结构扩展的非负矩阵分解社区发现算法

提出结构扩展的非负矩阵分解社区发现算法(nonnegative matrix factorization with structure extension, NMF-SE),通过结构扩展,加强相邻节点结构相似性,提高节点间连接的稠密度,从而提高非负矩阵分解在社区发现中的表现。结构扩展过程使节点将自身结构以一定的比例传递给周围的节点,从而使相邻节点间能够得到对方的拓扑结构信息。该过程构造了新的特征矩阵,使非负矩阵分解(nonnegative matrix factorization, NMF)更好地适用于社区发现,在图正则化的半监督任务中能更好地融合先验信息。在人工网络和真实网络上进行试验验证的结果表明,NMF-SE算法有效提高了复杂网络社区发现的准确性。     

一种基于非对称三角形割的重叠社区发现算法

发现由相似功能的个体所形成的社区结构是复杂网络分析的重要任务之一. 提出一种基于非对称三角形割的重叠社区发现算法,首先根据社区内三角形连接情况对社区质量进行评价,并根据节点与社区的三角形连接定义了节点对社区的归属度和连接强度. 考虑到网络不同部分连接密度的差异,在将节点从社区中移除或加入社区的过程中,为每个节点分别设置了不同的移除阈值和扩展阈值,以提高社区发现质量. 将每个节点与其邻居节点组成初始社区,将归属度低于移除阈值的边缘节点从社区中移除,将连接强度高于扩展阈值的外围节点加入社区,社区节点移除和扩展阶段迭代进行直至社区结构趋于稳定,最后去掉重叠率过高的社区得到最终结果. 在7个带社区标签的网络上将所提算法与其他7个经典重叠社区检测算法进行比较,通过重叠标准互信息和F₁指标进行评价,结果表明所提算法可以较好地发现不同规模网络中的社区结构.     

基于引力作用的可选粒度社区发现算法

社区发现是复杂网络研究中的一个重要领域,且应用广泛,但目前已有的大多数算法都需采用社区评判函数来确定社区结构的划分,且仅能得到一种划分结果。引入宇宙星系模型和万有引力定律,基于引力思想提出一种新的复杂网络社区发现算法,为网络中节点赋予质量并构建出社区框架,继而利用引力作用完成社区结构划分,并可对发现社区的粒度大小进行选择以得到多种划分结果,无需先验知识及相关参数。通过真实网络实验验证,并与现有的社区发现算法比较,本文提出的算法能有效且较为准确地挖掘出复杂网络中的社区结构。     

LAD准则下的无线传感器网络节点定位方法

多维标度算法广泛应用于无线传感器网络的节点定位。经典的MDS算法通过构造距离平方矩阵(非相似性矩阵)和进行双质心变换,在相似性空间中根据最小二乘准则进行求解。若测量噪声为高斯白噪声,经过变换后,相似性矩阵中元素的误差不再服从高斯分布,基于LS的估计不再是最优的。针对这一问题,用最小绝对值偏差准则改进MDS算法代价函数,对无线传感器网络节点定位进行研究。仿真结果表明,该方法具有良好的稳健性,比经典MDS算法具有更好的定位性能。     

复杂网络上的局域免疫研究

在网络全局结构信息未知的情况下,如何对大规模网络进行有效的免疫是疾病预防控制中的重要课题之一.本文介绍了针对社区网络、自适应网络和双层耦合网络等的局域免疫方法研究.对于社区网络,通过对5个真实社区网络的分析,发现桥节点的弱连接数目具有一定程度的异质性,存在一些更重要的桥中心节点,进而提出了一种有效的局域桥节点发现算法.对于自适应网络,发现传播过程中会出现很强的社区结构,由此提出一种基于社区效应的局域控制策略,结果显示疾病并非控制越早效果越好.对于双层耦合网络,提出一种促进-抑制的非对称耦合传播模型,研究危机意识的局域散布对于疾病传播的影响,分别解析得到了意识和疾病传播的爆发阈值与稳态分布.这些研究增进了人们对于复杂网络中关键节点的理解,也为实际的疾病防控工作提供了一些借鉴.     

