基于分解的多目標粒子群優(yōu)化的符號網絡結構平衡的制作方法
【技術領域】
[0001] 本發(fā)明屬于復雜符號網絡領域,涉及復雜符號網絡的結構趨于平衡的知識,具體 是一種基于分解的多目標粒子群優(yōu)化方法的符號網絡結構平衡,可用于對復雜網絡的結構 平衡的研究。
【背景技術】
[0002] 網絡是由結點和連線構成,表示諸多對象及其相互聯系。在數學上,網絡是一種 圖,一般認為專指加權圖。網絡除了數學定義外,還有具體的物理含義,即網絡是從某種相 同類型的實際問題中抽象出來的模型。在計算機領域中,網絡是信息傳輸、接收、共享的虛 擬平臺,通過它把各個點、面、體的信息聯系到一起,從而實現這些資源的共享。網絡是人類 發(fā)展史來最重要的發(fā)明,提高了科技和人類社會的發(fā)展。網絡會借助文字閱讀、圖片查看、 影音播放、下載傳輸、游戲、聊天等軟件工具從文字、圖片、聲音、視頻等方面給人們帶來極 其豐富的生活和美好的享受。
[0003] 在我們的生活中,網絡無處不在。目前對網絡的研究是對復雜系統(tǒng)研究的一部分。 信息技術領域的快速發(fā)展和復雜網絡研究的興起,為網絡的研究和應用帶來了新的機遇和 挑戰(zhàn)。一方面,隨著信息技術領域的發(fā)展,無處不在的網絡應用和海量的數字化網絡數據給 研究者提供了豐富的研究隊形,隨著科技的發(fā)展,便攜式電子設備普遍存在。人們通過一些 社交平臺,如,Facebook,微博,微信等社交網絡提供的便利建立自己的社交圈。社會網絡 是一個很好的大型社會系統(tǒng)的例子。社會網絡中不通用戶間的連接產生了一個復雜的、多 層面的社會關系。復雜網絡研究正滲透到數理學科、生命學科和工程學科等眾多不同的領 域,對復雜網絡的定量與定性特征的科學理解已成為網絡時代科學研究中一個極其重要的 挑戰(zhàn)性課題。
[0004] 近年來,人們對復雜網絡產生了很大的興趣,因為許多復雜系統(tǒng)都可以建模為復 雜網絡,包括協同網絡,萬維網和神經網絡等,這些研究很可能給我們理解復雜系統(tǒng)帶來新 的認識。為了理解和利用社會網絡的信息,研究者發(fā)現了網絡很多獨特的性質,小世界,無 標度等,并且研究了很多方法從不同的角度研究網絡的結構特性。對社區(qū)結構的研究引起 了學者的廣泛關注。盡管已經提出了很多社區(qū)聚類方法,但大部分都只能處理無符號網絡。 然而,生活中很多復雜系統(tǒng)都只能建模成擁有正負連接的網絡,即符號網絡。人們越來越認 識到,基于符號屬性去研究這些網絡對準確認識這類復雜系統(tǒng)和其上的應用設計具有重要 的意義。例如,利用邊的符號屬性去分析、理解和預測這些復雜網絡的拓撲結構、功能、動力 學行為具有十分重要的理論意義,并且對個性化推薦、態(tài)度預測、用戶特征分析和聚類等具 有重要的應用價值。
[0005] 符號網絡是指邊具有正或負符號屬性的網絡,其中正邊和負邊分別表示積極的關 系和消極的關系。具體而言,符號網絡中的正邊可以表示朋友、信任、喜歡、支持等積極關 系,使用正號" + "標識,而負邊通常用于表示敵人、不信任、討厭、反對等消極關系,使用負 號標識。在社會、生物和信息領域,很多復雜系統(tǒng)中都存在對立關系,例如,社會領域 中,人與人之間存在朋友與敵人關系;國際關系中,有合作與敵對關系;生物領域里,神經 元之間存在促進和抑制關系;信息領域中,用戶在社交網站或社會媒體上可以對其他用戶 表達信任或不信任態(tài)度、標注朋友或敵人關系,還可以投票贊成或反對一個用戶的管理員 提名。另外,在線社區(qū)中,用戶觀點也存在相近與對立關系。除上述具有明確的正、負關系 標識的情形以外,還有一些復雜系統(tǒng)的正負關系是隱含的。如萬維網中一個頁面包含的超 鏈接既可能表示對鏈接目標頁面的贊同,也可能是反對,這需要通過分析兩個頁面的語義 來判定。這些復雜系統(tǒng)都可以抽象為符號網絡而加以描述。
