复杂网络强社团结构探测

社团结构是反映复杂网络整体性质的重要特征,本文从强社团结构定义出发提出简单启发式强社团结构探测算法,受启发因素为度-度负相关性和簇-度负相关性.利用该算法对空手道俱乐部成员关系网络和美国大学橄榄球队网络进行社团结构探测,验证了该算法能正确探测出网络的强社团结构.并将划分结果与传统划分进行比较分析,该算法未引入其它量化指标或中间变量,降低了计算复杂度,在采用方法上不同于单纯的分裂或聚合,有效地提高了探测速度,更适合大规模复杂网络社团结构探测.     

互联网宏观拓扑的社团发现

自然界中存在的大量复杂系统都可以通过复杂网络加以描述,社团结构是继小世界特性和无标度特性之后发现的最为重要的复杂网络特性。社团发现对理解互联网的宏观拓扑结构至关重要。针对互联网宏观拓扑的结构特性,基于边聚簇算法思想,设计了一个基于路由特征的社团发现算法,以互联网宏观拓扑中的探测边频为影响因子定义边相似性,改造边聚簇算法中的关键聚簇过程,以发现互联网宏观拓扑中的社团结构。实验结果表明,所提算法与原算法相比,具有更高的分割密度。进一步 以边介数替代探测边频,将该算法应用在其它类型网络中,同样取得了较好的效果。     

基于字典学习的网络社团结构探测算法

复杂网络中的社团结构探测对于理解网络的拓扑结构和功能有重要的意义.本文将字典学习方法应用到社团结构探测问题中,给出一种新的字典学习方法,并将其和其他几种流行的模型与算法作了系统比较.在三种类型的人工数据和来自不同领域的实际数据上的实验结果表明,本文所提出的算法在社团结构探测问题上是非常有效的,具有算法简单、收敛速度快、计算精度高等特点.     

基于贝叶斯统计推断的离散分布估计算法

将贝叶斯统计推断理论引入分布估计算法概率模型中,提出一种基于贝叶斯统计推断的离散分布估计算法。根据离散优化问题中解的分布规律建立先验概率模型,将优势群体的概率模型和二元边缘分布算法中森林结构的概率模型相结合,得出条件概率模型,利用贝叶斯统计推断,并结合上述2种概率模型建立后验概率模型,以指导新群体的产生。仿真结果表明,该算法求解gr21旅行商问题的收敛速度大于EDAs1算法,在种群规模、最大运行代数等参数固定的情况下,分别分析结合速率和学习速率对算法性能的影响,得出当其值取0.2时,算法性能最稳定。     

基于相对密度的社团结构探测算法

社团结构发现方法已经成为复杂网络的一个研究热点。在分析目前一些典型的社团探测算法的基础上,该文提出基于相对密度的社团结构划分方法,该方法可以有效地解决SCAN算法中对参数值过于敏感、参数值难以设置以及高密度社团完全被相连的低密度所包含等问题。把该算法应用到已知社团结构的计算机生成网络中,并与SCAN算法的划分结果进行比较。实验结果表明,该算法是有效可行的。     

近似线性时间的社团结构动态演化挖掘算法

探测网络社团结构对于分析、设计复杂的自然或工程网络至关重要,然而现有的探测技术主要依托于最优化和启发式算法,不能兼顾计算效率和准确性。因此提出了一种基于演化迭代技术的动态社团探测算法,它能准确高效地发现网络中的社团结构。首先引入了一个离散时间的动态系统,通过描述社团划分收敛到特定指标最优的演化轨迹来确定社团划分。接着提出了一个一般化的指标函数,以确定网络中最优的社团数量及最稳定的社团结构。该指标函数极具概括性,改变相应的参数即可引申到各种已广泛应用的指标函数。针对参数选择的困难,利用图生成模型自动确定社团划分的指标函数。此算法效率很高,计算复杂度与稀疏网络中的节点数量呈近似线性关系。最后,在人工和真实网络中进行了大量的仿真实验来测试算法表现,结果显示所提算法能够揭示很多有价值的信息。     

一种基于节点相似度的社团探测算法

文章借鉴节点密度等性质,提出了一种基于节点间相似度的复杂网络社团结构探测算法(BSTN)。在实际网络中进行验证,本文使用的是空手道俱乐部网络(Karate网络)和美国大学足球俱乐部网络(Football网络),实验结果与Newman算法进行了比较。本文提出的算法拥有更少的迭代次数,近似的模块度值,说明此算是有效的,并且对算法得出的社团结构进行了合理的解释,说明算法得出的结果是符合实际的、是合理的。     

