專利名稱：基于分解的局部搜索多目標(biāo)復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)社區(qū)劃分方法
技術(shù)領(lǐng)域：
本發(fā)明屬于復(fù)雜網(wǎng)絡(luò)領(lǐng)域，涉及動(dòng)態(tài)網(wǎng)絡(luò)社區(qū)劃分方法，具體是一種基于分解的局部搜索多目標(biāo)復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)社區(qū)劃分方法，可用于檢測復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)中的社區(qū)結(jié)構(gòu)。
背景技術(shù)：
從20世紀(jì)末開始，以internet為代表的信息技術(shù)的迅猛發(fā)展使人類社會(huì)大步邁入了網(wǎng)絡(luò)時(shí)代。在現(xiàn)實(shí)世界中許多系統(tǒng)以網(wǎng)絡(luò)的形式存在，從互聯(lián)網(wǎng)世界中的萬維網(wǎng)到交通系統(tǒng)中的路線網(wǎng)，從電子領(lǐng)域中的超大規(guī)模集成電路到電力系統(tǒng)中的大型電力網(wǎng)絡(luò)，從生物系統(tǒng)中的細(xì)胞神經(jīng)網(wǎng)絡(luò)到蛋白質(zhì)互相作用網(wǎng)絡(luò)，從社會(huì)關(guān)系中的社交網(wǎng)絡(luò)到科學(xué)家之間的合作關(guān)系網(wǎng)，復(fù)雜網(wǎng)絡(luò)無處不在。在這些復(fù)雜網(wǎng)絡(luò)中，存在著一些動(dòng)態(tài)網(wǎng)絡(luò)其網(wǎng)絡(luò)結(jié)構(gòu)隨時(shí)間演化發(fā)展，例如，博客網(wǎng)絡(luò)中，由于博友們興趣和愛好的變化，不同博友間的互動(dòng)狀態(tài)隨時(shí)間動(dòng)態(tài)的變化；在科學(xué)家之間的合作關(guān)系中，隨著科學(xué)家研究領(lǐng)域的改變，科學(xué)家之間的合作關(guān)系也隨之發(fā)生變化；論文之間的引用關(guān)系，隨著論文中提出觀點(diǎn)在一個(gè)新的領(lǐng)域中使用程度發(fā)生變化，論文被引用的關(guān)系也隨之發(fā)生變化。所有的這些網(wǎng)絡(luò)都可以被看作是隨時(shí)間演化的復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)。在這些動(dòng)態(tài)網(wǎng)絡(luò)中，不但包含靜態(tài)復(fù)雜網(wǎng)絡(luò)的特性，而且加入了網(wǎng)絡(luò)結(jié)構(gòu)隨時(shí)間發(fā)生的動(dòng)態(tài)演化特性。在復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)中，包含著一些典型的特性，小世界特性、無標(biāo)度特性、社區(qū)結(jié)構(gòu)特性以及動(dòng)態(tài)演化特性。小世界特性是指復(fù)雜網(wǎng)絡(luò)既擁有規(guī)則網(wǎng)絡(luò)中的大的簇系數(shù)特性同時(shí)也擁有隨機(jī)網(wǎng)絡(luò)中的小的平均距離的特性。無標(biāo)度特性是指在復(fù)雜網(wǎng)絡(luò)中節(jié)點(diǎn)度服從冪率分布，也就是說，具有某個(gè)特定度的節(jié)點(diǎn)數(shù)目與這個(gè)特定的度之間的關(guān)系可以用一個(gè)冪函數(shù)近似地表示。由于冪函數(shù)曲線是一條下降相對(duì)緩慢的曲線，這使得度很大的節(jié)點(diǎn)可以在網(wǎng)絡(luò)中存在。