有向加权复杂网络仿真平台的设计与实现

随着复杂网络研究热潮的日益增加,复杂网络仿真平台已成为研究复杂网络的必不可少的基础性工作。针对无向无权复杂网络有时还无法准确反映真实世界中网络系统的问题,文中以VC＋＋6.0为开发工具,通过对总体框架和各主要功能模块进行详细的设计实现了一个具有一定可扩展性的有向加权复杂网络仿真平台（ DWCNS）。该平台能对有向加权复杂网络进行拓扑生成且能进行相关统计特性的分析研究。最后通过一个节点重要性评价方法的仿真实例证明了该平台在有向加权网络研究方面的有效性。     

基于复杂网络的社区发现算法研究

近年来,高质量社区的挖掘和发现已经成为复杂网络研究的一个热点。目前大多的社区发现算法主要针对无向网络,但现在的很多真实网络通常都是有向加权的。同时,标签传播算法(LPA)是一种接近线性复杂度的社区发现算法,该算法具有简单高效、不需要提供社区规模和社区个数等先验知识的特点,因而得到了广泛关注和应用。针对有向加权网络,提出了一种基于节点重要性和节点相似性的改进标签传播算法(CRJ-LPA)。该算法综合考虑节点的边权、节点的信息传播能力、节点相似度以及节点集聚系数等因素。算法通过加权的ClusterRank获得节点重要性列表用以避免LPA中的随机选择;然后,采用Jaccard系数度量节点的相似度,结合节点重要性列表计算出一个新的度量CRJ(重要度和相似度),提高了算法的稳定性。实验结果表明,该算法有效可行,且具有较好的鲁棒性。     

有向加权复杂网络抗毁性测度研究

为有效评估有向加权复杂网络的抗毁性能,考虑网络边的有向性和权重对复杂网络拓扑层抗毁性的影响,提出一种有向加权复杂网络抗毁性测度算法(IMADW)。IMADW利用最短调和距离度量节点之间以及整个网络节点对之间的连接紧密度,采用节点环路系数反映节点可选的路径数,由此得到网络拓扑层的全局抗毁性测度值。通过算法分析和实验仿真验证了该算法的准确性。     

基于重要节点的复杂产品设计变更控制

为了有效控制复杂产品设计变更,在复杂产品开发（Complex Product Development,CPD）网络中揭示了重要节点对复杂产品设计变更的影响。为了识别重要节点,构建出加权CPD网络模型,提出基于平均路径以内邻居核数的节点重要性排序算法,以解决排序过程中考虑因素的不全面性及算法过程的复杂性。该算法能够全面考虑影响节点重要性的因素,更加科学、合理、简单、高效地对节点重要性进行排序。并在此基础上阐述了从重要节点出发的复杂产品设计变更控制策略。通过实证研究,验证了所提方法的有效性和合理性。     

融合节点重要性的无监督链路预测算法

提高加权网络链路预测算法精确度是研究复杂网络的基础问题之一。常用的基于局部网络结构的无监督预测方法没有考虑到重要性越高的节点越容易产生新连接,且在真实网络上中心性小的节点同样具有高度重要性。针对上述问题,提出一种融合节点重要性的无监督链路预测算法,从结构相似性和节点重要性两个角度计算新连接产生的可能性,并利用自定义系数调节影响程度。在5个真实加权网络数据集上进行实验,结果表明在解决小规模加权网络的快速预测问题上,该算法相比同类方法的预测精确度更高,有监督式链路预测方法并不适用。     

考虑位置信息的物流配送网络节点重要性评估

网络化和信息化的发展使得物流配送变得日益复杂和庞大。对于一个配送节点而言,它除了满足给需求者提供货运物流,还会出现给其他配送节点提供货物调配运输的情况。在整个物流配送网络中,每个配送节点的关键性就会由多种影响因素共同作用。借助总强度法,结合信息论和网络复杂特性,综合考虑节点间的货运互信息量和位置信息,提出了一种新的适用于有向加权物流配送网络的节点关键性评估方法。并在小规模的加权网络中对该方法和已有的方法进行对比分析,证明该方法中的有效性和可行性,计算简单,更有利于细化各节点关键性。     

基于平衡系数的加权网络改进k核算法

复杂网络节点的重要性排序是复杂网络研究的重要部分。在k核算法的基础上引入权重值,重新定义适用于加权网络的节点k核值。为了将权重对网络节点重要性的影响定量化,提出一种新的加权网络改进k核算法,并分析平衡系数的取值变化对算法结果的影响。仿真结果表明,该算法整体指标优于k核算法,具有调整平衡系数适应不同加权网络的特点,适用于进行加权网络节点重要性评价。     

