基于自适应差分演化算法的动态社区发现问题研究

动态社区结构的发现问题已经成为复杂网络中重要的研究方向,其发现算法是一个十分关键的核心问题.为了提高对社区结构进行发现的准确度,提出一种基于差分演化思想的自适应调整差分演化动态社区发现算法.该算法通过最大化当前时间快照上聚类质量和最小化相邻快照间社区演化开销,得到以相邻时刻间网络结构差异度最小化的优化目标.使用自适应调整差分演化算法对人工动态网络实施有效划分,实验结果表明,该算法不仅收敛速度快,而且能够降低复杂网络中的社区结构发现的错误率.     

基于环路紧密度的复杂网络社区挖掘方法

提出了一种基于环路紧密度的复杂网络社区挖掘算法(LTA):首先提出一种快速发现网络环路和计算其紧密值的算法,然后根据环路紧密值将网络聚类,再次揭示网络环路与社区结构的联系。并使用人工合成网络和真实网络数据集对LTA进行了验证,实验结果证明了LTA对复杂网络社区挖掘问题的有效性和高效性。     

基于混合差分演化的网络入侵检测算法

基于机器学习方法的入侵检测算法是目前网络设备检测领域的研究热点.网络入侵检测源数据的多样性是影响机器学习方法在该领域实际应用性能的主要因素.研究通过设计多扰动向量混合差分演化算法,稳定地优化了最小二乘支持向量机模型的关键参数;在不增加测试集检测计算复杂性的前提下,通过最优化参数的方式,提高了最小二乘支持向量机算法入侵检测的精度和稳定性.KDD Cup 99测试集的仿真实验结果显示,所提出的基于混合差分演化的网络入侵检测算法比目前多种同类算法有着更好的平均性能.     

基于模拟退火的自适应差分演化算法研究

基于模拟退火的自适应差分演化算法.通过模拟退火的更新策略来增强全局搜索能力,并提出了新的自适应技术来选择学习策略、确定算法的关键参数.数值实验及与同类算法的比较研究表明了该算法的有效性和优越性.     

基于典型相关分析的复杂网络模块挖掘算法

利用典型相关分析(CCA)分析了复杂网络中的功能模块及其相互关系,并将其转化为LASSO回归优化问题,提高了结果的可解释性。在此基础上,提出了一种模块及其相互关系的挖掘算法。该算法不仅能准确挖掘网络中的功能模块,而且还能同时度量模块之间的相关程度。人工生成数据集和DBLP数据集上的模拟实验表明,提出的算法能准确地挖掘网络中的功能模块及其相关性。     

动态社会网络中的社区挖掘算法研究

为解决社区挖掘问题,针对社会网络的动态特性,给出了新的社区定义,并结合连通性和频繁性概念提出一种糯的算法DCSMA（Dynamic Community Stmcture Mining Algorithm）。挖掘时刻连通的个体集合作为社区,采用层状结构模型,根据乖要性权重区分社区内个体,使社区结构更加清晰。在标准测试数据集上的实验结果表明了该算法的可行性棚仃效性。     

复杂网络演化研究综述

首先对近年来复杂网络演化方面的研究进展进行了总结归纳,从网络演化部件、是否考虑权重、采用的演化机制、演化网络是否动态变化以及针对实际网络演化侧重的条件5个方面对当前复杂网络的演化模型进行了分类;其次从演化的时间尺度、权重与拓扑之间的关系、演化的复杂性3个方面指出了当前复杂网络演化研究存在的不足;最后提出了基于复杂适应系统理论来研究工程技术网络演化的框架。     

基于改进差分演化算法的无功优化

针对电力网络无功优化问题,增加考虑了电压稳定指标,采用改进的差分演化算法同时对网损和电压稳定指数进行优化.该算法基于一般差分演化算法,在进化的不同阶段对算法参数缩放因子F和杂交概率CR进行自适应调整与控制,增加种群多样性的同时,能够调整搜索方向快速找到最优化方案.应用IEEE 30节点和IEEE 57节点系统进行了测试,结果表明所用算法相比遗传算法和一般差分演化算法,不仅能够有效减少有功网损,还能让PQ负荷节点远离电压崩溃点,并具有计算速度快、鲁棒性好等优点.     

基于差分演化的K-均值聚类算法

针对K-均值聚类算法对初始值敏感和易陷入局部最优的缺点,提出了一类新的聚类算法——基于差分演化的K-均值聚类算法,进而提出了基于自适应差分演化的K-均值聚类算法,并将新算法与传统的K-均值聚类算法和最近提出的几个同类聚类算法进行比较。实验结果表明,该类算法能比较有效地克服传统的K-均值聚类算法的缺点,算法具有较好的全局收敛能力,稳定性强、收敛速度快,且比较研究表明该类算法具有一定的竞争力。     

基于精英解学习的邻域搜索差分演化算法

为了防止差分演化算法在求解复杂问题时容易陷入局部最优、收敛速度慢等问题,提出了一种基于精英解学习的邻域搜索差分演化算法(ELNDE).在该算法中利用多个精英解构建一个精英解池策略,并且对其进行反向学习,保证种群的多样性.在每一代种群演化计算过程中执行邻域搜索,通过精英解作为导向,加快算法的收敛速度的同时提高开采能力.使用13个基准测试函数对提出的算法进行了测试并且与几种知名的改进算法进行比较.实验表明,提出的算法在收敛速度和解的精度是具有较大的优势.     