社區(qū)結(jié)構(gòu)特性是指在復(fù)雜網(wǎng)絡(luò)中，存在社區(qū)結(jié)構(gòu)，大量實(shí)證研究表明，許多網(wǎng)絡(luò)是異構(gòu)的，一個(gè)復(fù)雜網(wǎng)絡(luò)可以被分解為多個(gè)社區(qū)，其中社區(qū)內(nèi)部節(jié)點(diǎn)之間存在較多的連接，而不同社區(qū)之間的節(jié)點(diǎn)連接則相對(duì)較少。動(dòng)態(tài)演化特性是在復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)，尤其是在線網(wǎng)絡(luò)中，一個(gè)重要的特征就是社區(qū)的時(shí)間演化特性，該特性是用于描述不同時(shí)刻網(wǎng)絡(luò)隨時(shí)間是演化發(fā)展的。目前，復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)研究已經(jīng)涉及到社會(huì)學(xué)、經(jīng)濟(jì)學(xué)、計(jì)算機(jī)網(wǎng)絡(luò)學(xué)，以及生物學(xué)等多個(gè)領(lǐng)域，典型的復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)包括互聯(lián)網(wǎng)、萬維網(wǎng)、社交網(wǎng)、社會(huì)政治和經(jīng)濟(jì)網(wǎng)、以及科研合作關(guān)系網(wǎng)等。關(guān)于復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)的定量和定性特征的科學(xué)理解，已引起科學(xué)界的廣泛關(guān)注和研究。特別是，近幾年對(duì)于不同時(shí)間段上網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)的分析以及社區(qū)結(jié)構(gòu)隨時(shí)間的動(dòng)態(tài)演化已經(jīng)引起廣大學(xué)者的關(guān)注，例如通過對(duì)科研合作關(guān)系網(wǎng)的研究，分析學(xué)術(shù)研究團(tuán)隊(duì)所研究課題在學(xué)科內(nèi)部和交叉學(xué)科之間隨時(shí)間發(fā)生的動(dòng)態(tài)變化；通過對(duì)公司內(nèi)部電話之間的通話網(wǎng)絡(luò)研究，分析領(lǐng)導(dǎo)層的變化；通過對(duì)博客網(wǎng)絡(luò)中博友間的互相訪問網(wǎng)絡(luò)的研究，分析博友興趣愛好的變化。在現(xiàn)有的動(dòng)態(tài)網(wǎng)絡(luò)演化社區(qū)結(jié)構(gòu)分析方法中，剛開始的研究方法主要分為兩階段進(jìn)行分析，首先利用靜態(tài)網(wǎng)絡(luò)分析方法去分析各個(gè)時(shí)間段上的網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)，然后引入社區(qū)演化去解釋社區(qū)結(jié)構(gòu)在各個(gè)時(shí)間段上隨時(shí)間的變化。然而，現(xiàn)實(shí)世界的網(wǎng)絡(luò)由于噪聲的影響使得網(wǎng)絡(luò)結(jié)構(gòu)很模糊，在這樣的一個(gè)場景下，如果不依賴已有時(shí)間段上的社區(qū)結(jié)構(gòu)信息而獨(dú)立獲得每個(gè)時(shí)間段上的社區(qū)結(jié)構(gòu)，這會(huì)導(dǎo)致得到的社區(qū)結(jié)構(gòu)隨時(shí)間顯著變化，從而不能很好地反映出實(shí)際網(wǎng)絡(luò)中社區(qū)結(jié)構(gòu)的特性。近年來，學(xué)者們提出了一些利用時(shí)間平滑性框架處理動(dòng)態(tài)網(wǎng)絡(luò)中社區(qū)結(jié)構(gòu)檢測的方法。