复杂网络上具有多感染阶段的传染病传播模型

针对传染病传播模型缺乏多感染阶段的不足,结合SIR和SEIR两种传播模型的特性,提出了一种改进的具有多感染阶段的SIR传染病传播模型(即SInR模型)。该模型充分考虑了不同感染阶段的非均匀感染力对不同网络结构上传染病传播及传播阈值的影响;同时引入相对感染力及传播时间尺度的概念,从网络结构、网络规模及相对感染力方面进行了仿真研究。仿真中无标度网络采用BA模型的生成算法,而小世界网络采用WS模型的生成算法。由仿真可知,感染节点在整个感染过程中大致服从泊松分布,因此在SInR模型下无标度网络的传播速度更快,范围更广;相对感染力对于传染病的大规模爆发存在着一个阈值,当感染力大于阈值时传染病才能大范围地爆发传播,而小于阈值时传染病只会局域小范围传播直至消失,无标度网络的感染力阈值为0.2,小世界网络的感染力阈值为0.24;随着网络规模的增大,传播时间尺度也在增大,相应的传播速度就会降低。仿真结果表明:该模型下无标度网络传染病传播速度更快且影响范围更大;无标度网络的相对传染力的传播阈值小于小世界网络,设置合理阈值有利于降低传染病的传播影响力。     

考虑节点亲密度的社交网络谣言传播研究

考虑到真实社交网络中节点间亲密程度对谣言传播的影响,提出一种新的SI2R传播模型,建立谣言传播动力学方程组,研究谣言在无标度网络上的传播特性。该模型中不同节点间谣言传播率的非一致性同时取决于节点度与节点间亲密度,理论分析得到了无标度网络上谣言传播阈值表达式。随后,在BA（Barabási-Albert）无标度网络中就节点亲密度对谣言传播过程的影响进行了仿真实验,并利用Twitter和Live Journal两种真实网络数据集对仿真结果进行验证。研究表明,无标度网络中节点间平均亲密度随网络聚类系数的增大而减小,随着网络中节点间平均亲密度增大,谣言传播最终范围变大。研究还发现,节点间亲密度的存在使无标度网络中存在传播阈值,传播阈值随着节点间平均亲密度增大而减小。     

基于演化深度强化学习的符号网络影响最大化研究

近年来,随着互联网信息传播以及新型冠状病毒COVID-19传播链阻断等重大应用问题的出现,社会网络影响最大化问题的研究受到了科学界广泛关注.影响最大化问题旨在根据特定应用问题的传播模型,识别出最优影响种子节点集,最大化其信息传播影响.现有影响最大化算法主要针对单连接影响传播模型,将影响最大化问题模拟为离散的影响力种子节点组合选取优化问题.然而,这些算法具有较高的计算时间复杂度,且无法解决具有大规模冲突关系的符号网络影响最大化问题.针对上述问题,首先,构建适用于符号网络的正负影响传播模型以及影响最大化优化模型.其次,通过引入由神经网络构成的deep Q network来选取种子节点集,将离散的种子节点组合选取问题转化为更易优化的网络权重连续优化问题.最后,提出基于演化深度强化学习的符号网络影响最大化算法SEDRL-IM.该算法将演化算法的个体视作策略,结合演化算法的无梯度全局搜索以及强化学习的局部搜索特性,实现对deep Q network权重优化问题解的有效搜索,从而找到最优影响种子节点集.在基准符号网络以及真实社交网络数据集上的大量实验结果表明,所提算法在影响传播范围与求解效率上都优...     

无线传感网络中覆盖保持的K-连通子集构造算法

构造无线传感网络中具有连通覆盖特性的节点子集是实现网络休眠调度、延长网络生命周期的关键技术之一,具有重要的研究意义.已有的研究大多侧重于k覆盖节点子集构造问题,由于k覆盖子集在一定条件下便满足k连通,故人们对k连通子集的构造问题研究较少,但通过构造k覆盖节点子集来实现k连通会耗费过多的节点,代价较大.因此,本文提出一个直接构造k连通1覆盖节点子集的算法-CPC,能够用较少的节点构造出一个既能满足网络的覆盖特性又能够满足k-连通特性的节点子集,使得在任意k-1个节点发生故障时,网络能够仍然保持连通.本文还对算法的正确性进行了严格证明,并通过仿真实验与相关算法进行了性能比较.结果表明,与已有的k覆盖算法相比,CPC算法能够节省约55%的节点数.     

