基于自适应差分演化算法的动态社区发现问题研究

动态社区结构的发现问题已经成为复杂网络中重要的研究方向,其发现算法是一个十分关键的核心问题.为了提高对社区结构进行发现的准确度,提出一种基于差分演化思想的自适应调整差分演化动态社区发现算法.该算法通过最大化当前时间快照上聚类质量和最小化相邻快照间社区演化开销,得到以相邻时刻间网络结构差异度最小化的优化目标.使用自适应调整差分演化算法对人工动态网络实施有效划分,实验结果表明,该算法不仅收敛速度快,而且能够降低复杂网络中的社区结构发现的错误率.     

基于环路紧密度的复杂网络社区挖掘方法

提出了一种基于环路紧密度的复杂网络社区挖掘算法(LTA):首先提出一种快速发现网络环路和计算其紧密值的算法,然后根据环路紧密值将网络聚类,再次揭示网络环路与社区结构的联系。并使用人工合成网络和真实网络数据集对LTA进行了验证,实验结果证明了LTA对复杂网络社区挖掘问题的有效性和高效性。     

重叠社区结构的挖掘算法

针对大多数社区挖掘算法致力于寻找独立不相重叠的社区结构,而实际的网络中,社区结构往往是重叠的问题。基于凝聚方法和贪婪算法原理,提出了一种新的算法来挖掘社会网络中彼此重叠的社区结构。在模拟数据集和标准测试数据集上的实验结果表明了算法的可行性和有效性。     

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。     

SADE-ELM电容层析成像流型辨识算法

针对电容层析成像反问题流型识别较难的问题,提出了一种新的ECT流型辨识算法——差分演化优化极端学习机算法,进而提出了基于自适应差分演化优化极端学习机(Sa DEEML)的ECT辨识算法.在论述极端学习机算法的基础上,结合差分演化算法对极端学习机算法进行优化,自适应差分演化算法中的关键参数,通过训练得到各类流型的分类器的参数,构造分类器进行精准与快速分类.实验结果表明:该算法能有效克服极端学习机算法的缺点并提高了局部与全局收敛能力,通过与BP、SVM算法比较,该算法具有竞争力,并为电容层析成像流型辨识的研究提供了新算法.     

基于精英解学习的邻域搜索差分演化算法

为了防止差分演化算法在求解复杂问题时容易陷入局部最优、收敛速度慢等问题,提出了一种基于精英解学习的邻域搜索差分演化算法(ELNDE).在该算法中利用多个精英解构建一个精英解池策略,并且对其进行反向学习,保证种群的多样性.在每一代种群演化计算过程中执行邻域搜索,通过精英解作为导向,加快算法的收敛速度的同时提高开采能力.使用13个基准测试函数对提出的算法进行了测试并且与几种知名的改进算法进行比较.实验表明,提出的算法在收敛速度和解的精度是具有较大的优势.     

动态社会网络中的社区挖掘算法研究

为解决社区挖掘问题,针对社会网络的动态特性,给出了新的社区定义,并结合连通性和频繁性概念提出一种糯的算法DCSMA（Dynamic Community Stmcture Mining Algorithm）。挖掘时刻连通的个体集合作为社区,采用层状结构模型,根据乖要性权重区分社区内个体,使社区结构更加清晰。在标准测试数据集上的实验结果表明了该算法的可行性棚仃效性。     

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。     

基于优化离散差分进化算法的压缩感知信号重构

针对传统压缩感知重构算法严重依赖稀疏度、重构精准度不高的缺陷,提出了一种基于优化离散差分进化(ODDE)算法,对进化种群进行分析,在实现种群有效聚类的同时提高了种群学习进化的针对性和科学性.重新定义了差分进化粒子的编码方式和进化机制,并将优化后的离散差分进化算法应用于压缩感知重构方法中.将稀疏度未知信号等效为粒子编码,通过种群迭代进化实现了稀疏信号的精确重构.仿真结果表明,与StOMP等传统重构算法相比,本文方法可以显著提高重构精度、降低重构时间.     

改进的差分演化算法及其在函数优化中的应用

提出了一种改进的差分演化算法，该算法记录下了差分演化算法在对每个个体进行变异操作时的差向量，然后以被变异的个体作为邻域的中心，以所记录的差向量作为邻域的半径，再在这个邻域内进行一次挖掘式的搜索。这一改进增强了原差分演化算法的局部搜索能力。典型多峰函数优化的仿真结果表明，改进后的算法具有比原差分演化算法更快的收敛速度，同时新算法也保持了原差分演化算法良好的全局搜索能力。     

谱分析与启发式遗传算法相结合的多尺度社区检测方法

针对常规的社区检测方法不能揭示出社区结构的多尺度特征这一问题,本文通过对复杂网络传导率函数C与社区平均凝聚概率的分析,提出了一种局部启发变异策略,同时将复杂网络谱分析与遗传算法相结合,提出了多尺度社区检测算法HGASA。在人工网络和现实网络上对HGASA算法进行了测试,实验结果表明了HGASA算法的有效性和高效性。     

单亲遗传算法编码方式的研究

给出了单亲遗传算法的几种序号编码方式,并指出同一组合优化问题可以按不同的同序基因数来编码,不同的编码方式串空间的大小有很大差别,选择串空间小的编码方式有利于提高搜索效率.     