這些方法將社區(qū)結(jié)構(gòu)提取和社區(qū)演化特性在統(tǒng)一框架下同步分析，具體是通過結(jié)合歷史時(shí)間段上網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)這一先驗(yàn)知識(shí)來獲得當(dāng)前時(shí)間段上網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)，使得該社區(qū)結(jié)構(gòu)不但能很好地反映當(dāng)前時(shí)間段上網(wǎng)絡(luò)的結(jié)構(gòu)特征，同時(shí)可以結(jié)合動(dòng)態(tài)網(wǎng)絡(luò)中社區(qū)結(jié)構(gòu)的時(shí)間演化特性，進(jìn)而更好地符合實(shí)際網(wǎng)絡(luò)中社區(qū)結(jié)構(gòu)的特性。目前，動(dòng)態(tài)網(wǎng)絡(luò)中同步分析社區(qū)和它們之間演化特性的方法，均屬于在時(shí)間平滑性框架下處理動(dòng)態(tài)網(wǎng)絡(luò)中社區(qū)結(jié)構(gòu)檢測問題的方法，按照所采用的基本優(yōu)化策略不同，可以歸納為單目標(biāo)優(yōu)化處理和多目標(biāo)優(yōu)化處理兩類。單目標(biāo)優(yōu)化處理，如 Lin 等在"FacetNet :A framework for analyzing communities and their evolutions in dynamic networks" (〈〈In Proceedings of International World Wide Web Conference Committee)), 2008, pages 685-694)中提出一種在動(dòng)態(tài)網(wǎng)絡(luò)中同步分析社區(qū)和它們之間演化特性的方法。這種方法將動(dòng)態(tài)網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)檢測問題看作是一個(gè)單目標(biāo)優(yōu)化問題，具體是將網(wǎng)絡(luò)中的社區(qū)質(zhì)量函數(shù)和歷史代價(jià)函數(shù)通過一個(gè)偏重參數(shù)合并成為一個(gè)單目標(biāo)函數(shù)進(jìn)行優(yōu)化。該方法存在的不足是需要提前設(shè)定兩目標(biāo)的偏重參數(shù)和網(wǎng)絡(luò)中社區(qū)劃分模塊數(shù)，這對(duì)于沒有任何先驗(yàn)知識(shí)的實(shí)際網(wǎng)絡(luò)來說， 是很難提前確定的，如果偏重參數(shù)和社區(qū)劃分模塊數(shù)提前設(shè)定不準(zhǔn)確，將會(huì)造成網(wǎng)絡(luò)社區(qū)誤劃分。多目標(biāo)優(yōu)化處理，如 Folino 等在 “AMulti-objective and Evolutionary Clustering Method for Dynamic Networks，，(《In Proceedings of International Conference on Advances in Social Networks Analysis and Mining》，2010, pages 256-263)提出一種利用多目標(biāo)遺傳算法檢測動(dòng)態(tài)網(wǎng)絡(luò)中社區(qū)結(jié)構(gòu)的方法，即DYN-MOGA方法。這種方法將動(dòng)態(tài)網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)檢測問題看作是一個(gè)兩目標(biāo)問題，然后利用非支配多目標(biāo)遺傳算法同時(shí)優(yōu)化這兩個(gè)目標(biāo)函數(shù)，該方法的優(yōu)點(diǎn)是通過利用多目標(biāo)優(yōu)化方法同時(shí)優(yōu)化這兩個(gè)目標(biāo)函數(shù)，不需要提前設(shè)定偏重參數(shù)和社區(qū)劃分模塊數(shù)，但是，由于遺傳算法的局部搜索能力不足，使得在處理復(fù)雜度較高的動(dòng)態(tài)網(wǎng)絡(luò)時(shí)得到的社區(qū)結(jié)構(gòu)不能很好地反映出動(dòng)態(tài)網(wǎng)絡(luò)中社區(qū)結(jié)構(gòu)的特性。