[0006] 符號網絡領域中最基礎的理論是結構平衡理論,最早在1946年由Heider提出,該 理論的提出既拉開了符號網絡研究的序幕,也為之打下了堅實的理論基礎。這個理論被用 來處理網絡潛在的動態(tài)發(fā)展趨勢。平衡關系起初被映射到三角形中,見附圖1,正負邊關系 分別表示朋友和敵人,平衡狀態(tài)滿足一下原則,朋友的朋友是朋友,朋友的敵人是敵人,敵 人的朋友是敵人,敵人的敵人是朋友。該理論在提出之后不斷被完善與發(fā)展,由于社會關系 的復雜性,將三角形理論應用到其上時存在極化現象,之后著名學者Davis對整個網絡系 統(tǒng)基于聚類方法研究網絡平衡。即先對網絡進行聚類,類間結點之間的連接全是負邊,類內 結點之間的連接全為正邊的網絡是平衡網絡。
[0007] 在社會學,計算機科學,心理學還有其他任何可以被描述為符號網絡的領域,結構 平衡理論都顯示了它存在的理論意義和社會價值。這個理論的研究雖然存在著很多困難, 但由于其有趣性和重要性,吸引了各個領域的著名學者。
[0008] 符號網絡結構平衡的研究有其重要的現實意義,說明書附圖2研究了國際關系的 動態(tài)發(fā)展,并最終趨于平衡。該圖向我們顯示了第一次世界大戰(zhàn)期間參與國的聯盟關系的 發(fā)展。把這些關系建模成符號網絡,我們就可以預測各國之間的最終關系,從而避免很多災 難性的戰(zhàn)爭。
[0009] 符號網絡結構平衡問題可以建模成優(yōu)化問題,很多情況下,這個問題是一個NP難 問題。因此,用進化算法來處理此類問題就顯得尤為必要。在一些應用中,網絡結構平衡問 題需要考慮多方面因素,因此,用相互沖突的多目標解決網絡結構平衡問題更為理想。有幾 個用來解決網絡聚類的多目標進化算法已經別提出。但他們均用來解決無符號網絡,即便 用來解決符號網絡,結果也不理想。不能檢測到穩(wěn)定及有效的網絡結構,而且部分算法的復 雜度極高且搜索能力較弱。
【發(fā)明內容】
[0010] 本發(fā)明的目的在于針對已有技術的不足,提出一種新的模型并提出一種新的基于 分解粒子群優(yōu)化的算法用于解決符號網絡結構平衡的有關問題。
[0011] 首先介紹一下符號網絡社區(qū)和符號網絡結構的關系:符號網絡結構是符號網絡的 拓撲結構,是一個整體概念,而社區(qū),是對符號網絡這個整體的概念進行劃分的模塊,全部 的社區(qū)就是加在一起就是整個網絡的結構,即,社區(qū)是網絡結構的一種展現形式。社區(qū)是具 有一些相似特征,聯系緊密的人(物)的集合,本發(fā)明中的社區(qū)是整個大網絡中的某些具有 相似特征的結點劃分到一個板塊中,每個板塊均為一個社區(qū)。
[0012] 本發(fā)明的技術方案是:將復雜網絡結構平衡問題看作是一個兩目標問題,這兩個 目標函數是由基于核的k-均值函數和比率函數組成,分別定義為SKKM,SRC利用基于分解 的多目標粒子群優(yōu)化方法同時優(yōu)化兩個目標函數,并引入鄰域局部搜索策略,搜索更好的 網絡聚類結構,得到PF面,PF面上的每個點代表一個解,每個解代表一種分類。再從分類 中選取改變邊數最小達到平衡的分類。其實現步驟如下:
[0013] 步驟1,針對符號網絡社區(qū)劃分的概念,構建新的目標函數,使符號網絡社區(qū)內的 正邊密度大,社區(qū)間的正邊密度??;
[0014] 步驟2,根據粒子優(yōu)化的基本原理,使用粒子群優(yōu)化策略,來優(yōu)化步驟1構建的目 標函數,得到多種不同的符號網絡社區(qū)劃分;
[0015] 步驟3,從多種不同的符號網絡社區(qū)劃分中選取使社區(qū)內部的負邊數和社區(qū)間的 正邊數之和最小的一種符號網絡社區(qū)劃分結果;
[0016] 步驟4,對選中的符號網絡社區(qū)劃分,更改不平衡邊的符號屬性。即將符號網絡社 區(qū)內部的負邊改為正邊,社區(qū)間的正邊改為負邊,從而得到最終的平衡網絡。
