指挥控制系统复杂网络特性研究

在科学技术和军事变革的推动下,指挥控制系统得到了快速发展,其结构组成日益呈现复杂性和网络化的特点.基于复杂网络理论和网络中心战思想,通过将系统中的实体和关系转换成网络拓扑的形式,建立起指挥控制系统的网络拓扑模型.并以某指挥所为研究对象,通过实验统计分析的方法,得出其中蕴涵小世界和无尺度特性的结论,进而提出基于复杂网络的指挥控制系统研究思路,为进一步认识和理解系统的复杂性、鲁棒性和自适应性提供了新的角度和方法.     

复杂网络研究

从复杂网络的三个主要度量特征量:平均路径长度、聚集系数、度分布的角度分别介绍了复杂网络中最主要的三种网络模型,即随机网络模型、小世界网络模型和无标度网络模型,并提出了进一步研究的一些方向。     

复杂网络抗毁性优化研究综述

随着对复杂网络认识的不断深入,复杂网络抗毁性的优化策略成为了新的研究热点。文章从拓扑结构、网络容量以及路由策略等三个层次详述了目前国内外复杂网络抗毁性优化策略的研究进展。最后对复杂网络抗毁性研究存在的问题进行了总结,对未来的发展趋势作了展望。     

城市公交复杂网络研究

文中基于复杂网络理论,以公交停靠站点为节点,公交线路作为网络边,构成一个复杂的城市公交网络,研究该城市公交网络上的一些统计特征,就网络的度分布、介数、平均路径长度、聚类系数进行计算并对其进行复杂性分析.结果表明:该城市公共交通网络具有幂率分布特征下的度分布,且具有较小的平均路径长度和较高的聚类系数,说明该城市公共交通网络符合复杂网络无尺度特性,可揭示网络中的Hub节点,加以防范保护,为城市交通系统的正常运转和维护提供科学性指导.     

复杂网络理论研究综述

当前,复杂网络已迅速形成了一门贯穿多领域的交叉性学科,其相关理论被应用于诸多领域.为了解复杂网络的研究现状,首先从复杂网络的定义与统计特性两个角度介绍了复杂网络的基本概念,然后列举了几种典型的复杂网络模型,以及在此基础上对其进行改进后所建立的模型并讨论其优缺点,围绕复杂网络结构特性与网络动力学两个方面进一步分析了当前复杂网络的研究现状并列举了近几年的研究成果,最后得出结论并对复杂网络未来的热点研究方向做出展望.     

基于复杂网络的城市公共交通网络研究

将北京、上海和杭州3个大城市的公共交通网络(常规公交和快速公交)抽象成复杂网络,结合网络图论思想,把公交站点作为节点,站点间的连线作为边,在大量统计数据的基础上,通过Space L和Space P方法研究3大城市的复杂网络特性。统计分析表明,3个城市的公交网络均具有较小的平均路径长度,即典型的小世界特性。其节点的度分布,在Space L方法的描述下具有无标度特性,在Space P方法的描述下具有指数分布特性。通过对Space L和Space P两种描述方法的比较,可以发现对于同样的公交网络,Space P方法描述的网络具有更大的聚类系数和更小的平均路径长度,即具有更强的小世界效应。     

复杂网络抗毁性研究综述

复杂网络的抗毁性直接关系到复杂网络的安全性和可靠性,是近年来复杂网络研究的热点分支。从抗毁性测度、抗毁性分析以及抗毁性优化三方面详细综述了复杂网络抗毁性的研究进展,并对该研究领域存在的问题和未来的发展趋势进行了总结和展望。     

复杂网络及其研究现状概述

复杂网络已成为学术界研究的一个热点,它在工程技术、社会等领域都有着潜在、广泛的应用。近年来．对于复杂网络的研究相继展开。探讨复杂网络的基本特征、分类,就复杂网络的研究现状做简单的概述．旨在对于这个研究新领域进行部分讨论和阐述。     

基于复杂网络理论的电力网络研究初探

本文从复杂网络的统计特征分析电力网络瘫痪的内在原因，并通过复杂网络的动力学特征，研究电力网络的鲁棒性和抗毁性。     

复杂网络在城市公交网络中的实证分析

实证分析是复杂网络研究的一个重要的方向。采用复杂网络研究方法,以上海、北京等城市的公交线路的部分站点和路线为例,分别从公交停靠站点网络、公交换乘网络和公交线路网络角度总结了城市公交网络的复杂网络特性。对复杂网络的静态特征值如平均路径长度、聚类系数、节点度分布等方面进行了统计。结果显示北京和上海的公交网络具有小世界特性,度分布都符合指数分布。北京和上海居民外出的平均换乘次数分别为1.54次和1.9次。     

复杂网络上相继故障研究综述

在复杂网络上,由微小扰动引发的大规模相继故障会导致灾难性后果.为了满足人们对各种关乎国计民生的复杂网络的安全性和可靠性的要求,复杂网络上相继故障研究成为近年来复杂网络研究的热点分支.对相继故障的理论建模是分析、预防和控制相继故障的基础和关键.综述了复杂网络上相继故障的研究进展,主要包括几类相继故障模型及相关的研究结果,并指出目前研究中存在的问题及今后的发展趋势.     

复杂网络的一种快速局部社团划分算法

为了快速准确地寻找大规模复杂网络的社团结构,文中基于节点度优先的思想,提出了一种新的寻找复杂网络中的局部社团结构的启发式算法.该算法的基本思想是从待求节点出发,基于节点的度有选择性的进行广度优先搜索,从而得到该节点所在的局部社团结构.由于该算法仅需要利用到节点的局部信息,因此时间复杂度很低,达到了线性的时间复杂度.将该算法应用于社会学中经典的Zachary网络,获得了满意的结果.最后,还分析了如何对该算法加以改进以进一步提高准确度.     