基于核心节点扩散的有向网络重叠社团发现算法

复杂网络中的社团结构探测是当前复杂网络研究领域的一个热点问题。传统的社团划分算法主要以无向、无权网络作为分析对象,不能够适用于现实世界中各种有向网络、加权网络。在分析和研究各种社团划分算法的基础上,提出一种新的重叠社团发现算法。该算法从网络中的核心节点开始,不断合并适应度最大邻居节点,最终将网络划分为多个重叠的社团。最后,将该算法应用到两个有向网络中,实验表明该算法能够很好地划分出有向网络中的重叠社团。     

一种集成局部加权聚类系数的链接预测算法

加权复杂网络中的权重主要表示节点与节点之间的相互作用强度。由于权重的存在,传统的基于局部结构的无权链接预测方法并不适用于加权网络。因此一部分工作尝试把传统的基于局部邻接节点结构的算法迁移到加权网络场景,但是该类算法只是利用了一级共邻节点的拓扑属性,无法反映共邻节点的邻居对潜在节点对的贡献以及共邻节点互联密集程度对预测结果的影响。该文从局部结构的密集层面来分析共邻节点对潜在节点对的影响,提出了一种集成加权聚类系数的相似度指标（WCCLP）,该指标能够有效地扩大局部共邻节点结构对预测性能的影响,同时也能轻易拓展到加权局部朴素贝叶斯链接预测模型（WLNB）中。采用无监督学习的实验表明,和现有的相似度算法相比,WCCLP在多个真实数据集取得了更好的预测效果,同时在有监督学习的链接预测场景中,由WCCLP构建的特征比现有的局部相似度算法构成的特征更具判别性,同时拓展到WLNB的实验效果证明加权聚类系数的定义能够有效推广到其他模型当中。     

加权有向网络中心节点识别的分解算法研究

目前复杂网络节点重要性识别算法主要集中在无权、无向网络上,不能全面地描述真实世界复杂网络的情况。例如,大部分中心性度量方法仅仅考虑单一指标,忽略了节点出度与入度的差异,且忽视了权重的重要性。基于有向加权复杂网络,综合考虑节点出度与入度的差异,以及权值在真实网络中的实际重要性,提出了一种基于出度、入度和权值的中心节点识别算法——cw-壳分解算法。为了验证该算法的有效性,利用W-SIR传播模型在真实复杂网络上进行病毒传播仿真实验,结果表明,cw-壳分解方法能够有效地对节点进行分级排序,识别出具有高扩散能力的节点。     

一种基于互信息的复杂网络节点重要性评估方法

在复杂网络中,如何量化节点的重要性是一个基本问题。首先阐述了现有的计算方法,在此基础上提出了一种基于互信息的节点重要性评估方法。该方法揭示了网络拓扑结构特性,准确反映了节点的相对重要程度。对该方法进行了实验论证,并与现有方法进行了分析比较,结果表明基于互信息的评估方法简单有效,特别适用于大型复杂网络节点重要性的评估。     

一种基于贡献矩阵的有向网络节点关键度计算方法

复杂网络中的关键节点,其重要程度一般要比非关键节点拥有更大影响力。目前已有的关键节点的关键度计算算法大多根据不同的衡量指标进行计算。针对适用于有向网络的关键节点挖掘算法较少且算法中不同衡量指标的结合不够严谨的情况,提出一种基于贡献矩阵的有向网络节点关键度计算算法。该算法通过贡献矩阵结合节点关联关系和节点的位置作为衡量节点关键度标准。在实验网络上的传播实验表明,相较于基于关联关系关键节点挖掘算法（RelaCentrality）来评估关键节点重要性,该算法在挖掘关键节点的过程中效率更高,并且所挖掘得到的关键节点在网络中对信息的传播更为广泛。     

基于多层次灰色关联分析的复杂网络节点排序模型

复杂网络节点重要性是研究复杂网络特性的重要方面之一,被广泛应用于数据挖掘、Web 搜索、社会网络分析等众多研究领域。在选取评估节点重要性指标时,考虑到普通聚类系数仅能衡量网络节点聚类的疏密度,不能衡量聚类的规模,提出了修正的聚类系数;同时,选取了Erdos数和介数两个指标来综合衡量网络节点重要性,建立多层次 灰色关联分析模型,确定出各个节点与理想节点的关联度,实现对复杂网络节点的排序。模型不仅考虑到度、路径距离对节点排序的影响,而且也考虑到每个节点聚类程度对节点排序的影响。通过与实际网络和其他方法的排序结果对比,模型能够准确找到复杂网络的核心节点,并且排序结果真实反映了节点依次的重要程度。     

基于复杂网络节点重要性的链路预测算法

提升链路预测精度是复杂网络研究的基础问题之一,现有的基于节点相似的链路预测指标没有充分利用网络节点的重要性,即节点在网络中的影响力。针对以上问题提出基于节点重要性的链路预测算法。该算法在基于局部相似性链路预测算法的共同邻居（CN）、Adamic-Adar（AA）、Resource Allocation（RA）相似性指标的基础上,充分利用了节点度中心性、接近中心性及介数中心性的信息,提出考虑节点重要性的CN、AA、RA链路预测相似性指标。在4个真实数据集上进行仿真实验,以AUC值作为链路预测精度评价指标,实验结果表明,改进的算法在4个数据集上的链路预测精度均高于共同邻居等对比算法,能够对复杂网络结构产生更精确的分析预测。     