[0017] 本發(fā)明中的粒子群優(yōu)化算法是通過模擬鳥群覓食行為而發(fā)展起來的一種基于群 體協作的隨機搜索算法。它是群體智能算法的一種,模擬鳥群捕食行為,一群鳥在隨機搜索 食物,在這個區(qū)域里只用一塊食物,所有的鳥都不知道食物在哪里。但是它們知道當前的位 置離食物還有多遠。找到食物的最優(yōu)策略是,搜索目前離食物最近的鳥的周圍區(qū)域。粒子 群優(yōu)化算法模型簡單,而且在處理問題過程中很少出現假設,不需要要求問題具有很好的 數學性質,比如,可倒、凹凸性等。粒子群優(yōu)化算法在解決連續(xù)問題方面已經取得巨大成就, 基于此,本文設計了離散粒子群優(yōu)化算法。以提高網絡聚類的準確性,實現對復雜網絡的正 確劃分。本發(fā)明與現有技術相比具有如下優(yōu)點:
[0018] 第一,本發(fā)明將復雜符號網絡的聚類問題看作是一個多目標問題,利用基于粒子 群優(yōu)化方法同時優(yōu)化兩個目標函數。該方法簡單,需調參數較少,克服了現有技術需要提前 制定類別數目大小。
[0019] 第二,本發(fā)明采用了離散粒子群優(yōu)化,重新設計了粒子群優(yōu)化過程中的一些模型。
[0020] 第三,本發(fā)明采用了實數編碼方法對粒子進行編碼,在解碼過程中自動確定社區(qū)
[0021] 分類個數。
[0022] 第四,本發(fā)明引入了新的策略來處理符號網絡結構平衡問題。
【附圖說明】
[0023] 圖1為結構平衡框架;
[0024] 圖2為第一次世界大戰(zhàn)各聯盟國關系的發(fā)展,說明了網絡結構平衡的現實意義;
[0025] 圖3為本發(fā)明解決問題的具體框架;
[0026] 圖4為本發(fā)明與現有方法對幾個典型網絡社區(qū)劃分后PF面的比較圖。
【具體實施方式】
[0027] 本發(fā)明的具體實現步驟如下:
[0028] 步驟1,輸入目標符號網絡的鄰接矩陣A并構建目標函數:(la)符號網絡中各個結 點之間的正負關系組成符號網絡的鄰接矩陣A,其定義如下: υ?Ν 丄丄ouuou λ -/·?·? 吁/υ X
[0029]
Ο
[0030] 其中Alj表示結點i和j的連接,鄰接矩陣的元素A ^ {-1,〇, +1},當i乒j時, 表示結點i和j是正連接,Au= -1表示結點是負連接,而A 0則表示結點i,j是無連 接;當i = j時,Ag= 0, η表示符號網絡的結點個數;
[0031] (Ib)根據劃分符號網絡的社區(qū)概念,構建目標函數如下:
[0032]
[0033]
[0034] V1表示社區(qū)第i個社區(qū),L + (V1, Vj)表示社區(qū)i和社區(qū)j之間的正邊數,L (V1, Vj) 表示社區(qū)i和社區(qū)j之間的負邊數。k是社區(qū)個數,IvlI是第i個社區(qū)的結點個數,f是 不包含i社區(qū)的k個社區(qū)中的其他社區(qū),i e V1表示i是社區(qū)i中的結點,j e V ,表示j是 社區(qū)j中的結點。
[0035] 步驟2,具體優(yōu)化策略
[0036] 實現步驟如下:
[0037] (2a)初始化:
[0038] 2al)構造初始化種群,采用實數編碼方法初始化種群,P = {Xl,x2, . . .,xw}其中 Xi= i ;
[0039] 2a2)初始化速度 V = Iv1, V2, · · ·,vj,Vi = 0 ;
[0040] 2a3)計算分布均勻的權重向量;
[0041 ] 2a4)初始化 Pbest = {pbest" pbest2, ···,pbestj,Pbesti = X ;;
[0042] 2a5)初始化參考點
,k為目標函數的個數,
[0043]
[0044] 2a6)初始化每個子問題的鄰居。根據歐氏距離計算每個子問題的鄰居問題η = {rii,1^2,· · · nniche} 〇
[0045] (