基于遗传算法的复杂网络社区结构探测

对于复杂网络社区结构的探测问题在多个应用领域引起了广泛关注。本文基于遗传算法提出了一种新的社区探测算法,该算法通过最大化网络模块度以探求最好的社区划分结果。本文采用字符串编码进行基因表示。在初始化种群时,通过将一部分节点的社区标识符传递给它的邻居节点保证了算法的收敛性,并且消除了不必要的迭代。对于交叉算子和变异算子也进行了优化,将单向交叉引入到交叉算子中,并在变异过程中保证了变异节点的连接有效性。将本算法与两种算法通过真实世界的复杂网络进行实验比较,实验结果表明,改进后的算法可以有效地应用于社区结构探测。     

一种基于非对称三角形割的重叠社区发现算法

发现由相似功能的个体所形成的社区结构是复杂网络分析的重要任务之一. 提出一种基于非对称三角形割的重叠社区发现算法,首先根据社区内三角形连接情况对社区质量进行评价,并根据节点与社区的三角形连接定义了节点对社区的归属度和连接强度. 考虑到网络不同部分连接密度的差异,在将节点从社区中移除或加入社区的过程中,为每个节点分别设置了不同的移除阈值和扩展阈值,以提高社区发现质量. 将每个节点与其邻居节点组成初始社区,将归属度低于移除阈值的边缘节点从社区中移除,将连接强度高于扩展阈值的外围节点加入社区,社区节点移除和扩展阶段迭代进行直至社区结构趋于稳定,最后去掉重叠率过高的社区得到最终结果. 在7个带社区标签的网络上将所提算法与其他7个经典重叠社区检测算法进行比较,通过重叠标准互信息和F₁指标进行评价,结果表明所提算法可以较好地发现不同规模网络中的社区结构.     

基于差分演化的复杂网络社区挖掘算法研究

社区结构的挖掘问题已经成为复杂网络中重要的研究方向,其挖掘算法是关键的核心问题.为了提高对社区结构进行挖掘的准确度,提出一种基于差分演化思想的复杂网络社区挖掘算法(Differential Evolution Community Detection Algorithm,DECD).DECD算法设计了一种新的编码方式,以模块密度函数作为优化目标,通过差分演化算法对复杂网络实施有效划分.实验结果表明,新的编码方式提高了编码速度并解决了社区重复编码问题,同时DECD算法能够提高复杂网络中的社区结构挖掘的准确度.     

复杂网络中尺度研究揭开网络同步化过程

复杂网络的中尺度研究是目前复杂网络研究中的一个前沿方向。本文主要介绍复杂网络的Laplacian矩阵的特征值谱的性质,指出特征值谱与度序列的强相关性。并且,在中尺度意义下,研究了不同拓扑结构的复杂网络的同步以及广义同步过程,发现同步是从度大的区域开始。进一步揭示了社团结构和同步时间尺度都与网络的特征值谱有关,社团网络的同步过程表现为部分同步—聚类同步—全局完全同步,该过程有助于网络社团结构的识别。最后介绍了与网络中尺度研究相关的一些前沿工作。     

复杂网络上的动态传播

采用一种新的方法来研究文化传播,结合动力学和复杂网络的知识对文化在不同结构社区中的传播做了数值仿真和分析。发现文化的传播速度在随机结构,BA结构,小世界结构和规则结构的社区中依次减慢,且核心人物对BA结构社区中的文化传播起着重要的作用。     

基于二阶信息的复杂系统弹性度量研究

基于节点最近邻信息,复杂系统弹性预测模型通过将多维方程映射为一维方程,度量复杂系统弹性。然而该模型并未引入节点二阶邻居的信息。基于复杂系统弹性预测模型,通过在映射过程引入节点二阶邻居信息,该文提出了一种考虑节点二阶邻居信息的复杂系统弹性预测模型,并在Barabási-Albert（BA）无标度网络、Watts-Strogatz（WS）小世界网络上验证了新模型的有效性,进而讨论了不同网络拓扑结构对新模型效果的影响。实验结果表明,在平均度不同的BA无标度网络和WS小世界网络中,基于节点二阶邻居信息的复杂系统弹性预测模型均可更准确地预测系统弹性。其中,网络平均度为2的BA无标度网络和WS小世界网络的系统弹性测量精度分别提高了79.89%和59.53%。且在同类网络中,网络平均度越小,基于节点二阶邻居信息的模型越适用。同时,针对同类型平均度相同的网络,改进后模型在BA无标度网络上的效果优于WS小世界网络。该文的研究为有效度量复杂系统弹性状态和设计弹性系统提供了科学的研究手段和理论支持。     