基于最短路径和最大模块度融合的社团发现算法

复杂网络已成为当前的一个研究热点,复杂网络具有许多重要性质,其中社团结构是复杂网络最普遍最重要的拓扑性质之一。目前已有很多流行的网络社团挖掘算法,但是大部分社团挖掘算法存在准确性低、适用范围窄等缺陷,为了克服这些缺点,本文结合社团挖掘的相关研究,提出一种基于改进近邻传播的社团挖掘算法。首先采用最短路径计算任意节点对之间的距离,并运用近邻传播算法初步识别中心点;然后基于模块度优化的思想,建立“中心点过滤”数学模型,自动识别网络的社团结构;最后对本算法在一些广泛使用的网络数据上进行性能测试。测试结果表明,本算法与传统方法相比,具有适用范围广、准确率高、容忍分辨极限能力强等优点。     

一种基于差分进化的社团检测算法

复杂网络的社团结构分析可抽象为一个优化问题,用进化算法求解。进化类算法的一个基本问题是如何把问题的候选解编码到进化个体中。本文将索引局部邻接表示法用于社团检测进化算法的个体表示,把社团结构分析转化为一个整数优化问题。在该个体表示方法的基础上,提出了一种基于差分进化的社团检测算法。在一组合成网络和真实网络上验证了算法性能,并与两种基于遗传算法的典型社团检测进化算法进行了对比。实验结果表明,当网络社团结构较为清晰时,基于差分进化的算法检测到的社团结构具有更好的质量。     

一个基于多维特征向量的复杂网络社团结构发现算法

作为复杂网络重要特性之一的社团结构在大量现实的大规模复杂系统研究中占有重要的一席地位.论文在研究现有的社团发现算法基础上,提出了一种基于多维特征向量的复杂网络社团结构发现算法,实验证明,该算法能够有效的发现复杂网络中的社团结构,对于进一步进行复杂网络上的信息挖掘具有重要的意义.     

复杂网络重叠社团检测算法研究综述

社团结构是复杂网络的一项基本特性,对复杂网络中社团结构特别是重叠社团结构的检测,是复杂网络理论研究的一项重要且充满挑战的课题.对当前常用的重叠社团检测算法进行了分析和归纳,阐述每类算法特点,并介绍用于评价算法性能的一些基准图,对复杂网络重叠社团检测领域未来的研究方向提出了一些思考和建议.     

基于结构相似度仿射传播的社团检测算法

复杂网络中普遍存在着一定的社团结构,社团检测具有重要的理论意义和实际价值。为了提高复杂网络中社团检测的性能,提出了一种基于结构相似度仿射传播的社团检测算法。首先,选取结构相似度作为节点之间的相似性度量,并采用了一种优化的方法来计算复杂网络的相似度矩阵;其次,将计算得到的相似度矩阵作为输入,采用快速仿射传播(FAP)算法进行聚类;最后,得到最终的社团结构。实验结果表明,所提算法在LFR(Lancichinetti-Fortunato-Radicchi)模拟网络上的社团检测平均标准化互信息(NMI)值为65.1%,要高于标签传播算法(LPA)的45.3%以及CNM(Clauset-Newman-Moore)算法的49.8%;在真实网络上的社团检测平均模块度值为53.1%,要高于LPA算法的39.9%以及CNM算法的47.8%,具有更好的社团检测能力,能够发现更高质量的社团结构。     

一种基于节点特征向量的复杂网络社团发现算法

社团结构是复杂网络的一种很普遍且非常重要的拓扑特征,社团的发现有助于了解复杂网络的结构和功能。节点间相似度的评价指标对于社团发现的结果起着至关重要的作用,传统算法中使用的相似度指标存在着时间复杂度过高和不够精确的缺陷。为了弥补这两个缺陷,在信息传递理论的基础上将网络中的节点抽象成了多维数据集,结合传统聚类算法K-means提出了一种社团发现的新算法。基于Zachary Karate Club网络、Jazz Musician网络和Facebook网络的实验结果表明,该算法是高效且准确的。     

基于信号自适应传递的社团发现算法

为了准确地检测出复杂网络的社团结构,提出一种基于信号自适应传递的社团发现方法。首先使信号在复杂网络上自适应地传递,从而获取网络中各节点对整个网络的影响向量,然后把网络中节点的拓扑结构转化成代数向量空间上的几何关系,最后结合聚类特性发现网络中的社团结构。为获取更加合理的空间向量,提出最佳传递次数,缩小搜索空间,增强算法寻优能力。该算法在计算机生成网络、Zachary网络和美国大学生足球赛网络上进行实验测试, 并与GN算法、谱聚类算法、极值优化算法和信号传递算法进行实验对比,社团划分的准确性和精确性均有所提高,证明该算法具有有效性和可行性。     