基于引力模型及相对路径数的节点重要度评估算法

准确度量复杂网络中节点的重要度对于研究网络结构和功能等方面具有重要的指导意义。现有多数节点重要度评估算法考虑了节点及其邻居节点的相关信息,却忽略了节点间的拓扑结构对节点重要度的影响。针对此问题,提出了基于引力模型及相对路径数的节点重要度评估算法。该算法首先分析了相对最短路径数对节点间信息传播的影响效果,同时考虑到非最短路径及路径距离等因素的影响,然后以三阶范围内邻居节点与中心节点的相互作用力之和定义节点重要度值,最后在六个真实网络中进行仿真实验。实验结果表明,所提算法不仅能有效区分网络中不同节点之间的重要度差异,还能准确度量网络节点的重要度大小。     

基于组合赋权VIKOR方法的网络节点重要性评价

复杂网络重要节点的识别是网络可靠性分析的重要组成部分,在实际应用中具有重要意义。针对节点重要性受多个因素的影响,将多属性决策理论中的VIKOR方法拓展应用到复杂网络的关键节点识别。基于AHP和TOPSIS方法,从主客观两个维度综合考虑评价指标的权重,给出一个优化的组合赋权策略,进而提出网络节点重要性评价的组合赋权VIKOR (combination weighting VIKOR,CW-VIKOR) 方法。在四个不同类型的实际网络中进行了仿真实验,结果表明,CW-VIKOR方法可以有效识别网络中的重要节点,在节点传播影响力和网络效率上均表现出更好的性能。     

模拟复杂网络下子网络节点抗攻击设计

针对复杂网络节点受攻击而出现的安全性问题,提出在模拟复杂网络基础上结合Feistel算法的子网络节点抵抗攻击方法;该方法通过子网络节点定位参数集,建立恶意节点位置模型,并确定定位真实精度;而后利用Feistel算法对节点密文进行加密处理,进而使加密信息恢复成明文信息,完成模拟复杂网络下子网络节点的抗攻击方法改进;结果证明,该方法不仅能够准确地对恶意节点进行定位,而且增强了节点抗攻击性能,提升了网络安全性。     

A new clustering algorithm based on data field in complex networks

The evaluation of node importance in complex networks has been an increasing widespread concern in recent years. Seeking and protecting vital nodes is important to ensure the security and stability of the whole network. Existing clustering algorithms of complex networks all have certain drawbacks, which could not cover everything in calculation accuracy and time complexity, and need external supervision. To design a fast complex networks clustering method is a problem which requires to be solved immediately. This paper proposes a clustering algorithm of complex networks based on data field using physical data field theory, which excavates key nodes in complex networks by evaluating the importance of nodes based on a mutual information algorithm, and then uses it to classify the clusters. To verify the validity of the algorithm, a simulation experiment was conducted. The results indicated that the algorithm could analyze the cluster exactly and calculate with high-speed, it could also determine the granularity of a partition according to the actual demand.     

融合节点中心性和度相关聚类的有向网络链路预测

现存大部分有向网络的链路预测方法仅关注链接方向信息和互惠链接信息而忽略节点重要性及度相关聚类的贡献,导致预测精度下降。针对以上不足,提出基于节点中心性和度相关聚类的有向网络链路预测指标。首先,利用节点中心性统计任意节点邻居数量去衡量节点的影响力;其次,将节点度相关聚类系数方法扩展到有向网络去评估节点聚类能力,并与网络同配系数相融合获得节点对高聚类能力;最后,融合以上2类信息提出一个带参的有向网络链路预测指标。在6个真实世界有向网络上与最近代表性预测指标比较,所提指标AUPR和AUC分别提高了33%和1.6%。     

复杂网络中的一种介度熵抗毁性度量方法

在复杂网络中，核心节点的损坏可能会影响到整个网络的稳定性。基于节点重要性研究了网络抗毁性度量和抗毁性能。综合考虑节点度值和介数对节点重要性的影响，提出了局部介-度中心性指标。兼顾节点的聚集系数，提出节点抗毁性度量方法。为了估量网络的抗毁性能，提出了介-度熵度量及其算法。仿真攻击实验结果表明，基于介-度中心性的攻击策略移除约20%的节点后，可将网络近似地分割为孤立节点集合，它优于传统的攻击策略，表明介-度中心性指标可以更准确地刻画节点重要性。对不同模拟网络的抗毁性评估计算结果则表明，介-度熵度量对网络抗毁性能的排序符合实际情况，在衡量网络抗毁性方面是完全合理的。