复杂网络上的动态传播

采用一种新的方法来研究文化传播,结合动力学和复杂网络的知识对文化在不同结构社区中的传播做了数值仿真和分析。发现文化的传播速度在随机结构,BA结构,小世界结构和规则结构的社区中依次减慢,且核心人物对BA结构社区中的文化传播起着重要的作用。     

集合扩充的社团分解算法

社团结构是复杂网络的重要特征之一,寻找网络中的社团对于分析整个网络的结构和功能都有非常重要的意义.综述了一些经典的复杂网络社团结构划分的算法,提出了一种基于集合扩充的社团结构划分的新算法.该算法以网络中相邻的两个节点构成的集合为起点,用社团同外部联系的边的数目与社团内部边的数目的比值作为度量指标,通过计算将某一个邻居节点加入该集合后度量指标值的变化情况来判断某个邻居节点是否加入该集合,若度量指标值变小则将该邻居节点加入该集合,若度量指标值变大则不将该邻居节点加入该集合,直到不再有新的邻居节点加入时,一个社团就被划分出来.在剩下的网络中重复这个过程直到网络中的节点完全被划分.用社团结构分解中的两个经典例子测试了该算法,从测试结果来看,用该方法能够合理地划分网络中的社团结构,且运算量小,运行效率高,达到了预期目标.该社团结构的划分方法对于规模较大的复杂网络也具有普遍意义.     

一种融合社区结构信息的网络表示学习算法

为研究社区结构对网络表示学习的影响,提出了一种新颖的融合社区结构信息的网络表示学习算法（CINE）。通过借鉴模块度思想,将社区结构吸收到基于矩阵分解的模型中以保留网络内部的社区结构;设计一个整体的目标函数,在捕获社区结构信息的同时也融合了节点间的1阶2阶邻近性信息和节点的属性信息,最终得到包含原始网络中3类信息的节点表示;采用Cora、Citeseer和Wiki等3个公开网络数据集验证CINE在节点分类、链接预测和可视化任务中的表现。结果表明：在3个数据集的分类任务中,CINE的Micro-F1分数分别达到了0.900 2、0.840 2、0.761 9,优于所有对比算法;在Cora数据集的链路预测任务中,CINE的AUROC得分比Node2vec、DeepWalk和TADW等算法分别提高了1.165、1.144和1.059倍。说明CINE在保留网络的结构和属性信息的基础上,捕获了社区结构信息,使得所学节点表示可以更好地执行后续的网络分析任务。     

复杂网络上的局域免疫研究

在网络全局结构信息未知的情况下,如何对大规模网络进行有效的免疫是疾病预防控制中的重要课题之一.本文介绍了针对社区网络、自适应网络和双层耦合网络等的局域免疫方法研究.对于社区网络,通过对5个真实社区网络的分析,发现桥节点的弱连接数目具有一定程度的异质性,存在一些更重要的桥中心节点,进而提出了一种有效的局域桥节点发现算法.对于自适应网络,发现传播过程中会出现很强的社区结构,由此提出一种基于社区效应的局域控制策略,结果显示疾病并非控制越早效果越好.对于双层耦合网络,提出一种促进-抑制的非对称耦合传播模型,研究危机意识的局域散布对于疾病传播的影响,分别解析得到了意识和疾病传播的爆发阈值与稳态分布.这些研究增进了人们对于复杂网络中关键节点的理解,也为实际的疾病防控工作提供了一些借鉴.     

一种面向动态网络的社团检测与演化分析方法

针对制约动态网络演化分析方法发展的社团演变模式挖掘问题,设计了基于指向性变异策略和变邻域搜索算法的静态社团检测算法与基于匹配度和社团生存周期的社团演化分析算法,并采用在时刻上运行静态社团检测算法、在时序上运行社团演化分析算法的策略,提出了一种面向动态网络的社团检测与演化分析方法。并用Zachary空手道俱乐部网络和Power网络验证了该方法的可行性和有效性。     