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對(duì)上述已有技術(shù)的不足，提出一種基于分解的局部搜索多目標(biāo)復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)社區(qū)劃分方法，以提高社區(qū)劃分的準(zhǔn)確性，實(shí)現(xiàn)對(duì)復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)的正確檢測。本發(fā)明的技術(shù)方案是將動(dòng)態(tài)網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)檢測問題看作是一個(gè)兩目標(biāo)問題，其中模塊度函數(shù)和歸一化互信息函數(shù)作為目標(biāo)函數(shù)，利用基于分解的進(jìn)化多目標(biāo)方法同時(shí)優(yōu)化這兩個(gè)目標(biāo)函數(shù)，并引入鄰域局部搜索策略，搜索更好的網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)劃分，其實(shí)現(xiàn)步驟包括如下(1)輸入目標(biāo)動(dòng)態(tài)網(wǎng)絡(luò)DN= {G1; -,Gt,…GT}，其中DN表示由T個(gè)時(shí)間段網(wǎng)絡(luò)組成的一個(gè)動(dòng)態(tài)網(wǎng)絡(luò)序列，Gt表示t時(shí)間段上的網(wǎng)絡(luò)，t e (1，…，T)，T為時(shí)間段總數(shù)；(2)初始化將網(wǎng)絡(luò)G1中社區(qū)結(jié)構(gòu)檢測看作是一個(gè)單目標(biāo)優(yōu)化問題，利用基于密母計(jì)算的網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)檢測方法找到初始時(shí)間段上網(wǎng)絡(luò)的社區(qū)劃分CR1 ；(3)構(gòu)建歸一化互信息函數(shù)匪I和模塊度函數(shù)Q，作為目標(biāo)函數(shù)3a)建立t時(shí)間段上網(wǎng)絡(luò)社區(qū)劃分與t-Ι時(shí)間段上網(wǎng)絡(luò)社區(qū)劃分之間的歸一化互信息函數(shù)匪I

權(quán)利要求
1. 一種基于分解的局部搜索多目標(biāo)復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)社區(qū)劃分方法，其特征在于所述方法包括下列步驟(1)輸入目標(biāo)動(dòng)態(tài)網(wǎng)絡(luò)DN= {G1; -,Gt, ··、}，其中DN表示由T個(gè)時(shí)間段網(wǎng)絡(luò)組成的一個(gè)動(dòng)態(tài)網(wǎng)絡(luò)序列，Gt表示t時(shí)間段上的網(wǎng)絡(luò)，t e (1，…，T)，T為時(shí)間段總數(shù)；(2)初始化將網(wǎng)絡(luò)G1中社區(qū)結(jié)構(gòu)檢測看作是一個(gè)單目標(biāo)優(yōu)化問題，利用基于密母計(jì)算的網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)檢測方法找到初始時(shí)間段上網(wǎng)絡(luò)的社區(qū)劃分CR1 ；(3)構(gòu)建歸一化互信息函數(shù)匪I和模塊度函數(shù)Q，作為目標(biāo)函數(shù)3a)建立t時(shí)間段上網(wǎng)絡(luò)社區(qū)劃分與t-Ι時(shí)間段上網(wǎng)絡(luò)社區(qū)劃分之間的歸一化互信息函數(shù)匪I NMI(AB) =A=I乙尸ι ιι/ ι..