基于模块度相似性的二分网络链路预测算法

基于社团结构,提出模块度相似性的二分网络链路预测算法,克服了二分网络在链路预测中丢失社团结构信息的局限性。首先,通过定义二分模块度,利用奇异值分解,将网络中的节点嵌入到欧式空间中的向量。其次,提出二分网络模块度相似性的框架,利用向量余弦相似度定义二分网络节点对之间的模块度相似性指标(MS指标)。最后,基于小提琴图和评价指标AUC,在3个真实网络上进行模拟仿真,与9种链路预测相似性指标进行对比,证明MS指标用于二分网络链路预测具有较高的精度。     

综合时间序列分析和新颖性的信息扩散预测

现有信息扩散预测普遍依赖于社会网络构建,从而引发网络链路估计准确率低,信息扩散预测精度差的问题,为此提出了一种综合时间序列分析和信息新颖性的信息扩散预测方法.通过分析信息在网络节点上扩散随时间的变化特性,对网络节点的全局影响力进行估计,并考虑信息产生至节点受影响的时间差来衡量信息新颖性,进而平移调整节点影响力大小,最终实现信息扩散范围的预测.向斯坦福大学所提供测试数据的实验结果表明,新方法准确稳定地预测了信息扩散范围的实时变化.     

小世界效应加速生物地理学优化的社团识别算法

为提高基于优化方法的网络社团结构识别算法的有效性,设计一种利用小世界效应加速生物地理学优化过程的网络社团结构识别算法. 首先基于矩阵随机编码建立网络社团识别生物地理学优化框架,在栖息地中全局进化地搜索对应于最大化模块度的网络社团划分. 然后,给出基于小世界效应的生物地理学迁移策略,可以加速进化算法的信息交换过程. 最后,运用该算法在现实网络和人工合成网络上进行实验. 结果表明:引入小世界效应能够降低网络社团结构识别算法的收敛时间;在典型现实网络与人工合成网络上运行该算法能够获得较高的模块度值与标准化互信息值;信息交换的拓扑结构能够优化进化算法效率. 应用小世界效应加速生物地理学优化的网络社团识别算法具有较好的可行性与有效性.     

加权网络中基于多路径节点相似性的链接预测

鉴于现有大多数链接预测算法仅考虑了图的局部或全局特性,在预测准确率和计算复杂度上难以均衡,且有关加权网络的链接预测研究相对较少,提出新的加权社会网络链接预测算法(STNMP).引入节点对边权强度的概念,用于度量邻居节点间的局部相似度.提出路径相似性贡献的概念,定义多路径传输节点相似性,用于描述步长为2和3的所有路径及这些路径上的中间节点对于所连接的两个节点的相似性总贡献.在多个真实网络中对算法的有效性进行验证,以AUC作为评价指标,与经典相似性算法CN、Jaccard、AA等进行预测准确率的对比分析.结果显示,针对小规模社会网络,STNMP算法的预测准确率高于现有算法.     

加权网络中基于多路径节点相似性的链接预测

鉴于现有大多数链接预测算法仅考虑了图的局部或全局特性,在预测准确率和计算复杂度上难以均衡,且有关加权网络的链接预测研究相对较少,提出新的加权社会网络链接预测算法(STNMP).引入节点对边权强度的概念,用于度量邻居节点间的局部相似度.提出路径相似性贡献的概念,定义多路径传输节点相似性,用于描述步长为2和3的所有路径及这些路径上的中间节点对于所连接的两个节点的相似性总贡献.在多个真实网络中对算法的有效性进行验证,以AUC作为评价指标,与经典相似性算法CN、Jaccard、AA等进行预测准确率的对比分析.结果显示,针对小规模社会网络,STNMP算法的预测准确率高于现有算法.     

基于弱派系的多层社会网络重叠社团发现算法

针对现有社团发现算法中多层社会网络的重叠社团发现算法较少,且较难检测小型多层网络中社团的问题,提出一种基于弱派系的多层社会网络重叠社团发现算法.算法通过检测与合并网络中的弱派系得到社团发现结果,弱派系的构建综合考虑了节点度和节点邻居间的连接,得到更细粒度的社团结构,并同时适用于无向与有向网络.真实网络的实验结果表明,该算法可有效检测小型多层社会网络中的重叠社团,优于现有的基于局部社团的社团发现算法(local community based community detection algorithm,LC-CDA算法).     