基于遗传算法RBF网络的波束形成

为寻求自适应阵列天线技术在波束形成准确性和收敛速度上的突破,尝试引入智能控制理论中的优化算法.提出一种染色体长度可调的编码方式,用这种编码方式下的遗传算法同时训练RBF网络的网络参数和拓扑结构,将训练后的RBF网络用于上行链路的自适应波束形成.理论分析和仿真结果表明,染色体长度可调编码方式下的遗传算法是有效的,该算法能够比较准确地逼近理论上的最优权值,提高了算法的收敛速度.     

遗传编码方式对管网水力模拟准确度的影响分析

对照分析了遗传算法三种不同的编码方式对模拟计算结果的影响,并用简例对其进行了验证.结果表明,二进制编码的误差最大,格雷数编码的准确度虽有改进,但仍然很大,采用了浮点数编码后,大大提高了模拟结果的准确度.这是由于二进制和格雷数编码本身存在“微调”功能贫乏的缺陷,不适应处理这类问题,浮点数编码克服了它们的缺陷,从而大大提高了模拟的准确度.     

编码方式对蛋白质二级结构预测精度的影响

为了比较在蛋白质二级结构预测中常用的氨基酸序列编码方式的优缺点,借助前向型BP神经网络对正交编码、5位编码、Codon(2种)编码和Profile编码5种氨基酸编码方式进行了对比分析.实验结果显示,用富含"生物进化信息"的Profile编码方式可以得到较高的预测结果,同时也表明,充分利用生物本身所具有的生物信息对提高蛋白质二级结构预测精度是非常重要的.     

入侵检测系统中关联规则的挖掘

在分析几种现有关联规则算法的基础上,针对网络数据的具体情况,引入关键属性、参考属性以及属性相对支持度的约束,对关联规则挖掘算法FP_Growth进行了扩展,解决了基本关联规则挖掘算法中产生大量无用模式的问题,从而帮助系统发掘出更有意义的模式,提高了系统挖掘的执行效率和规则库的准确度.     

基于零模型的社区检测基准网络构造及应用

社区检测对于探索挖掘复杂网络的结构特性具有重要意义,社区检测算法性能对于检测结果具有重要影响。目前用于衡量社区检测算法性能的基准测试网络较为单一,主要包括人工合成网络和真实世界网络。由于真实世界网络中通常缺乏已知社区结构信息,人工合成网络成为衡量算法性能的主要途径,但普遍存在网络微观特性不可调且与真实世界网络差异较大、对检测算法区分度不高、无法更改局部网络结构等问题。为提升人工合成网络性能,该文提出基于零模型的基准测试网络构造方法,首先设计了能够保持中尺度特性的零模型,提升网络微观特性调整灵活度,使其更逼近真实世界网络结构特性;其次设计了能够调整社区结构强弱的零模型,提升网络社区检测的评价准确性;最后设计了能够调整局部拓扑结构的零模型,有效衡量局部社区结构特性变化对于整体网络结构及检测算法性能的重要性。实验结果表明,基于零模型的构造方法能够有效提升基准测试网络的多样性和灵活性,更加逼近真实世界网络特性,因此更能满足对于社区检测算法性能的评价需求,对于提升复杂网络社区检测性能具有重要意义。     

一种基于结构信息的改进CNM算法

CNM(clauset-newman-moore)算法能有效划分网络社区结构,但是对应划分出的社区准确度不高。对此,结合网络结构信息提出了一种改进CNM算法。通过对输入数据进行迭代删边预处理,精简网络结构,将原始网络分为两个子网络,然后将CNM算法应用到子网络,完成社区发现。在五个不同规模数据集上的试验结果表明,改进CNM方法提高了社区发现的质量和精度,社区模块度在小规模的数据集上得到了显著提升。     

约束优化问题的实数制免疫-禁忌混合算法

针对免疫算法局部搜索能力较弱的缺点,提出了实数制编码的免疫-禁忌混合算法,在免疫操作后引入禁忌搜索算法来提高混合算法的爬山能力,从而提高求解精度和搜索速度,适合于约束优化问题的求解.在阐述混合算法计算原理的基础上,提出实数制编码方式、惩罚函数法和适应度函数构造方法.通过测试算例进行验算,计算结果表明,实数制编码的免疫-禁忌混合算法收敛速度快,计算精度高,特别适合计算复杂、时效性强的优化问题.     

基于结构和参数智能优化的神经网络数值预测方法研究

针对BP神经网络数值预测中结构不易确定、易陷入局部最小等问题,利用遗传算法,采用二进制编码方式优化网络结构,采用浮点数编码方式优化网络参数;利用粒子群算法进一步改善网络参数,减少算法耗时,提高预测精度。仿真验证了算法的有效性。