自增长网络模型及其算法

众所周知,现实世界的网络大部分都不是随机网络,少数的节点往往拥有大量的连接,而大多数的节点连接却很少,这正是无标度网络的重要特性。于是对于无标度网络性质的研究,因为其实用性而变得及其重要。首先定义了一种新的自增长网络模型,对它的基本参数进行计算,证明了它的无标度性。其次验证模型的最大叶子生成树的度分布服从幂率分布,并且得到了网络的平衡集,从而对无标度网络有了初步探索。最后给出了一个计算平均路长的算法。     

动态供需复杂网络演化模型拓扑性质的研究

为了深入理解供需网络的演化规律,在研究了已有的复杂网络演化模型所刻画供需网络生长过程不足的基础上,提出了以ER网络模型表示初始网络,并在局域世界中选择新增节点的连接边,依据节点之间的网络路径值作为局域世界选取的原则,局域世界的规模可动态增长。在考虑网络生长的同时,也考虑到网络内部边的动态演化以及节点的退出问题,据此建立了供需复杂网络的有增有减的动态演化模型,并给出了生成模型的算法。仿真结果表明,该模型所生成的网络模型具有无标度特性、小世界性和高聚集性。     

基于排序学习的复杂网络节点接近中心性近似排序

随着网络规模的增大,节点接近中心性的精确算法效率越来越低.本文提出一种基于RankNet排序学习算法的模型以快速逼近复杂网络节点接近中心性排序.首先通过相关性分析得到与接近中心性呈正相关的节点重要度指标作为模型的输入特征,然后在给定网络中随机选取节点子集用于模型的训练样本数据.在一个真实航空网络数据集和典型的复杂网络模型上对提出的模型进行了验证,实验结果表明基于RankNet排序学习算法的模型能够在一定程度上降低计算时间复杂度,而且保持了较高的近似准确性,所提出的模型排序效果明显优于采用回归学习的基准模型.     

基于局部保持典型相关分析的无线传感器网络三维定位算法

针对目前无线传感器网络三维空间定位算法精度不高、稳定性差等问题,在基于局部保持典型相关分析LPCCA模型的基础上构造三维定位算法3D-LE-LPCCA。首先,将LPCCA模型拓展到三维空间并建立信号空间和物理空间的映射模型,通过求解映射模型得到未知节点在物理空间上的临近节点集;其次,采用共面度阈值和体积比阈值的约束在临近节点集上计算出最佳定位单元;最后,采用最佳定位单元计算未知节点的坐标。仿真实验表明,该算法具有良好的定位效果,有效地提高了三维定位算法的精度和稳定性,降低了节点能耗。     

基于优化理论的社区无标度网络模型

当前建模社区无标度网络的研究多基于组合法,即先构造无标度特征再构造社区特征,或者先构造社区特征再构造无标度特征.基于组合法的模型能生成令人满意的社区无标度网络,但是该方法需要满足社区大小相等、社区特征和无标度特征间的顺序依赖等特定条件,而这些特定条件在真实网络的演化中往往并不存在.值得注意的是,多数学者同意社区网络起源于网络节点之间的类别距离,如地理距离、兴趣距离、偏好距离等,但现有研究尚未确证社区结构与类别距离之间的因果关系.针对组合法的缺点和社区特征起源的问题,该文建立了一个优化模型,该模型以无标度属性为优化目标,以类别距离为约束条件.仿真结果表明该模型揭示了类别距离与社区特征间的因果关系,能生成多种参数下的社区无标度网络,更好地拟合了现实世界中的社区无标度网络.     