动态加权网络中的演化社区发现算法研究

在动态网络中发现社区结构是一个非常复杂而有意义的过程,可以更好地观察和分析网络的演化情况。针对动态加权网络中的社区发现问题,提出了一种结合历史网络社区结构的算法,叫做动态加权网络中的演化社区发现算法（ECDA）。该算法分为两步：结合历史社区和网络结构信息,计算当前时间跳的输入矩阵;然后通过该输入矩阵计算得到结合历史时间跳信息的社区划分结果。该算法有以下优点：可以自动发现动态加权网络中每个时间跳的社区结构;对网络结构的变化和社区结构的变化具有较高的敏锐性。在人工数据集和真实数据集中进行了实验,实验结果证明该算法可以有效地发现动态加权网络中的社区结构,与其他算法相比具有较好的竞争力。     

基于联合矩阵分解的动态异质网络社区发现方法

动态网络的社区发现是目前复杂网络分析领域的重要研究内容,然而现有动态网络社区发现方法主要针对同质网络,当网络包含多种异质信息时,现有方法不再适用。针对这个问题,本文提出了一个基于联合矩阵分解的动态异质网络社区发现方法,首先计算动态异质网路中各个快照图的拓扑相似度矩阵和多关系相似度矩阵,其次利用时序联合非负矩阵分解方法,约束各个时刻快照图的社区划分,最后在真实网络数据集上的实验结果表明,该算法可以有效检测出动态异质网络中潜在的社区结构。     

一种基于超网络视角的复杂网络社团区划算法

社团结构是复杂网络最普遍和最重要的属性之一, 复杂网络的社团区划研究就是要合理地划分出复杂网络中真实存在的社团结构。主要将超网络的思想及理论方法应用于复杂网络的社团区划研究, 针对当前GN算法的一些不足, 从超网络视角出发, 结合标准化程度中心性理论方法, 构建了一种新的复杂网络社团区划算法, 通过算例对新算法进行了验证与分析。实验结果表明, 与GN算法相比, 新算法在区划结果上有所改进和完善。     

基于时间加权的重叠社区检测算法研究

随着网络结构的不断扩大和日益复杂, 重叠社区发现技术对挖掘复杂网络深层潜在结构具有重要意义. 本文提出一种基于时间加权的重叠社区检测算法. 该方法考虑了用户兴趣的时间因素, 构建带有时间加权链接的用户-用户图. 接着, 基于网络节点的影响力计算用户全局相似度, 在此基础上通过计算节点的中心度作为度量节点对社区结构影响力的重要性指标, 从而提出一种社区中心点的选取方法. 最后, 通过效用函数的迭代计算实现重叠社区检测. 利用人工网络和真实网络对提出的算法进行验证, 实验结果表明: 相对于传统的社区发现方法, 该算法在社区发现质量和计算效率方面都优于许多已有重叠社区发现算法.     

一种新的社区/动态社区优化方法

社区结构作为复杂网络的重要 拓扑特性之一,成为当前的研究热点。本文提出了一种基于边排序和模块度优化的社区发现方法。该方法首先对初始的静态网络进行稀疏化,然后在稀疏化后的网络上依据边的重要程度对边进行排序,给出了一种模块度最大化、快速边合并的社区发现方法(Fast rank base d community detection, F RCD)。在初始网络社区划分结果的基础上,将该方法推广到动态、实时社区划分上,给出了一种快速、鲁棒的动态社区划分方法(Incremental dynamic community detection, IDCD)。理论分析 表明FRCD相对于边具有线性时间复杂度。在实际 和人工网络上的实验结果均表明,本文提出的方法无论在静态网络社区划分还是在动态网络社区追踪上都优于已有方法。     

Identification of multi-resolution network structures with multi-objective immune algorithm

Community structure is one of the most important properties in complex networks, and the field of community detection has received an enormous amount of attention in the past several years. Many quality metrics and methods have been proposed for revealing community structures at multiple resolution levels, while most existing methods need a tunable parameter in their quality metrics to determine the resolution level in advance. In this study, a multi-objective evolutionary algorithm (MOEA) for revealing multi-resolution community structures is proposed. The proposed MOEA-based community detection algorithm aims to find a set of tradeoff solutions which represent network partitions at different resolution levels in a single run. It adopts an efficient multi-objective immune algorithm to simultaneously optimize two contradictory objective functions, Modified Ratio Association and Ratio Cut. The optimization of Modified Ratio Association tends to divide a network into small communities, while the optimization of Ratio Cut tends to divide a network into large communities. The simultaneous optimization of these two contradictory objectives returns a set of tradeoff solutions between the two objectives. Each of these solutions corresponds to a network partition at one resolution level. Experiments on artificial and real-world networks show that the proposed method has the ability to reveal community structures of networks at different resolution levels in a single run.