〗)，其中，A和B分別表示t和t-Ι兩個(gè)時(shí)間段上網(wǎng)絡(luò)的社區(qū)劃分，Ca是指劃分A中模塊數(shù)， Cb是指劃分B中模塊數(shù)，Cij是指劃分A中模塊i與劃分B中模塊j共有的節(jié)點(diǎn)數(shù)目，C是 Cij的混合矩陣，Ci是指C中第i行的元素和，&是指C中第j列的元素和，N是網(wǎng)絡(luò)中節(jié)點(diǎn)總數(shù)；3b)建立t時(shí)間段上網(wǎng)絡(luò)社區(qū)劃分的模塊度函數(shù)Q β = ΣZ=I/ ( d; V--m I 2m其中，k為社區(qū)劃分模塊數(shù)，Ii為模塊i中節(jié)點(diǎn)間連接邊的總數(shù)，Cli為模塊i中各節(jié)點(diǎn)度的總和，m為網(wǎng)絡(luò)中邊的總數(shù)； (4)優(yōu)化目標(biāo)函數(shù)4a)利用切比雪夫數(shù)學(xué)分解方法將步驟(3)中兩個(gè)目標(biāo)函數(shù)分別分解為N個(gè)單目標(biāo)子函數(shù)；4b)構(gòu)造初始解種群采用鄰接點(diǎn)實(shí)數(shù)編碼方法生成初始解種群，并在初始解種群中給每個(gè)單目標(biāo)函數(shù)分配一個(gè)解個(gè)體作為它的解，設(shè)定種群進(jìn)化終止代數(shù)gen ；4c)選擇父代個(gè)體從解種群中選擇兩個(gè)父代個(gè)體，一個(gè)為第i個(gè)單目標(biāo)函數(shù)對(duì)應(yīng)的解個(gè)體，另一個(gè)是從解種群中隨機(jī)選擇一個(gè)解個(gè)體；4d)交叉變異對(duì)選擇的兩個(gè)父代個(gè)體進(jìn)行均勻交叉操作，得到一個(gè)子個(gè)體，對(duì)子個(gè)體進(jìn)行鄰域變異操作，得到一個(gè)新子代；4e)更新第i個(gè)單目標(biāo)子函數(shù)解個(gè)體對(duì)應(yīng)的子種群根據(jù)各單目標(biāo)子函數(shù)中權(quán)值參數(shù)之間歐式距離最小原則，給第i個(gè)單目標(biāo)子函數(shù)解個(gè)體構(gòu)造一個(gè)個(gè)體數(shù)目為M的子種群，利用新子代更新第i個(gè)子函數(shù)解個(gè)體對(duì)應(yīng)的子種群；4f)重復(fù)步驟如)-步驟如)，直到N個(gè)子函數(shù)都被執(zhí)行完畢，得到解種群(X1,...,XJ ； 4g)局部搜索從解種群{X” . . .，中選擇模塊密度值最大的一個(gè)解個(gè)體，利用鄰域局部搜索方法對(duì)模塊密度值最大的解個(gè)體進(jìn)行局部搜索操作，得到局部最優(yōu)解個(gè)體，用局部最優(yōu)解個(gè)體更新模塊密度值最大的解個(gè)體對(duì)應(yīng)的子種群，得到改進(jìn)的解種群{X” ...， Xj ；4h)判斷是否終止如果種群進(jìn)化終止代數(shù)滿足預(yù)先設(shè)定的代數(shù)gen，則執(zhí)行(5)，否則，重復(fù)步驟4c)_步驟4g)；(5)選擇最佳的社區(qū)劃分從步驟4g)得到的改進(jìn)解種群{X”.. . ,XJ中選擇模塊密度值最大的解個(gè)體作為最優(yōu)解，并通過解碼得到t時(shí)間段上網(wǎng)絡(luò)社區(qū)劃分CRt ；(6)如果t= T，輸出網(wǎng)絡(luò)社區(qū)劃分序列ICR1, CR2, ... , C&}，否則，t = t+Ι，返回步驟⑶。
