Введение. Область синтетической генерации атрибутированных графов активно развивается благодаря прогрессу в генеративном моделировании. Однако ключевой проблемой современных методов остается ограниченное разнообразие синтезируемых графов, которое зависит от характеристик реальных данных, используемых для обучения генеративных моделей. Также ограничение связано с топологическими свойствами графов и статистическими характеристиками атрибутов, критически влияющими на эффективность графовых моделей машинного обучения. В данной работе проверена гипотеза о том, что комбинация эволюционных алгоритмов и байесовских сетей может обеспечить гибкий контроль над генерацией как топологии, так и атрибутов графа.Метод. Предложенный подход включает два ключевых компонента: эволюционные алгоритмы для управления топологическими характеристиками графа (например, средняя степень вершины, коэффициент кластеризации) и байесовские сети для генерации атрибутов с заданными статистическими параметрами, такими как ассортативность или средняя корреляция между атрибутами. Метод позволяет явно задавать ограничения на свойства графа, обеспечивая вариативность, не зависящую от исходных данных.Основные результаты. Эксперименты подтвердили, что подход способен генерировать атрибутированные графы с широким спектром топологических характеристик и заданными статистическими параметрами атрибутов с достаточно низкой ошибкой генерации.Обсуждение. Результаты демонстрируют перспективность использования эволюционных и байесовских методов для условной генерации графов. Основное преимущество подхода — возможность декомпозиции задачи на независимое управление топологией и атрибутами, что открывает новые возможности для тестирования алгоритмов машинного обучения в контролируемых условиях. Ограничением является вычислительная сложность эволюционной оптимизации, что требует дальнейшей работы по оптимизации алгоритма. В перспективе метод может быть расширен для генерации динамических графов и интеграции с глубокими генеративными моделями.