一种无线传感器网络分层拓扑推断算法

无线传感器网络中网络拓扑对配置网络资源、优化网络性能具有十分重要的作用.根据在汇聚节点收集到的网络节点报文接收/丢失的信息,提出了一种基于数据聚合的分层拓扑发现算法,该算法同时可以实现对传感器网络节点的分层.针对目前的拓扑发现算法在网络链路丢包率较低的情况下无法快速推断出网络拓扑的问题,提出了一种使部分节点进入睡眠状态的方法推断低丢包率条件下的网络拓扑.仿真结果表明,提出的算法可以利用较少的观测数据准确快速地推断传感器网络的拓扑.     

基于点距离和密度峰值聚类的社区发现方法

在复杂网络中节点相似度度量以及密度峰值聚类算法的基础上,提出了一种基于点距离和密度峰值聚类的社区发现方法。首先,提出了基于节点相似度和节点间最短距离的节点距离度量。然后,应用密度峰值聚类方法探究网络中的社区结构,密度峰值聚类算法不仅能够检测出各个社区中心并进行相应的社区扩展,而且能够避免参数选择过程。最后,通过与经典算法在真实数据集和人工合成数据集上的比较实验,充分验证了本文方法的可行性和有效性。     

融合用户行为同步指标的链路预测研究

现有链路预测方法大多基于网络结构相似性及连边的权重特征,没有有效挖掘连边权重形成的时序信息。考虑到两个节点行为的时间同步性往往是由于两个节点存在链接造成的,因此在网络结构的重构研究中通常利用节点的行为同步性来反推它们之间是否存在链接关系。该文尝试将节点同步性信息这一网络重构的方法引入链路预测领域,提出一种网络拓扑相似性上融合节点行为同步指数的链路预测算法。经过两类6种真实网络数据的比较分析,发现该算法可有效提高链路预测准确率,相比现有方法,Precision指标提高了15.3%～68.2%。该研究不仅发现节点局域结构相似性和节点行为同步指数对链路预测的共同影响,也揭示了不同类别真实加权网络的内在结构和动态特征。     

基于传播影响力的重叠社区划分算法

在研究经典标签传播算法的基础上,提出了一种基于传播影响力的重叠社区划分算法COPRA-PI,可用于挖掘加权网络中的社区结构。该算法在COPRA算法的基础上从节点影响力、边影响力、历史标签影响力3个方面综合考虑传播影响力;同时针对COPRA算法中每个节点在每次迭代过程中均具有相同的最大标签数,且该最大标签数目需手动设置等不足,该算法中设计了一个自适应的最大标签数。实验结果表明,COPRA-PI算法在经典的数据集上对比现有经典算法更能挖掘出高质量的社区结构且收敛速度较快。     

基于随机游走的无线传感器网络节点定位方法

为提高无线传感器网络中的节点定位精度,提出一种自适应随机游走模型的节点定位算法.首先将随机游走应用于网络拓扑结构连通性中,构建节点间相对距离模型,并设计自适应算法,提高该模型有效性;然后通过将该模型嵌入经典定位算法distance vector-hop（DV-Hop）中实现系统节点定位工作.仿真和实验结果表明,该算法具有良好的鲁棒性和定位精度,误差比DV-Hop算法减少了20%~30%.     

基于模体的汽车行业站点网络复杂性测度

为了研究大规模网络结构复杂性测度方法,并针对汽车行业站点网络布局与结构功能优化提出对策,基于万维网页面链接数据,构建汽车行业站点网络拓扑结构图.借助VOSviewer聚类算法及Gephi检测并划分网络社团结构,解析基于主题搜索的汽车行业站点内容分类体系及功能结构,并利用Pajek验证各内容社团结构的小世界性,基于Rand-ESU算法检测各社团的模体结构,提出基于模体的网络结构熵算法测度各社团的复杂性.最后,得出汽车行业站点网络社区中模体结构具有同构性,导致社区结构的信息传播功能具有相似性,模体规模与模体信息传播途径多样化对网络结构复杂性影响的显著性较高.     