链路预测中的局部相似性指标

链路预测是网络科学中一个重要且充满挑战的研究方向,其在社交网络中的朋友推荐、生物实验中的关系发现、搜索引擎中的链接导航以及电商平台中的商品推荐等领域发挥着不可忽视的作用。链路预测研究兴起的20余年里,各类链路预测算法层出不穷,其中局部相似性指标以其简洁性、可解释性、较低的运算时间、灵活的可扩展性以及有竞争力的预测准确度等优势迅速在多个相关研究领域和实际应用场景中被广泛应用。这些指标大多基于同质性、聚集性、三角闭包等理论在2阶邻居分析框架中提出。但最近10年,局部社团范式理论的提出、赫布律的应用以及针对2阶框架合理性的争议等一系列重要工作的出现极大推动了局部相似性指标的深入研究和发展。该文旨在针对这些新的理论和争议进行梳理和讨论。     

一种基于全局-局部双向驱动的改进果蝇优化算法

为解决传统果蝇优化算法过早收敛、结果不稳定等问题,提出一种基于全局-局部双向驱动的果蝇优化新算法.首先,为综合考虑果蝇群体的全局化驱动信息和果蝇个体的局部化驱动信息,引入先进群组和记忆空间的概念,即在每次迭代过程中,将果蝇种群中表现较好的若干只果蝇定义为先进群组,将每只果蝇经过的若干历史最优位置定义为该果蝇的记忆空间.然后,为避免过早收敛问题,考虑先进群组中所有个体的全局化驱动作用,通过顺序选择果蝇位置向量的各个维度实现果蝇位置更新.最后,为避免种群接近收敛时盲目地进行全局搜索,每只果蝇个体将考虑自身认知经验的局部化驱动作用,通过使用轮盘赌策略选择记忆空间中特定位置并向其靠近以跳出局部最优.针对典型测试函数及网络异常检测仿真的实验结果表明:基于全局-局部双向驱动的果蝇优化算法收敛精度高、稳定性好、收敛速度快,适用于处理网络异常检测中的高维、复杂的优化问题.     

神经网络式电力负荷预测的混合计算

针对BP算法存在的缺陷,如训练速度慢,易收敛于局部极小点及全局搜索能力弱等,利用遗传算法能够进行全局最优化搜索这一特点,提出了一种新的用于BP网络训练的混合算法,即遗传算法与改进的BP算法相结合的混合训练方法.将所提出的混合训练方法应用于神经网络式电力负荷预测中,结果表明:所提出的算法与单一的BP算法相比,不仅可避免陷入局部极小点,而且提高了网络的训练速度和负荷预测精度.     

基于曲线估计的实时曝光图像增强算法

针对曝光错误导致图像质量降低的问题,图像增强旨在不破坏正常曝光区域质量的同时,提高曝光错误区域的质量.然而,在近年来的研究中,使用一个算法解决多种曝光问题并不常见,而且通常需要大量的参数和内存,这不可避免地增加了成本和时间的开销.本文提出了一种新的算法,利用全局-局部感知轻量级Transformer网络和全局-局部光增强曲线,在边缘设备的有限资源下高效的提高图像质量.该轻量级网络主要由全局分支和局部分支两个部分组成.全局分支使用Transformer模块提取最适合的全局参数映射,以区分和调整图像的全局信息.而局部分支获取图像的像素信息,用于估计最佳的局部参数映射.最后,通过迭代运用包含有全局参数映射和局部参数映射的全局-局部光照增强曲线提高了图像质量.在曝光错误数据集上的实验表明：所提出的算法仅需要5%的参数和0.1%浮点运算即可达到与目前STOA算法相当的图像质量,从而显著提高了效率.     