复杂网络中的社团结构发现方法

社团结构是真实复杂网络异质性与模块化特性的反映。深入研究网络的社团结构有助于揭示错综复杂的真 实网络是怎样由许多相对独立而又互相关联的社区形成的,使人们更好地理解系统不同层次的结构和功能,具有广泛 的实用价值。总结了目前常用的社区发现方法,包括经典的GN算法、模块度优化算法、基于网络动力学的方法以及 统计推断方法;用社区划分基准测试网络Zachary对上述算法进行了实验,对这几类算法的时间复杂度和优缺点进行 了比较分析。最后,对复杂网络的社区结构发现算法的研究进行了展望。     

Discovering Typed Communities in Mobile Social Networks

Mobile social networks,which consist of mobile users who communicate with each other using cell phones,are reflections of people’s interactions in social lives.Discovering typed communities(e.g.,family communities or corporate communities) in mobile social networks is a very promising problem.For example,it can help mobile operators to determine the target users for precision marketing.In this paper we propose discovering typed communities in mobile social networks by utilizing the labels of relationships between users.We use the user logs stored by mobile operators,including communication and user movement records,to collectively label all the relationships in a network,by employing an undirected probabilistic graphical model,i.e.,conditional random fields.Then we use two methods to discover typed communities based on the results of relationship labeling:one is simply retaining or cutting relationships according to their labels,and the other is using sophisticated weighted community detection algorithms.The experimental results show that our proposed framework performs well in terms of the accuracy of typed community detection in mobile social networks.     

基于节点相似度的网络社团检测算法研究

社团结构是众多复杂网络的统计特性之一,挖掘网络中存在的社团结构日益受到人们的普遍关注。网络中的社团结构检测本质上类似于传统机器学习领域的聚类分析,其关键问题在于如何定义网络中节点间的相似度。首先提出了基于节点相似度的节点分裂算法SUN,相比传统的基于边界数(betweenness)的节点分裂算法GN, SGN在速度和精度上都有明显改善;接着,在利用各种节点相似度计算方法得到节点间的相似度之后,采用几种经典的聚类分析算法对网络进行社团划分,在模拟数据和真实数据上的实验表明:基于网络拓扑结构信息的signal和regular方法优于基于网络节点局部信息的Jaccard方法,而且对于复杂网络社团划分问题,如果选择好的网络节点相似度构造方法,已有的基于相似度矩阵的聚类分析算法都能快速有效地对网络社团进行划分。     

基于度分布的复杂网络拓扑结构的构造

构造网络的拓扑结构是网络仿真的重要前提和基础,拓扑结构对网络仿真结果有重要影响.目前,大多数复杂网络拓扑结构的构造主要是以规则网络或随机网络为基础,但最近的研究表明现实世界中的大多数复杂网络都具有无标度特性,即节点度分布服从幂率(p(k)～k-λ).新的发现给复杂网络拓扑结构的构造提出了新的课题.文中通过引入度秩函数,提出了一种基于度分布的构造复杂网络拓扑结构的新方法,该方法可构造出包括无标度网络在内的具有任意度分布的复杂网络拓扑结构.以无标度网络和指数网络为例,验证了该方法的有效性.     

复杂网络社区发现研究进展

近年来,随着现代网络通信和社会媒体等技术的飞速发展,复杂网络成为多学科交叉研究的热点之一,社区发现是复杂网络中的一个重要问题,对其进行研究具有重要的理论意义和应用价值。该问题吸引了多个学科领域的众多学者的关注,并且已有许多社区发现算法被提出。已有的社区发现综述多是侧重某一方向或特定领域展开,基于此,文中在之前工作的基础上,对国内外社区发现工作进行了深入调研,较全面地阐述了复杂网络社区发现的研究现状。首先,针对不同网络结构,给出社区发现的问题定义和主要的评价指标。然后,介绍了不同网络结构中的经典社区发现算法,包括同质网络中的全局社区发现、局部社区发现算法,异质网络中的二分网络、三分网络和多分网络中的社区发现,结合节点内容和连接结构的社区发现算法,以及动态网络中的社区发现和社区演化工作。最后,简要介绍了社区发现的典型应用,包括影响最大化、链路预测和情感分析领域的应用。此外,探讨了当前社区发现研究面临的主要挑战,试图为社区发现研究领域勾画一个较为清晰和全面的轮廓,为初学者提供指引。     

核k-means聚类检测复杂网络社团算法

为揭示复杂系统中的结构与功能之间的联系,复杂网络中的社团发现成为一项最基本的任务.最近,李等人提出了一种用来评估社团质量的函数,称之为模块密度函数(即D值),并利用一个核矩阵给出了模块密度目标函数与核k-means方法之间的等价性.基于这种等价性,通过过渡操作的核矩阵来优化模块密度函数并提出了一种新的核k-means算法.实验结果表明,这种算法在发现复杂网络社团上是有效的.     

基于线图与PSO的网络重叠社区发现

从优化模块度的角度出发,引入线图理论,给出线图的硬划分与原 图的有重叠划分相对应的理论证明, 提出了一种基于线图与粒子群优化技术的网络重叠社区发现算法(Communities discovery based on line graph and particle swarm optimization, LGPSO), 该方法通过粒子群优化 (Particle swarm optimization, PSO)算法寻找网络对应线图的最优划分来发现网络重叠社区, 实验结果显示,该方法能够在无先验信息的条件下快速有效地揭示网络的重叠社区结构.