditional methods, indicating a group distribution most suitable to reality. Furthermore, the algorithm was adapted for general weighted networks and digraphs in addition to metadata incorporated to topological structure, in order to improve the results of groups classifications.

Por muitos anos, a ciência tratou todas as redes como se seus relacionamentos fossem estabelecidos de forma randômica, ou seja, a maioria dos nós teriam aproximadamente o mesmo número de relacionamentos. Porém, o mapeamento de uma variedade de sistemas revelou que a maioria dos nós tinha poucos relacionamentos, enquanto alguns nós têm uma grande quantidade de conexões. Processos microscópicos dinâmicos e estatísticos são duas facetas de sistemas complexos, que estão intimamente ligadas, e a compreensão da sua interdependência é importante tanto para a previsão quanto planejamento estratégico. Os exemplos mais proeminentes incluem o ruído do tráfego em redes de comunicação, sinais ruidosos em sistemas desordenados e auto-organizados, e as séries temporais das flutuações dos preços nos mercados financeiros. Neste trabalho foram analisadas não apenas características globais do tráfego de pacotes em redes complexas, como a presença ou não de congestionamento na rede como um todo, mas também as características locais (isto é, de roteadores específicos) do tráfego no ponto de transição entre a fase livre e a fase de congestionamento. Os resultados mostram, entre outros, que a transição de um estado livre de congestionamento para o estado congestionado de um nó ocorre quando o coeficiente de detrended fluctuation analysis da série temporal do número de pacotes na fila de espera do nó é próximo do valor crítico de 1. / For many years the science networks all treated as if their relationships were set at random, that is, most of us have approximately the same number of relationships. However, the mapping in a variety of systems revealed that most of us had a few relationships, while some of us have a lot of connections. Dynamic and statistical microscopic processes are two facets of complex systems, which are closely linked, and understanding of their interdependence is important both for predicting as strategic planning. Prominent examples include traffic noise in communication networks, noisy signals in disordered systems and self-organized, and the time series of price fluctuations in financial markets. This work analyzed not only the overall characteristics of package traffic in complex networks and the presence or absence of congestion on the network as a whole, but also the local characteristics (ie, specific routers) of the traffic at the point of transition from the free phase, and congested phase. The results show, among others, that the transition from free to congested traffic in a node happens when the detrended fluctuation analysis coefficient of the time series of the number of waiting packets is close to the critical value of 1.

A extinção de grandes mamíferos terrestres no final do Pleistoceno (entre 50 e 11 mil anos atrás) é um dos temas mais debatidos em ecologia. A maioria dos estudos sobre as causas das extinções do Pleistoceno tem como foco o papel de fatores externos como mudanças climáticas e a chegada do homem. Entretanto, a forma como uma comunidade ecológica responde a perturbações depende de suas propriedades, como o número e composição de espécies e a forma como essas espécies interagem. O objetivo final dos estudos reunidos nessa tese foi entender como estavam organizadas as interações ecológicas entre os mamíferos do Pleistoceno e o possível papel dessas interações no episódio de extinção da megafauna. Em primeiro lugar adaptei modelos de teias tróficas para reproduzir redes formadas por diferentes tipos de interações entre consumidores e recursos. Em seguida, utilizei esses modelos para reconstruir redes de interação entre predadores e presas da megafauna do Pleistoceno e examinei as propriedades estruturais e dinâmicas dessas redes. Por fim, investiguei uma das possíveis consequências da extinção da megafauna: a perda de serviços de dispersão de sementes. Os resultados aqui apresentados mostram que (i) diferentes tipos de redes de interação entre consumidores e recursos compartilham características estruturais e podem ser reproduzidas por modelos de teias tróficas; (ii) redes de interação entre grandes mamíferos do Pleistoceno estavam, provavelmente, estruturadas de forma similar aos sistemas atuais na África. Entretanto, as comunidades do Pleistoceno seriam especialmente vulneráveis às mudanças estruturais e na dinâmica causadas pela chegada de um predador como o homem; (iii) entre as consequências da extinção do Pleistoceno está a reorganização de outros tipos de rede de interação como as redes de dispersão de sementes. Em conjunto os resultados apresentados aqui enfatizam a importância de considerarmos o possível papel das interações ecológicas em modular os efeitos de perturbações ao estudarmos eventos de extinção / The extinction of large terrestrial mammals during the late Pleistocene (between 50 and 11 kyrs ago) is one of the most debated topics in ecology. Most studies on the causes of Pleistocene extinctions focus on the role of external factors such