基于效率度的航空网络影响力节点识别

航空网络中节点重要性不仅受网络拓扑结构影响还和节点流量紧密相关,由此建立了航空网络模型,提出了基于改进复杂度矩阵和节点使用率的效率度指标,采用节点效率度识别算法识别网络影响力节点。通过实例研究与5种传统的影响力节点识别指标进行对比分析,结果表明:根据网络鲁棒性攻击效率度指标识别的影响力节点时,航空网络会较快地趋于瘫痪,指标适用且有效性高;航空网络中节点流量对运行的影响大于网络拓扑结构。     

机会网络节点兴趣社区检测及路由策略

根据机会网络中节点较稳定的社会属性,提出了一种兴趣社区检测机制,将机会网络中节点的兴趣爱好量化,根据节点间兴趣爱好相似性进行兴趣社区划分. 利用节点在运动过程中形成的社区,综合考虑节点的社区属性和节点间历史接触信息,设计了兴趣社区路由算法. 兴趣社区路由由社区内路由和社区间路由组成,路由机制是选择与目标节点在同一兴趣社区且与目标节点接触较多的节点作为中继节点完成数据包转发. 通过仿真实验验证兴趣社区路由策略的合理性和有效性. 仿真结果表明,所提出的兴趣社区路由算法能有效降低网络开销和时延,提高了投递率.     

基于遗传算法的复杂网络社区结构探测

对于复杂网络社区结构的探测问题在多个应用领域引起了广泛关注。本文基于遗传算法提出了一种新的社区探测算法,该算法通过最大化网络模块度以探求最好的社区划分结果。本文采用字符串编码进行基因表示。在初始化种群时,通过将一部分节点的社区标识符传递给它的邻居节点保证了算法的收敛性,并且消除了不必要的迭代。对于交叉算子和变异算子也进行了优化,将单向交叉引入到交叉算子中,并在变异过程中保证了变异节点的连接有效性。将本算法与两种算法通过真实世界的复杂网络进行实验比较,实验结果表明,改进后的算法可以有效地应用于社区结构探测。     

基于LeaderRank和节点相似度的复杂网络重要节点排序算法

复杂网络中重要节点对网络结构和功能的影响引起了广泛关注。本文在现有LeaderRank算法的基础上,利用节点相似度来衡量节点间的相互作用,建立了SRank算法进行重要节点排序。利用SIR传播模型和斯皮尔曼等级相关系数在真实社会网络数据上对本文算法与经典的重要节点排序算法进行仿真后,发现该算法在无向和有向网络中均具有更高的准确性。     

基于最优刚性子图的势博弈无线传感器网络拓扑优化算法

为了高效的利用网络资源,均衡网络拓扑能耗、剔除网络拓扑冗余链路、降低节点负载、最大化的延长网络的生命周期。本文通过势博弈和最优刚性子图的概念,综合考虑节点的剩余能量、节点的负载及网络拓扑链路的冗余性,设计了一种基于最优刚性子图的势博弈无线传感器网络拓扑优化算法(PGOSG)。首先,根据节点间通信的功率变化,构造节点的功率集合作为博弈的策略集,利用势博弈理论以均衡能耗均衡为目标构建势博弈函数,并使其收敛至纳什均衡点,进而构建初步的网络拓扑结构。然后,利用最优刚性图全局链路数较少,且不损坏网络拓扑结构的特性,在上一步构建的网络拓扑结构上,利用最优刚性子图逐层剔除网络拓扑中的冗余链路,得到最终的网络拓扑结构。仿真实验分析了PGOSG算法的网络拓扑图、链路通信质量、网络鲁棒性以及网络生命周期,并将其与现有的DEBA算法进行了对比。从仿真结果可知：在拓扑结构上,PGOSG算法在网络的通信链路上剔除了网络中的冗余链路,降低了网络中部分节点的负载。在能耗均衡上,博弈算法制定了节点数据转发规则有效的利用了网络资源,均衡了节点能耗、避免节点间冗余转发。因此本文提出的算法能够剔除网络中的冗余链路,降低节点的负载和链路权值,延长网络生存时间。     