基于自适应差分演化算法的光伏模型参数提取

快速准确地提取光伏(PV)模型的参数对于光伏系统的模拟、评估和控制是至关重要的。近些年来,使用智能优化方法对PV模型进行参数提取得到了极大的关注。然而,这些智能优化方法往往消耗了大量的计算资源。为了准确快速地提取光伏模型的参数,提出了一种新型的自适应差分演化算法。在该算法中,提出了一种新的变异策略。为了验证算法的性能,选择单二极管模型、双二极管模型和PV模型作为测试模型。实验结果表明:提出的算法可以快速准确地提取到不同PV模型的参数。因此,提出的算法可以作为一种有效的PV模型参数提取方法。     

基于复合复杂网络的社团发现算法研究

为了发现网络连接密度不均匀的复合网络中的社团结构,本文提出了一种利用子网间连边将节点转为向量,再对向量进行聚类,以达到发现节点中社团的方法。给出了复合网的相关定义和算法的基本思想,并根据Newman测试网络的构建规则,同时对网络连接密度不同的复合网构建复合网测试模型,并且在不同的网络连接密度下进行了多次实验。实验结果表明,本算法克服了网络连边密度不均匀问题,发现了由不同种类的节点组成的社团结构,具有较为准确的预测结果。该研究为复杂的现实网络提供一个新的思路,对发现现实网络中多类节点组成的社团结构具有实际意义。     

基于搜索偏好知识的复杂多模差分进化算法

针对复杂多模优化问题,提出一种基于搜索偏好知识的差分进化算法PKLSHADE。PKLSHADE将先验搜索偏好知识注入到种群的进化过程,在不同的进化阶段对种群的多样性和集约性区分考虑,进化早期重视差分扰动以增强算法的全局开发能力,进化后期更多围绕当前最优解进行局部精细搜索。同时,基于搜索偏好知识的变异策略能够实现差分进化算法全局开发和局部搜索的自适应平滑过渡,避免两搜索阶段的硬切换。在CEC2017复杂混合多模函数上的实验结果及统计分析表明,PKLSHADE在最优解的精度、算法的稳定性等方面均优于LSHADE、EBLSHADE、jSO及AMECoDEs等近年来的优秀差分进化算法。     

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。     

重叠社区结构的挖掘算法

针对大多数社区挖掘算法致力于寻找独立不相重叠的社区结构,而实际的网络中,社区结构往往是重叠的问题。基于凝聚方法和贪婪算法原理,提出了一种新的算法来挖掘社会网络中彼此重叠的社区结构。在模拟数据集和标准测试数据集上的实验结果表明了算法的可行性和有效性。     

基于多表达式基因编程的复杂函数挖掘算法

传统的基因表达式编程(Gene Expression Programming) 挖掘复杂函数时,存在进化辈数过大、无法跳出局部最优解等问题,提出了基于多表达式基因编程的遗传进化算法,提高GEP的全局寻优能力, 提出了一种新的多表达式基因编程的遗传进化算法(Multi Expression Gene Programming, MEGP),建立了同一染色体内基因多层次编码、解码模型,理论上分析并比较了MEGP算法的表达空间复杂性,实现了多表达染色体遗传进化算法和染色体适应度评价算法.实验表明, 在解决函数挖掘问题中, MEGP成功率是传统GEP的2～4倍.     

电信网中基于社区挖掘的用户行为预测算法

利用社会网络分析去解决电信网中的用户行为预测问题,把用户行为预测转换为社区挖掘和社区内用户行为预测2个步骤。之后,利用改进的凝聚层次聚类算法实现了电信网中用户的社区挖掘,通过对社区内的邻近度进行排序,设计了社区内用户行为的预测算法。仿真实验结果表明,该算法能够有效的预测出指定社区中的用户行为。     

基于高斯采样和随机采样聚类的差分演化算法

基于中心采样的概念,提出随机采样方法。研究差分演化算法,提出基于高斯采样和随机采样的聚类差分演化算法。通过实验,论证了高斯采样和随机采样显著的加快收敛速度、提升算法的求解能力,表明该算法对复杂的全局优化问题有很好地求解能力,比经典差分演化算法具有更好的求解性能。     

基于Apriori数据挖掘算法研究

关联规则是从数据集中识别出频繁出现的属性值集,然后利用这些频繁集创建描述关联关系的规则过程.在分析经典关联规则挖掘算法的基础上,讨论了经典的Apriori算法,并提出改进的Apriori关联规则算法,对算法进行了实验数据的算法性能分析及运行时间对比.结果表明,改进的算法在运行速度和挖掘性能上都较经典的Apriori算法都有显著提高.     

基于复杂网络的城市公交网络研究综述

近年来,基于复杂网络理论的城市公交网络研究得到了人们的广泛关注,相关的研究成果有助于深入理解城市公交网络的运行机理,并为这类网络的设计、优化与控制提供帮助.首先介绍了城市公交网络的研究背景、城市公交系统的网络描述和相关的网络概念.然后从网络的静态特性分析、演化生成建模、行为研究和应用研究等方面对国内外的研究现状进行了总结和分析.最后,总结并讨论了当前基于复杂网络的城市公交网络的研究状况与发展机遇.