as climate changes and the arrival of humans. Nevertheless, the way an ecological community responds to perturbations depends on its properties, such as its number of species, species composition and the way these species interact. This thesis encloses studies with the final objective of understanding how ecological interactions between Pleistocene large mammals were organized and the potential role of such interactions in the Pleistocene extinction episode. First, I adapted food-web models to reproduce networks depicting different types of ecological interactions between consumers and resources. Then, I used these models to reconstruct predator-prey interaction networks between Pleistocene large mammals and examined the structural and dynamic properties of these systems. Finally, as an overview of the ecological impacts of Pleistocene extinctions, I discuss one of the possible consequences of the demise of Pleistocene large mammals: the loss of seed-dispersal services. The results presented here show that (i) different types of interaction networks between consumers and resources share structural properties and can be reproduced by food-web models; (ii) interactions between Pleistocene large mammals were most likely structured in a similar way to modern large-mammals assemblages in Africa, but the former were especially vulnerable to the changes in structure and dynamics caused by a newly arriving predator such as humans; (iii) among the consequences of Pleistocene extinctions is the reconfiguration of other types of interaction networks such as seed-dispersal networks. Taken together these findings emphasize how important it is to consider the role of ecological interactions in modulating the effects of perturbations when studying extinctions events

Espécies em comunidades ecológicas estão ligadas por meio de interações. Perturbações tais como flutuações em abundância, podem se propagar de uma espécie para outra espécie, por meio de interações ecológicas. Em consequência, perturbações podem percolar por toda comunidade e afetar todas as espécies, resultando em efeitos em cascata. Comunidades ecológicas diferem tanto em termos de composição de espécies quanto na maneira pela qual as interações estão organizadas dentro das comunidades. Como resultado, diferentes comunidades ecológicas são formadas por redes de interações com estruturas diversas, nas quais as espécies estão ligadas através de forças de interação que variam. Dado que espécies e interações estão sendo perdidas a ritmos alarmantes, é imprescindível compreender a robustez das diferentes comunidades frente a diferentes agentes promotores de extinção. Ademais, para que possamos prevenir o colapso das comunidades e restaurar interações perdidas, é necessário compreender como as comunidades são formadas, e como a robustez dessas comunidades muda com o passar do tempo. Entretanto, ainda não é claro como a estrutura da comunidade está relacionada com efeitos em cascata, e se as diferentes forças de interação entre as espécies afeta a robustez da rede, acelerando ou freiando os efeitos de diferentes promotores de extinção. Nesta tese, eu combinei simulações numéricas, redes teóricas e redes empíricas de interações mutualísticas para as quais existe informação sobre a força de interação entre espécies, para explorar a relação que estrutura e robustez têm com diferentes promotores de extinção e como a robustez dessas redes muda após a restauração de uma comunidade. Primeiramente eu investiguei como a estrutura da rede afeta o tempo até que uma perturbação atinja todas as espécies. O tempo de espalhamento foi usado como um indicador de robustez. Encontrei que as redes são mais robustas a efeitos em cascata quando incorporamos a força de interação das espécies, já que nestas simulações uma perturbação demorou mais tempo para atingir todas as espécies da rede. A riqueza de espécies, modularidade e aninhamento tiveram um forte efeito positivo no tempo de espalhamento da perturbação, independentemente da força de interação. Em seguida, criei redes teóricas com um número fixo de espécies e de interações, o que permitiu que eu isolasse os efeitos que o aninhamento e a modularidade têm na robustez. Explorei como a robustez a diferentes promotores de extinção está relacionada com o aninhamento e com a modularidade. Redes com valores maiores de aninhamento e modularidade apresentaram uma maior robustez a efeitos em cascata, enquanto que redes com valores intermediários de aninhamento foram mais robustas à remoção de espécies. Não encontrei nenhuma relação entre modularidade e remoção de espécies. Mostrei que a robustez depende não só do tipo de promotor de extinção que está sendo avaliado, como da medida de interesse. Por fim, usando uma série temporal de oito anos de redes de planta a polinizadores após a restauração de um habitat na Califórnia (EUA) explorei como a montagem e robustez de comunidades muda com o passar do tempo. Encontrei que as posições que as espécies ocupam na rede são altamente dinâmicas com o passar do tempo, fazendo com que o processo de montagem de comunidades seja pontuado por grandes reorganizações da rede. Não encontrei uma relação entre robustez da rede tempo após a restauração. O conjunto