基于MRLT模型多关系社交网络影响力最大化研究

社交网络影响力最大化问题是基于特定的传播模型,在网络中寻找一组初始传播节点集合,通过其产生最终传播影响范围最大的一种最优化问题。已有的相关研究大多只是针对单关系社交网络,即在社交网络中只存在一种关系。但在现实中,社交网络的用户之间往往存在着多种关系,并且这多种关系共同影响着网络信息传播及其最终影响范围。在线性阈值模型的基础上,结合网络节点间存在的多种关系,提出MRLT传播模型来建模节点间的影响力传播过程,在此基础上提出基于反向可达集的MR-RRset算法,解决了传统影响力最大化问题研究过程中由于使用贪心算法所导致的计算性能较低的问题。最后通过在真实数据集上的实验对比,表明所提方法具有更好的影响力传播范围及较大的计算性能提升。     

基于蜂窝结构的传感器网络覆盖问题求解算法

在无线传感器网络中,求解能够完全覆盖目标区域的最小覆盖集是个NP难问题.在传感器节点数目较多时,目前只能通过近似算法求解.蜂窝结构是覆盖二维平面的最佳拓扑结构,但不能直接用于求解无线传感器网络的覆盖问题.提出了一种基于蜂窝结构的覆盖问题求解算法,在该算法迭代求解过程的每一阶段,选出一个节点加入到初始为空的节点集合中,并使得该节点集合的拓扑结构接近于蜂窝结构,直至该节点集合成为覆盖集.该算法在最坏情况下的时间复杂度为O(n3),这里n为传感器节点总数.实验结果表明该算法可在很短的时间内执行完,在所得覆盖集的大小方面要优于现有的覆盖问题求解算法.     

P2P流媒体网络的关键节点识别算法

P2P流媒体网络中普遍存在一些关键节点,关键节点对网络的安全和通信性能起着重要作用,识别网络中的关键节点尤为重要,而传统方法对于大规模网络的关键节点识别时间开销很大,无法保证实时性。提出P2P流媒体网络中的关键节点识别算法,结合混合模式的网络结构特点,采用分区域的计算模型解决网络规模过大造成的巨大时间开销问题,根据节点的贡献度和传播能力差异定量化描述节点的重要性程度。仿真结果表明,所提算法可以快速获得节点重要性排序,有效识别P2P流媒体网络中的关键节点。     

基于社区与结构熵的异质网络影响力最大化

影响力最大化的目的是在网络中发现能够触发最大数量的剩余节点参与到信息传播过程的一小群节点.目前异质信息网络中影响力最大化的研究通常从网络中抽取同质子图、或基于节点局部结构的元路径进行节点影响力的评估,没有考虑节点的全局特征和网络中高影响力节点间的集群现象给种子集合最终扩散范围造成的影响损失.文中提出了一种基于社区与结构熵的异质信息网络影响力最大化算法,该算法能够有效地从局部和全局两个方面度量节点的影响.首先,通过构建元结构保留节点在网络中的局部结构信息和异质信息度量节点的局部影响;其次,利用节点所属社区在整个网络中的权重占比对节点的全局影响进行度量;最后,综合求出节点的最终影响并选出种子集合.在真实数据集上进行的大量实验结果表明所提算法有较好的有效性和效率.     

无线传感器网络最小覆盖集的贪婪近似算法

网络生命期是限制无线传感器网络发展的一个瓶颈.在保证网络监控性能的前提下,仅调度部分节点工作而让其余节点处于低功耗的休眠状态,可以有效节省能耗,延长网络生命期.节点调度的目标是寻找一个能够覆盖监控区域的最小节点集合,这是一个NP难问题,目前,其近似算法的性能较低.提出了一种基于贪婪法的最小覆盖集近似算法,在构造覆盖集的过程中,优先选择扩展面积最大的有效节点加入覆盖集.理论分析表明,该算法能够构造出较好的覆盖集,时间复杂度为O(n),其中,n为初始节点总数.实验数据表明,该算法的性能要优于现有算法,得到的覆盖集的平均大小比现有算法减小了14.2%左右,且执行时间要短于现有算法.当初始节点分布较密时,该算法得到的平均覆盖度小于1.75,近似比小于1.45.     