利用局部拓扑信息发现模糊社团结构

根据网络节点的局部拓扑信息,给出了节点与社团的相似度度量方法,提出了一种新的发现网络模糊社团结构的粒子群算法。该算法在迭代过程中依据节点对不同社团的相似度来不断调整粒子的位置向量,减少了搜索的盲目性,提高了搜索效率。对不同规模的计算机生成网络和真实网络进行测试,实验结果表明,该方法能有效、快速的给出网络的模糊社团结构。     

基于改进蚂蚁算法的城市交通最佳路径选择

从现今城市交通网络分布的实际出发,采用改进的蚂蚁算法,通过设定实时更新的链路流量阈值和结点等待时间阈值,并且引入反向蚂蚁来全局更新城市交通路径中的链路流量及结点等待时间等信息,以选择实时的城市交通最佳路径.实验表明本文提出的改进算法获得了较好的效果,比较好的解决了这一问题.     

基于资源传输节点信息耦合度的链路预测方法

现有的基于资源传输的链路预测方法仅考虑了路径信息的影响,却忽略了拓扑信息耦合对资源传输的促进作用。鉴于此,提出了一种基于资源传输节点信息耦合度的链路预测方法。首先根据拓扑信息定义了节点间信息耦合度和资源传输的路径载重量,从两个角度分别对节点间的相似性进行度量;然后为保证融合的科学性,基于链路预测的AUC给出权重,定义了结合节点间资源传输路径载重量和信息耦合度的链路预测方法(TP);最后在6个真实网络上进行数值仿真对比实验,验证方法的可行性与有效性。结果表明,文中所提方法不仅具有更高的预测精度,而且鲁棒性表现良好。     

融合用户行为同步指标的链路预测研究

现有链路预测方法大多基于网络结构相似性及连边的权重特征,没有有效挖掘连边权重形成的时序信息。考虑到两个节点行为的时间同步性往往是由于两个节点存在链接造成的,因此在网络结构的重构研究中通常利用节点的行为同步性来反推它们之间是否存在链接关系。该文尝试将节点同步性信息这一网络重构的方法引入链路预测领域,提出一种网络拓扑相似性上融合节点行为同步指数的链路预测算法。经过两类6种真实网络数据的比较分析,发现该算法可有效提高链路预测准确率,相比现有方法,Precision指标提高了15.3%～68.2%。该研究不仅发现节点局域结构相似性和节点行为同步指数对链路预测的共同影响,也揭示了不同类别真实加权网络的内在结构和动态特征。     

基于多路径传输的动态负载均衡路由算法

针对当前数据中心网络面临的资源分配不够合理、资源利用率低等问题,提出一种基于多路径传输的动态负载均衡路由(multipath transmission-based dynamic load-balanced routing,MTDLR)算法.该算法利用软件定义网络(software-defined networking,SDN)架构集中控制的优势,建立实时全局资源视图,综合考虑多路径的链路带宽均衡度、路径带宽最优度和路由跳数等路径层面因素,为每条数据流选择最优路径.在此基础上,搭建SDN仿真平台进行性能测试,仿真结果表明:在多种拓扑结构的数据中心网络中,MTDLR算法较等价多路径(equal-cost multi-path,ECMP)算法和全局负载均衡(global load balancing,GLB)算法在带宽利用率、吞吐量等方面均有一定程度的提高.     

基于多维属性的跨域虚拟网络映射算法

基于一种支持多类型业务的跨域融合网络架构,提出了一种基于动态拓扑感知和资源属性的跨域虚拟网络映射算法。基于网络局部和全局角度,分析虚拟网络和物理网络中节点的拓扑信息,结合网络扩展资源,建立节点多属性评价模型,并基于该模型利用主成分分析法和逼近理想解排序法度量节点的映射优先级,随后依据链路资源成本分析网络负载状态。仿真结果表明,该算法提高了多域虚拟网络请求的构建成功率,网络收益开销比增大,并能减小网络映射时延。     

OCIGM:面向DTN路由的优化控制信息生成方法

在延迟容忍网络(DTN)中,现有路由算法大多仅考虑网络的局部资源状况进行中继节点的选择,无法使全局网络性能达到最优或次优.对此,提出面向DTN路由的优化控制信息生成方法(OCIGM).该方法能评估不确定的全局网络状态,进而生成对DTN路由的优化控制信息.移动终端根据优化控制信息通过限制消息的副本数调整路由策略.仿真结果表明,喷雾等待路由算法在OCIGM优化控制信息生成方法的作用下,其网络开销、消息丢包率有所降低,消息转发成功率有所提高.     