2.根據(jù)權(quán)利要求1所述的基于分解的局部搜索多目標(biāo)復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)社區(qū)劃分方法，其中步驟(2)所述的利用基于密母計(jì)算的網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)檢測方法找到初始時(shí)刻網(wǎng)絡(luò)社區(qū)劃分CR1的步驟如下(2a)構(gòu)造初始化種群，采用直接編碼方法初始化種群中的個(gè)體，設(shè)定種群進(jìn)化終止代數(shù) gen ；(2b)選擇操作(2bl)將模塊度作為適應(yīng)度函數(shù)；(2b2)計(jì)算當(dāng)前種群中每一個(gè)個(gè)體的適應(yīng)度函數(shù)值；(2b3)從當(dāng)前種群中隨機(jī)選擇兩個(gè)個(gè)體，將其中適應(yīng)度函數(shù)值較大的個(gè)體加入父種群中；(2b4)重復(fù)步驟Ob3)，直至得到整個(gè)父種群； (2c)交叉變異(2cl)從父種群中隨機(jī)選擇兩個(gè)父個(gè)體；(2c2)對(duì)兩個(gè)父個(gè)體進(jìn)行雙向傳遞交叉操作，得到兩個(gè)臨時(shí)子個(gè)體； (2c3)對(duì)兩個(gè)臨時(shí)子個(gè)體分別進(jìn)行單點(diǎn)變異操作，得到兩個(gè)子個(gè)體； (2c4)重復(fù)步驟Ocl)-步驟Oc3)，直至得到整個(gè)子種群； (2d)局部搜索(2dl)從子種群中選擇適應(yīng)度函數(shù)值最大的一個(gè)個(gè)體；(2d2)利用爬山法對(duì)適應(yīng)度函數(shù)值最大的個(gè)體進(jìn)行局部搜索操作，得到局部最優(yōu)個(gè)體；(2d3)用局部最優(yōu)個(gè)體替代子種群中適應(yīng)度函數(shù)值最大的個(gè)體，得到改進(jìn)子種群； (2e)更新種群(2el)將改進(jìn)子種群與當(dāng)前種群合并，組成臨時(shí)種群； (2e2)將臨時(shí)種群中的個(gè)體按照適應(yīng)度函數(shù)值大小由高到低排序； (2e3)截取臨時(shí)種群中和當(dāng)前種群規(guī)模大小相同的適應(yīng)度函數(shù)值大的個(gè)體，得到下一代種群；(2f)判斷是否終止如果迭代次數(shù)滿足預(yù)先設(shè)定的代數(shù)gen，則執(zhí)行下一步驟，否則， 重復(fù)步驟( )-步驟(2e)0
3.根據(jù)權(quán)利要求1所述的基于分解的局部搜索多目標(biāo)復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)社區(qū)劃分方法，其中步驟4a)所述的利用切比雪夫數(shù)學(xué)分解方法將步驟C3)中兩個(gè)目標(biāo)函數(shù)分別分解為N個(gè)單目標(biāo)子函數(shù)，是通過如下切比雪夫數(shù)學(xué)分解公式進(jìn)行minimize g{x) - max(χ) - ζ* j ,其中，χ為函數(shù)的解，fi (X)是解χ對(duì)應(yīng)的函數(shù)值乂是fi (χ)的最大值，Xi是第i個(gè)目標(biāo)函數(shù)對(duì)應(yīng)的權(quán)值參數(shù)，i e (1，2)，T為轉(zhuǎn)置操作。
4.根據(jù)權(quán)利要求1所述的基于分解的局部搜索多目標(biāo)復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)社區(qū)劃分方法，其中步驟4b)所述的采用鄰接點(diǎn)實(shí)數(shù)編碼方法生成初始解種群，步驟如下(4bl)給每個(gè)基因位對(duì)應(yīng)網(wǎng)絡(luò)中的一個(gè)節(jié)點(diǎn)；(4b2)從每個(gè)基因位對(duì)應(yīng)節(jié)點(diǎn)的鄰接節(jié)點(diǎn)中隨機(jī)選取一個(gè)節(jié)點(diǎn)作為該基因位的等位基因值；(4b3)由η個(gè)等位基因值組成一個(gè)解個(gè)體，作為解種群中的一個(gè)解個(gè)體，其中η為網(wǎng)絡(luò)中節(jié)點(diǎn)的個(gè)數(shù)。