融合节点覆盖范围和结构洞的影响力最大化算法

影响力最大化是社交网络分析中的一个重要问题,旨在挖掘可以使得信息在网络中传播范围最大化的一小组节点（通常称为种子节点）。基于网络拓扑结构的启发式影响力最大化算法通常仅考虑某单一的网络中心性,没有综合考虑节点特性和网络拓扑结构,导致其效果受网络结构的影响较大。为了解决上述问题,提出了一种融合覆盖范围和结构洞的影响力最大化算法NCSH。该算法首先计算所有节点的覆盖范围和网格约束系数;然后通过覆盖范围增益最大原则选择种子节点;其次,若存在多个节点增益相同,则按照网格约束系数最小原则选取;最后,重复上述步骤直至选出所有种子节点。NCSH在不同种子数量和不同传播概率条件下,在六个真实网络数据集上均保持着优异的效果,在影响力传播范围方面,比同类的基于节点覆盖范围的算法（NCA）平均提高了3.8%;在时间消耗方面,比同类的基于结构洞和度折扣的最大化算法（SHDD）减少了43%。实验结果表明,NCSH能有效解决影响力最大化问题。     

基于影响路径的个性化影响最大化算法

个性化影响最大化问题是近年来社交网络影响最大化问题研究领域一个较新的分支,其现有解决方案普遍建立在网络边影响传播强度一致的假设下,该假设对于真实社交网络缺乏普遍适用性。为此基于独立级联模型,提出最大影响路径算法(MIPA)。该算法通过三个阶段来求解个性化影响最大化问题,首先将边影响强度作对数转换以获得最大影响路径,从而计算网络节点对目标节点的邻居节点的影响;然后利用多条经过目标节点邻居的最大影响路径联合计算目标节点受到的影响强度;最后选择Top-k节点作为种子节点,从而摆脱边影响强度的一致性约束,获取高质量的种子集。在不同的真实社交网络数据集上进行的对比实验验证了算法的有效性。     

基于多生成树和子网-节点度联合权重的MCDS构造算法

提出了一种基于多生成树和子网-节点度联合权重的静态无线网络极小连通支配集MCDS构造算法SWNMCDS。算法首先设定一个概率p,每个节点随机生成一个概率并与p对比后决定是否成为候选根节点。两跳范围内的候选根节点相互交换信息,确定最终的根节点。每个根节点基于节点权重的连通树生成算法生成多棵连通树。最后基于子网-节点度联合权重选择连通节点,将多棵连通树连成极小连通支配集。经分析,SWNMCDS算法近似比上限为2β(2+H(Δ)),时间复杂度为O(Δ2),消息复杂度为O(Δ2)(Δ为最大一跳邻居节点集合的大小,β为生成树数目)。仿真实验表明,与经典MCDS算法比较,SWNMCDS所构造的连通支配集具有较小的规模。     

能量限制的连通支配集分布式构造

在无线传感器网络中,通常采用连通支配集来构成一个虚拟骨干网以进行分层路由。在支配集中的节点的耗能相对其它节点要多,虚拟骨干网的生存周期由剩余能量最小的传感器节点决定。提出了一个有能量门限限制的连通支配集分布式构造算法,算法的主要思路是从任一节点开始,采用邻域深度优先搜索,当一个方向搜索结束时再回朔搜索其它方向来形成连通支配集;若某一支配点的邻域中的节点能量小于门限值,则回朔搜索其它方向来形成支配集。     

面向大规模学术社交网络的社区发现模型

针对基于标签传播的复杂网络重叠社区发现算法中预先输入参数在真实网络中的局限性以及标签冗余等问题,提出一种基于标签传播的面向大规模学术社交网络的社区发现模型。该模型通过寻找网络中互不相交的最大极大团(UMC)并对每个UMC中的节点赋予唯一标签来减少冗余标签,提高社区发现的效率以及稳定性。标签更新时以UMC作为核心单位采用亲密度的方式由中心向四周更新UMC邻接节点的标签及权重,以权重最大值的方式更新网络中非UMC邻接节点的权重。后期处理阶段采用自适应阈值方式去除节点标签中的噪声,有效克服了预先输入重叠社区个数在真实网络中的局限性。通过在学术社交网络平台——学者网数据集上的实验表明,该模型能够将具有一定共性的节点划分到同一个社区中,并为学术社交网络平台进一步的好友推荐、论文分享等精确的个性化服务提供了支持。