图是λ5-最优的邻域交条件

基于目前网络边连通性在网络拓扑性能方面的广泛应用和高阶限制边通图的各种邻域条件的广泛关注,针对图的高阶限制边连通性的最优化问题进行了深入的研究。该结论通过运用分类讨论和反证假设的方法,对前人一些已知的结果进行推广和改进,给出了阶为n的λ5-连通图的邻域交条件,从而得出图是λ5-最优的充分性条件。这些结论在大规模网络系统中度量网络性能的可靠性和容错性分析方面都有一定的应用,并对研究更高阶的网络连通性的最优化问题提供了方法和理论依据。     

基于小世界网络的PSO算法在电力系统中的应用

针对发电机的阀点效应,电力系统机组优化组合属于复杂的具有混合型变量的组合优化问题,基于小世界网络(Small World Network,SWN)的邻域模型构造,最优化原理和基本粒子群算法(ParticleSwarm Optimization,PSO),以24个时间段所有机组总耗量最小为目标函数,建立了发电机组优化组合的数学模型.提出了将"平均最短路径小,聚集系数大"的小世界网络邻域结构引入到粒子群算法中,以机组的输出功率作为粒子的位置,给出了算法的具体实现方法.在10机系统中分别采用了SWN-PSO算法和遗传算法进行了仿真计算.算例结果表明:所提出的算法不仅有利于粒子之间的信息共享,并且可以更快、更准确地收敛到全局最优解,具有一定的实用性.     

基于局部模块度的社区层次结构发现方法

为了发现复杂网络中社区之间的层次关系,提出了一种基于局部模块度的社区层次结构发现方法。文章方法克服了多分辨率方法无法给出整个网络的层次划分以及无法直接定位造成社区层次变化的分辨率等方面不足,选取网络中的大度数节点基于R公式进行社区层次结构探测,根据局部模块度值变化过程中产生的极大值和极小值定义了社区层次区分度来判断是否到达层次边界。并对网络进行裁剪,从不同的大度数节点出发来发现网络中的全部层次结构。在经典数据集和人工生成网络上进行了实验,并与现有算法进行比较。实验结果证明章算法的有效性。     

Neigborhood state dynamic update algorithm for MANET

The effect of too much overhead caused by fixed neighborhood state update cycle on the whole network performance has been greatly alleviated by a neighborhood state dynamic update ( NSDU ) algorithm pr...     

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...     

Web2．0网站的特点与社区化模式

分析了Web2.0网站的基本特点及其采用的新技术,介绍了Web2.0网站的去中心化概念和社区化模式趋势,并在此基础上进一步分析了网络社区中心重构的运行机制和一系列的社区化模式.通过理论和统计数据双重分析得出,传统的Web1.0站点向Web2.0的转变和社区化进程,已经逐渐成为网络发展的主流趋势.     

住区社区性的营造--天津大港福苑东里社区规划

随着21世纪的到来，我国住区规划面临着新的挑战，福苑东里规划恰好是对此进行探索的机遇。在规划中，对我国21世纪社区环境的发展方向进行了预测，对项目的用地及环境条件进行了分析，从而制定出两项规划原则：通过以人的认知范围确定邻里规模，多种功能的综合，构筑网络结构等手法营造社区性；以带状的公共绿地与宅前绿地结合，形成网状连续的交通，生态，景观，交往，休闲复合系统。     

基于邻域关系的决策表约简

针对经典粗糙集理论难以处理连续型数据的特点,提出基于邻域关系的决策表约简方法。该方法在连续型数据的决策表中引入邻域关系,通过邻域关系进行信息粒化,避免离散化过程带来的信息损失。通过定义邻域正域和邻域约简概念,分析邻域正域的单调性原理,提出基于邻域关系的属性重要度概念,进一步设计了两种启发式约简算法。理论分析与实例表明该方法是有效可行的。     

基于种子节点集的社区层次结构发现算法

针对多分辨率方法无法直接给定社区层次结构的问题,提出一种基于种子节点集的社区层次结构发现算法。该算法通过选取种子节点,并根据余弦相似度的大小添加其最近邻节点共同构成种子节点集;再由种子节点集出发,基于分辨率公式进行社区层次结构探测,根据节点加入社区的度值比来判断是否到达层次边界;最后在已发现完毕的社区外选取新的种子节点集,并由此出发直到全网络的社区层次结构发现完毕。将该算法分别应用于人工网络和真实社会网络,实验表明,相较于其它算法,该算法能够更好地发现网络中全部的社区层次结构。