基于改进AdaBoost算法的复杂网络链路预测

链路预测是复杂网络的重要研究方向,当前的链路预测算法因可利用的网络信息有限,导致预测算法的精确度受限。为了提高预测算法的性能,采用改进的AdaBoost算法进行链路预测。首先根据复杂网络样本建立邻接矩阵,完成样本的矩阵化处理;然后采用AdaBoost算法进行分类训练,通过权重投票获取预测结果;最后,考虑到复杂网络弱分类器预测正负误差分布的不均衡问题,设置权重调整因子η及其调整范围[η1,η2],并根据η值动态调整AdaBoost算法的多个弱分类器分类结果的权重,从而获得准确的链路预测结果。实验结果证明,相比其他常用网络链路预测算法及传统AdaBoost算法,改进的AdaBoost算法的预测准确率优势明显,且在节点数量较多时,其预测时间性能和其他算法的差距较小。     

Tile自组装模型理论研究

自组装的形式化研究最终使得Tile自组装模型得以定义,系统中的因子编码可以随意地由不同部分组成。这个计算利用了不确定性的优势,但是在理论上每一个不确定性的路径都是以平行的方式被执行的,所以为了高效率解决路径的问题,就要增加现行规模的投入。文章主要对自组装模型的理论部分加以证明,并以实际例来说明这个模型的正确性。     

DNA计算模型的研究

DNA计算模型在DNA计算的各个研究领域中占有重要的地位,对DNA计算模型进行研究是有意义的。首先回顾了DNA计算模型的发展历史;然后从DNA的基本结构入手研究了DNA计算的机理,并对DNA计算的过程进行了详细分析,从而归纳出DNA计算模型的基本概念;再对DNA计算模型按照DNA计算的物质形态进行了分类并对每一类DNA计算模型的理论及其应用进行了详细的分析。     

位势法在网络优化中的应用及算法实现

研究了计算机网络中数据分发问题,根据网络中实时性、准确性的要求,提出了一种基于网络带宽、延迟的优化的位势法算法,并证明了算法的正确性和复杂性。     

基于拓扑相似和XGBoost的复杂网络链路预测方法

为了提高复杂网络链路预测的性能,采用拓扑相似和XGBoost算法来完成复杂网络链路预测.利用复杂网络拓扑结构建立邻接矩阵,求解共同邻居集合,然后根据拓扑相似理论计算复杂网络相似得分函数,将各个时间窗的得分函数和权重参数作为输入,采用XGBoost算法实现复杂网络的链路预测.通过差异化设置XGBoost算法的两个正则化系数,测试其对链路预测准确率的影响,获取最优正则化系数,从而得到稳定的XGBoost链路预测模型.实验证明,时间窗数量设置合理的情况下,相比常用网络链路预测算法,基于拓扑相似和XGBoost算法的预测准确率优势明显,且预测时间性能和其他算法的差距较小,尤其适用于大规模的复杂网络链路预测.