基于最优刚性子图的势博弈无线传感器网络拓扑优化算法

为了高效的利用网络资源,均衡网络拓扑能耗、剔除网络拓扑冗余链路、降低节点负载、最大化的延长网络的生命周期。本文通过势博弈和最优刚性子图的概念,综合考虑节点的剩余能量、节点的负载及网络拓扑链路的冗余性,设计了一种基于最优刚性子图的势博弈无线传感器网络拓扑优化算法(PGOSG)。首先,根据节点间通信的功率变化,构造节点的功率集合作为博弈的策略集,利用势博弈理论以均衡能耗均衡为目标构建势博弈函数,并使其收敛至纳什均衡点,进而构建初步的网络拓扑结构。然后,利用最优刚性图全局链路数较少,且不损坏网络拓扑结构的特性,在上一步构建的网络拓扑结构上,利用最优刚性子图逐层剔除网络拓扑中的冗余链路,得到最终的网络拓扑结构。仿真实验分析了PGOSG算法的网络拓扑图、链路通信质量、网络鲁棒性以及网络生命周期,并将其与现有的DEBA算法进行了对比。从仿真结果可知：在拓扑结构上,PGOSG算法在网络的通信链路上剔除了网络中的冗余链路,降低了网络中部分节点的负载。在能耗均衡上,博弈算法制定了节点数据转发规则有效的利用了网络资源,均衡了节点能耗、避免节点间冗余转发。因此本文提出的算法能够剔除网络中的冗余链路,降低节点的负载和链路权值,延长网络生存时间。     

面向多源社交网络的社团结构特征研究

为了研究社交网络社团结构对舆情传播的影响,本文对比分析了多源社交网络的社团结构特性及传播特性,并且利用COPRA算法和LFM算法进行了社交网络重叠社团研究,提出一种基于节点度过滤的LFM改进方法——NF-LFM算法。该算法先对好友关系网络中节点度小于某一阈值的节点进行过滤,再对剩下的好友关系网络进行社团划分。研究发现:1)人人网、QQ空间、新浪微博都具有明显的社团结构特性,其中,人人网和QQ空间的社团结构特性强于新浪微博;2)在不考虑社交网络用户活跃度的情况下,舆情信息在人人网上扩散范围最广,新浪微博次之,QQ空间扩散较慢。本文提出的改进方法能解决现有算法社团划分结果分辨率低的问题,且有效弥补了LFM算法在大规模社团发现时陷入无限迭代过程而导致时间复杂度高的缺点,将其应用于经典数据集中也符合理论预期结果。本文的研究结果将有助于进一步理解和认识社交网络社团结构对舆情传播的影响,同时对于网络群体事件发现和舆情监控及引导等具有重要意义。     

面向多源社交网络的社团结构特征研究（研究生论坛）

为了研究社交网络社团结构对舆情传播的影响,本文对比分析了多源社交网络的社团结构特性及传播特性,并且利用COPRA算法和LFM算法进行了社交网络重叠社团研究,提出一种基于节点度过滤的LFM改进方法——NF-LFM算法。该算法对好友关系网络中节点度小于某一阈值的节点进行过滤,再对剩下的好友关系网络进行社团划分。实验结果表明：1）人人网、QQ空间、新浪微博都具有明显的社团结构特性,其中人人网和QQ空间的社团结构特性强于新浪微博;2）在不考虑社交网络用户活跃度的情况下,舆情信息在人人网上扩散范围最广,新浪微博次之,QQ空间扩散较慢。本文提出的改进方法能解决现有算法社团划分结果分辨率低的问题,且有效弥补了LFM算法在大规模社团发现时陷入无限的迭代过程而导致时间复杂度高的缺点,将其应用于经典数据集中也符合理论预期结果。本文的研究结果将有助于进一步理解和认识社交网络社团结构对舆情传播的影响,同时对于网络群体事件发现和舆情监控及引导等具有重要意义。