5.根據(jù)權(quán)利要求1所述的基于分解的局部搜索多目標(biāo)復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)社區(qū)劃分方法，其中步驟4d)所述的對(duì)選擇的兩個(gè)父代個(gè)體進(jìn)行均勻交叉操作，是先隨機(jī)生成一個(gè)二進(jìn)制矢量，如果矢量值為1就選用第一個(gè)父代，如果矢量值為0就選用第二個(gè)父代，得到兩個(gè)子代； 然后，選擇單目標(biāo)函數(shù)值最小的子代作為子個(gè)體。
6.根據(jù)權(quán)利要求1所述的基于分解的局部搜索多目標(biāo)復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)社區(qū)劃分方法，其中步驟4d)所述的對(duì)子個(gè)體進(jìn)行鄰域變異操作，是首先隨機(jī)選擇一個(gè)待變異的節(jié)點(diǎn)，查找該節(jié)點(diǎn)的所有相鄰節(jié)點(diǎn)；然后從它的所有相鄰節(jié)點(diǎn)中隨機(jī)選擇一個(gè)節(jié)點(diǎn)代替待變異節(jié)點(diǎn)。
7.根據(jù)權(quán)利要求1所述的基于分解的局部搜索多目標(biāo)復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)社區(qū)劃分方法，其中步驟4g)所述的從解種群{X” . . . , XJ中選擇模塊密度值最大的一個(gè)解個(gè)體，是通過模塊密度函數(shù)H選擇
8.根據(jù)權(quán)利要求1所述的基于分解的局部搜索多目標(biāo)復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)社區(qū)劃分方法，其中步驟4g)所述的利用鄰域局部搜索方法對(duì)模塊密度值最大的解個(gè)體進(jìn)行局部搜索操作， 是首先查找模塊密度值最大的解個(gè)體中待局部搜索節(jié)點(diǎn)的所有相鄰節(jié)點(diǎn)，找出所有相鄰節(jié)點(diǎn)中大多數(shù)節(jié)點(diǎn)所在的社區(qū)；然后從這個(gè)社區(qū)所包含的鄰域節(jié)點(diǎn)中，隨機(jī)選擇一個(gè)節(jié)點(diǎn)代替待局部搜索節(jié)點(diǎn)。
全文摘要
本發(fā)明公開了一種基于分解的局部搜索多目標(biāo)動(dòng)態(tài)網(wǎng)絡(luò)社區(qū)劃分方法，主要解決現(xiàn)有技術(shù)在處理復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)時(shí)得到社區(qū)劃分準(zhǔn)確性不高的問題。其實(shí)現(xiàn)步驟為(1)確定目標(biāo)函數(shù)；(2)構(gòu)造初始解種群，采用鄰域?qū)崝?shù)編碼方法對(duì)解種群中的個(gè)體進(jìn)行初始化；(3)依次對(duì)解種群中個(gè)體進(jìn)行選擇、交叉變異操作得到子代個(gè)體；(4)利用子代個(gè)體更新解種群；(5)局部搜索更新解種群；(6)判斷是否終止如果迭代次數(shù)滿足預(yù)先設(shè)定次數(shù)，則執(zhí)行(7)，否則轉(zhuǎn)步驟(3)；(7)根據(jù)模塊密度最大原則，選出最佳社區(qū)劃分解。本發(fā)明能同時(shí)優(yōu)化兩個(gè)目標(biāo)函數(shù)，實(shí)現(xiàn)了社區(qū)劃分與社區(qū)演化的同步分析，提高了社區(qū)劃分的準(zhǔn)確性，可用于解決復(fù)雜動(dòng)態(tài)網(wǎng)絡(luò)中社區(qū)結(jié)構(gòu)檢測問題。
文檔編號(hào)H04L12/26GK102413029SQ201210001410
公開日2012年4月11日 申請(qǐng)日期2012年1月5日 優(yōu)先權(quán)日2012年1月5日
發(fā)明者付寶, 侯田, 公茂果, 焦李成, 王爽, 王艷輝, 馬文萍, 馬晶晶, 馬里佳 申請(qǐng)人:西安電子科技大學(xué)