基于模块度相似性的二分网络链路预测算法

基于社团结构，提出模块度相似性的二分网络链路预测算法，克服了二分网络在链路预测中丢失社团结构信息的局限性。首先，通过定义二分模块度，利用奇异值分解，将网络中的节点嵌入到欧式空间中的向量。其次，提出二分网络模块度相似性的框架，利用向量余弦相似度定义二分网络节点对之间的模块度相似性指标(MS指标)。最后，基于小提琴图和评价指标AUC，在3个真实网络上进行模拟仿真，与9种链路预测相似性指标进行对比，证明MS指标用于二分网络链路预测具有较高的精度。     

集合扩充的社团分解算法

社团结构是复杂网络的重要特征之一,寻找网络中的社团对于分析整个网络的结构和功能都有非常重要的意义.综述了一些经典的复杂网络社团结构划分的算法,提出了一种基于集合扩充的社团结构划分的新算法.该算法以网络中相邻的两个节点构成的集合为起点,用社团同外部联系的边的数目与社团内部边的数目的比值作为度量指标,通过计算将某一个邻居节点加入该集合后度量指标值的变化情况来判断某个邻居节点是否加入该集合,若度量指标值变小则将该邻居节点加入该集合,若度量指标值变大则不将该邻居节点加入该集合,直到不再有新的邻居节点加入时,一个社团就被划分出来.在剩下的网络中重复这个过程直到网络中的节点完全被划分.用社团结构分解中的两个经典例子测试了该算法,从测试结果来看,用该方法能够合理地划分网络中的社团结构,且运算量小,运行效率高,达到了预期目标.该社团结构的划分方法对于规模较大的复杂网络也具有普遍意义.     

基于模体的模块度优化高阶社区检测算法

为提升现有高阶社区检测算法的性能，提出一种基于模体的模块度优化高阶社区检测算法。通过量化网络模体数量为节点间权重，将高阶基于模体的社区检测转化为低阶基于边的加权网络社区检测，并构造为加权模块度优化问题求解。为保证加权模块度优化性能以获得逼近全局最优的高阶社区划分，一方面优化策略采用典型的生物启发式算法；另一方面综合利用网络低阶和高阶拓扑结构信息，通过节点邻域社区修正操作和局部搜索操作，进一步提升社区划分质量并防止算法陷入局部最优。在人工合成和真实世界网络上的实验表明，利用模体高阶结构信息有助于提升复杂网络社区的检测性能，尤其是在社区结构较为模糊的情况下。该算法能够有效实现基于模体的高阶社区检测，与现有基于模体的典型方法相比在精确性和质量性上表现出一定优势，有助于加深对网络高阶结构及功能特性的理解。     

基于概率主题模型的社交网络层次化社区发现算法

针对传统的社区发现算法大多基于网络拓扑结构寻找独立的社区结构,忽略了用户兴趣属性,并且不能有效地发现社区间的相关性和层次关系等问题。该文提出一种新型的基于PAM(pachinko allocation model)概率主题模型的层次化网络社区发现算法,综合考虑了用户的兴趣和用户的社交网络关系,在同一模型平台上实现层次化的社区结构发现和用户兴趣挖掘,并捕捉和揭示社区之间的关联性和重叠性等特征。模型采用Gibbs采样方法进行参数推导。在真实数据集上的实验结果验证了所提出算法的可行性和有效性。