de resultados apresentado e discutido nesta tese contribuí para o entendimento dos mecanismos subjacentes à manutenção da biodiversidade. Para compreendermos como a robustez de diferentes comunidades varia, é necessário considerar não só a espécie per se, mas também as espécies que dependem direta e indiretamente da espécie em questão, a estrutura da comunidade na qual aquela espécie está inserida e também da natureza da perturbação que atinge a comunidade / Species in ecological communities are linked through interactions. Perturbations, such as fluctuations in abundance, can flow from a species to another through ecological interactions. As a consequence, perturbations can ripple across species assemblages resulting in cascading effects that can potentially affect all species in the community. Ecological assemblages differ both in terms of species composition and in the way in which interactions are organized. As a result, different ecological communities form interaction networks that differ both in their structures as well in the interaction strengths connecting pairs of species within networks. Given that species and interactions are being lost at alarming rates, it is imperative to comprehend how robust communities are to extinction drivers. Moreover, if we are to prevent communities\' collapse and restore lost interactions, we have to understand how communities are assembled, as well as if and how robustness change through time. Despite continued effort by ecologists, it remains unclear how community structure is related to cascading effects and whether interaction strength affects network robustness by enhancing or dampening cascading effects due to multiple extinction drivers. In this thesis, I combine empirical data on weighted mutualistic networks, numerical simulations, and theoretical networks to explore how robust different network structures are to different extinction drivers, and how robustness change as networks assemble. First, I investigate how the structure of mutualistic networks affects perturbation spreading time--a proxy of network robustness to cascading effects. I found that networks are more robust to cascading effects when I incorporate interaction strengths, since simulations in which interaction strength was included had higher perturbation spreading times. Species richness, modularity, and nestedness had a strong, positive effect in perturbation spreading time regardless of the interaction strengths. Then, using theoretical networks with a fixed number of species and number of interactions, I was able to disentangle the effects nestedness and modularity have on robustness. I explore how robustness to different extinction drivers, in addition to cascading effects, is related to nestedness and modularity. Networks with greater nestedness and modularity were more robust to cascading effects, whereas networks with intermediate nestedness levels were the most robust to species removal. Modularity had no effect on robustness to species removal. Most importantly, I show that robustness depends not only on the type of extinction driver assessed, but also on the measure being used to quantify robustness. Finally, I use an eight-year dataset of plant-pollination networks following habitat restoration to explore how the assembly of plant-pollinator communities, and their robustness, changes as community assembles. I found that species occupy highly dynamic network positions through time, causing the assembly process to be punctuated by major network reorganizations. There was no relationship between years since restoration and robustness to perturbation spreading and to species removal. Altogether, these results contribute to broaden our understanding of the mechanisms behind biodiversity maintenance. If we are to protect and restore ecological communities, it is essential to consider not only the species per se, but also all species that depend directly and indirectly of that particular species, to unravel the relationship between network structure and community robustness to extinction drivers, and to understand how network structure and robustness changes as communities assemble

As pressões seletivas impostas por interações ecológicas são uma das forças que moldam a adaptação por seleção natural em populações. Entre os resultados possíveis das pressões seletivas impostas por interações está a coevolução, isto é, mudanças evolutivas recíprocas que ocorrem nas populações das espécies que interagem. Um dos principais desafios para a ecologia evolutiva é entender se e como o processo coevolutivo ocorre quando espécies interagem com muitas outras espécies formando redes de interações. Nesta tese desenvolvi, com a ajuda de colaboradores, modelos que descrevem a coevolução entre espécies que interagem de forma antagonista. Interações antagonistas são interações ecológicas interespecíficas que resultam em consequências negativas para a aptidão de indivíduos de uma das espécies envolvidas e positivas para indivíduos da outra espécie. Busquei uma melhor compreensão sobre os mecanismos ecológicos e evolutivos responsáveis pela formação, manutenção e evolução das redes de interação antagonista. Em primeiro lugar, encontrei que a assimetria da