论文摘要
现实世界中的很多复杂系统,都可以抽象成图的形式,而复杂网络是研究各类系统普适性特征的有效工具。随着网络科学的发展,社团结构被证实为复杂网络的普遍性质。社团挖掘旨在识别网络中特定的社团结构,不仅对分析复杂网络拓扑结构、揭示复杂网络中的规律和预测复杂网络演化具有重要意义,而且有着广泛的应用前景,如社交网络上的信息传播分析,蛋白质功能预测,推荐系统优化等等。但是随着时代的发展,传统社团挖掘算法面临新的考验:1)网络数据规模增加,如何提高静态网络社团挖掘算法的效率是亟需解决的问题;2)网络呈现动态性,如何高效准确地捕捉网络的社团演化过程是亟待解决的问题;3)网络呈现层次性,如何挖掘出复合社团结构从而深层次地了解系统的全貌是目前的研究热点。针对现有的社团挖掘算法面临的静态社团识别效率低、动态社团结构不稳定,复合社团划分不合理的不足,本文围绕进化算法求解网络社团挖掘问题,将社团挖掘转化成优化问题,结合生物仿生模型和多目标优化理论,以“如何提高静态网络社团挖掘算法的效率”、“如何识别高质量且稳定的动态网络社团结构”和“如何识别具有较高全局特征的多层网络复合社团结构”为主线。针对静态网络社团挖掘,提出了一种基于多头绒泡菌仿生模型的离散粒子群优化算法。针对动态网络社团挖掘,提出了一种基于分解的多目标离散粒子群优化算法。针对多层网络社团挖掘,探究了现阶段多目标进化算法在多层网络上的研究现状和应用前景。本文的主要研究贡献可以概括为以下三个方面:(1)针对静态网络社团挖掘问题,采用离散粒子群优化算法求解该问题。设计基于数字串的编码方式利于解码,方便计算适应度值。通过结合网络拓扑邻居的信息和基于贪心的模块度增量策略,修改传统粒子群算法的速度和位置更新公式。并介绍一种多头绒泡菌网络模型(PNM,Physarum network model),可以在一定程度上识别网络社团间和社团内的边。之后,将PNM模型对社团边属性的识别作为先验知识,对粒子群算法的种群初始化进行指导,提出了一种基于多头绒泡菌仿生模型的离散粒子群优化算法。最后,在计算机生成的基准网络和现实世界的网络数据集上进行对比实验,从准确度、鲁棒性和收敛速度方面证明算法的有效性。(2)针对动态网络社团挖掘问题,根据演化聚类框架思想,同时考虑网络社团的结构质量和稳定程度。为了自动确定演化框架中的权重系数和网络的社团数目,同时降低多目标进化算法的计算复杂度,使用基于分解的多目标粒子群优化算法进行问题求解,该算法分别以网络模块化密度和标准化互信息作为优化目标,采用切比雪夫(Tchebycheff)聚合的方式评价个体的适应度值。基于单目标粒子群优化算法,重新设计算法的初始化过程和最优个体状态更新规则,并设计帕累托(Pareto)最优解选取策略,从Pareto最优前端上选取模块化密度最大的解作为当前时刻的社团划分,同时当作下个时刻网络社团挖掘的参照。最后,通过对4类基准网络和7个真实网络数据集上的实验证明了算法的有效性,并对动态社团结构的演变进行了可视化。(3)由于多层网络社团挖掘研究刚刚起步,缺少清晰、统一的定义,本文仅探讨现阶段多层网络社团挖掘的相关理论基础和研究成果,介绍了两种不同类型的多层网络:复合型多层网络和相互依赖型多层网络。针对复合型多层网络的社团挖掘问题进行了形式化定义,汇总现阶段多层网络社团挖掘研究成果,特别是基于多目标进化计算的多层网络社团挖掘算法,为基于进化计算的多层网络社团挖掘研究奠定理论基础。综上,本文在复杂网络理论基础上,结合进化计算和多目标优化理论进行静态和动态网络社团挖掘,并探讨了多目标进化算法在多层网络社团挖掘中的有效性和应用前景。同时,通过大量实验证明了基于进化计算框架的社团挖掘算法的有效性。
论文目录
文章来源
类型: 硕士论文
作者: 陈正鹏
导师: 高超
关键词: 复杂网络,社团挖掘,动态网络,多层网络,进化计算,多目标优化理论
来源: 西南大学
年度: 2019
分类: 基础科学,信息科技
专业: 数学,自动化技术
单位: 西南大学
分类号: O157.5;TP18
总页数: 66
文件大小: 5075K
下载量: 65
相关论文文献
- [1].《云进化计算》[J]. 中国信息化 2020(01)
- [2].进化计算算法在路径优化中的应用[J]. 电子技术与软件工程 2017(10)
- [3].新型模拟进化计算[J]. 计算机工程与应用 2011(09)
- [4].交互式进化计算研究进展[J]. 控制与决策 2010(09)
- [5].智能系统导论课程中进化计算的教学探讨[J]. 计算机教育 2017(10)
- [6].进化计算研究现状(下)[J]. 电脑开发与应用 2010(01)
- [7].交互进化计算对焦虑测量的适用性探析[J]. 心理学报 2010(05)
- [8].基于正态变异的思维进化计算[J]. 科学技术与工程 2009(17)
- [9].基于梯度提升决策树分类器的进化计算动态性能研究[J]. 信息系统工程 2020(03)
- [10].基于进化计算理论的推荐系统算法设计[J]. 电脑知识与技术 2014(10)
- [11].基于粒度进化计算的KDD技术分析[J]. 微处理机 2009(02)
- [12].基于交互式进化计算的虚拟表情建模[J]. 计算机应用与软件 2008(02)
- [13].ACM—2009遗传与进化计算国际会议[J]. 国际学术动态 2010(03)
- [14].基于密度的多目标差分算法[J]. 科技信息 2009(19)
- [15].2017第二届群体智能和进化计算会议(英文)[J]. 智能系统学报 2016(06)
- [16].2017第二届群体智能和进化计算会议(英文)[J]. 智能系统学报 2017(02)
- [17].微粒群算法研究与应用分析[J]. 学周刊 2015(18)
- [18].基于并行粒度进化计算的肝功能检测分析模型研究[J]. 计算机工程与应用 2008(01)
- [19].进化计算研究现状(上)[J]. 电脑开发与应用 2009(12)
- [20].基于进化计算的轨道转移时间-能量优化方法[J]. 计算机工程与设计 2008(03)
- [21].微粒群优化算法[J]. 南通纺织职业技术学院学报 2009(01)
- [22].一种基于混沌搜索的文化算法及其应用[J]. 计算机应用研究 2010(07)
- [23].进化计算及应用[J]. 四川兵工学报 2009(03)
- [24].免疫非支配自适应粒子群多目标优化[J]. 西安电子科技大学学报 2010(05)
- [25].一种新的群集智能优化及其改进研究[J]. 系统工程与电子技术 2008(02)
- [26].基于差异进化的克隆选择算法[J]. 计算机工程与应用 2011(14)
- [27].基于进化计算的电动跑步机造型设计[J]. 机械制造 2008(10)
- [28].进化计算浅析[J]. 福建电脑 2015(09)
- [29].基于进化计算的攻击图生成方法[J]. 泰州职业技术学院学报 2016(04)
- [30].基于自适应差异进化法的电力系统无功优化[J]. 计算技术与自动化 2009(04)