seleção influenciou a dinâmica evolutiva em antagonismos. A dinâmica coevolutiva gerou corridas armamentistas quando a intensidade da seleção foi maior sobre as vítimas do que sobre os exploradores. Por outro lado, os valores dos fenótipos flutuaram quando a intensidade da seleção foi maior sobre os exploradores do que sobre as vítimas. No entanto, a dinâmica coevolutiva dependeu da estrutura das redes formadas por antagonistas. Redes aninhadas favoreceram a evolução de resistência em vítimas atacadas por exploradores generalistas. A dinâmica evolutiva também reorganizou as redes de interação e, especialmente em cenários nos quais a seleção favoreceu forte acoplamento fenotípico, formou módulos de espécies interagentes. Em segundo lugar, encontrei que regras de interação baseadas no acoplamento fenotípico ou em barreiras fenotípicas reproduziram a estrutura de redes antagonistas empíricas, mas as duas relações funcionais entre fenótipos e aptidão tenderam a subestimar o aninhamento e superestimar a modularidade das redes empíricas. No entanto, a evolução das características foi diferentemente moldada por essas relações funcionais, sendo mais flutuante no modelo de acoplamento fenotípico e mais direcional no modelo de barreiras fenotípicas. Portanto, a coevolução mediada por diferentes relações funcionais resultou em diferentes dinâmicas coevolutivas mas não teve impacto sobre a organização das redes de interação antagonistas. Em terceiro lugar, estudei como variações nas abundâncias e nos fenótipos estão relacionadas e encontrei que a coevolução rápida mediada por forte pressões seletivas impostas por interações ecológicas pode resultar em uma baixa variabilidade nas abundâncias das populações e alta variabilidade fenotípica. Em contraste, em cenários nos quais a seleção imposta por interações é fraca, encontrei uma alta variabilidade nos tamanhos populacionais e baixa variabilidade fenotípica. Portanto, a rápida resposta evolutiva reduziu as flutuações nos tamanhos populacionais, reduzindo extinções devido a flutuações demográficas. Porém, este resultado foi influenciado pela estrutura da rede: a modularidade aumentou a estabilidade das interações enquanto que o aninhamento esteve associado a maior flutuação demográfica. Por fim, estudei espalhamento de um parasita que infecta diferentes espécies de hospedeiros e que pode ser transmitido por meio da predação de um hospedeiro infectado ou por meio de vetores biológicos. Combinei as diferentes redes antagonistas formadas a partir das interações mediadas por cada mecanismo de transmissão em uma rede de interação múltipla espacialmente explícita. Por meio de um modelo matemático, obtive que a transmissão do parasita é maximizada quando ambos os mecanismos de transmissão são considerados ao mesmo tempo e quando os processos ocorrem com probabilidade semelhante. A análise da cartografia da rede múltipla aliada a simulações de imunização de diferentes tipos de hospedeiros mostraram que a estrutura da rede múltipla pode indicar o papel que cada espécie de hospedeiro desempenha na transmissão do parasita em um determinado ecossistema / Mutualisms are interactions in which organisms of different species exploit each other with net benefits for both interacting individuals. Multispecific mutualistic system can be depicted as interaction networks, such as those formed by plant-pollinator interactions, dispersal systems, species interacting in cleaning stations in reef environments, protective ants in plants, müllerian mimicry, and nitrogen fixing bacteria on the roots of plants. Mutualistic interaction is subject to cheating by individuals who, by means of a diversity of behavioral strategies, achieve the benefit provided by the partner offering nothing or few in return. However, the mutualistic interactions persist despite the existence of cheaters. In this work I show that the parasites of mutualistic interactions increase the resilience of mutualistic networks to disturbances in nested networks, typically found in species-rich mutualisms. Therefore the joint effect of cheating, structure and dynamics of mutualistic networks have implications for how biodiversity is maintained. I subsequently study the conditions under which tubular flowers, which suffer stronger damages when interacting with nectar robbers, can coexist with planar flowers, pollinators, and robbers through indirect effects of cheating on their reproductive success. The theft of nectar may increase the success of a plant if its interactions with robbers generate higher degrees of cross-pollination, thus increasing the reproductive success of plants that interact with both floral visitors. This study suggests a new source of continued cooperation and diversity strategies through non-linear effects of the interactions between different strategies. Finally, I study how local interactions can promote the prevalence of mimic (the cheaters) in a given population in the absence of their models. I found that prey interacting locally may favor the predominance of mimic preys and avoid predators that, after a few generations and under a non-random distribution of individuals in space, can further strengthen this unexpected effect allopatry of the mimic and its model