基于memetic框架的多目标动态网络社区划分方法技术

技术编号:21438144 阅读:36 留言:0更新日期:2019-06-22 13:49
本发明专利技术公开了一种基于memetic框架的多目标动态网络社区划分方法,包括三个步骤,分别为:步骤100、建立memetic算法框架;步骤200、在memetic框架下,将模块度密度函数D加权得到的优化型模块度密度函数Dλ,同归一化互信息NMI,嵌入到代价目标函数中求取最小化优化目标函数;步骤300、采用直接式整数编码的方式,结合基于标识符传递的初始化机制、双路交叉遗传算法和自爬山算法的搜索方式获取最优社区结构,本发明专利技术种群多样性高,搜索空间少,能够实现社区结构的精细化划分,同时算法效率高,社区划分精度细。

【技术实现步骤摘要】
基于memetic框架的多目标动态网络社区划分方法
本专利技术涉及动态复杂网络社区分析
,具体为一种基于memetic框架的多目标动态复杂网络社区分析算法。
技术介绍
很多复杂系统可以用复杂网络来表述,如互联网、电力系统、社交关系网、交通系统等等。用户之间通过通讯进行交流时,就形成了一张社交关系网络,这种网络是随着时间不断变动的,可建模为动态复杂网络。将一个复杂网络中的节点按照规则进行分区,每一个这样的分区被称为一个社区。同一个社区的节点具有较高的连接度,不同社区间的节点连接度则较低。社区内的节点具有许多相同的属性,因而复杂网络的社区结构检测对于研究网络特性非常重要。网络社区主要有两类检测方法。一类是启发式方法,通过某种启发规则或直观性假设来寻找社区,其中较为经典的Girvan-Newman(GN)算法,快速的标签传播算法(LPA)等。另一类是优化方法,Newman等人将标准模块度Q作为一个衡量网络划分质量的指标,从而将社区检测转化为按照目标函数进行优化,典型算法有Newman快速算法、Fastmodularity算法以及在此基础上延伸出的多目标优化算法,如MOGA算法。但是模块度Q存在分辨率限制的问题,为此,Li等人提出了基于平均模块度概念来评论社区划分的优劣,该方法中的准则函数称为模块度密度(modularitydensity)或D值。Chi提出谱聚类进化算法之后,动态社区检测转化为代价函数的优化问题,代价函数由快照代价和时间代价组成,其中快照代价是衡量当前时刻网络的聚类质量的指标,时间代价是衡量当前时刻和相邻前一时刻聚类结果相似程度的指标。此后,提出了FacetNet模型,通过分解非负矩阵的方法可以同时分析出社区结构及其演化过程,但事先需要知道网络中的社区数目,这大大限制了它的应用范围。为避免这一局限性,Han等人提出了基于粒子和密度的进化聚类检测机制,采用用户自定义参数来调整代价函数的权重配比,可以使用在不同时间阈值和社区数量不固定的动态网络社区检测场景中。为了摆脱上述算法人为干涉权重配比的限制,引入多目标优化策略,避免单一的全局最优解,从而产生一系列互不支配的解,称为Pareto解。Folino和Pizzui将社区得分(CS)和归一化互信息(NMI)作为两个目标函数,把动态社会网络社区检测及其社区演化问题用多目标优化的遗传算法方法进行求解,在小规模的动态网络上取得了较好的成效。在此之后出现了许多的多目标优化算法,例如,Lung的基于博弈论和极值优化的动态社区发现算法、Ma等人的基于分解的多目标进化算法、Gong等人的基于非支配邻域免疫算法的动态社区检测算法和Wang等人研究的加权检测算法等,这些算法也都通过实验证实具有一定的有效性。
技术实现思路
专利技术目的:为了克服现有技术中存在的不足,本专利技术提供一种基于memetic框架的多目标动态网络社区划分方法,其种群多样性高,搜索空间少,能够实现社区结构的精细化划分,同时算法效率高,社区划分精度细。技术方案:为实现上述目的,本专利技术采用的技术方案为:一种基于memetic框架的多目标动态网络社区划分方法,包括以下步骤:步骤100、建立memetic算法框架;步骤200、在memetic框架下,将模块度密度函数D加权得到的优化型模块度密度函数Dλ,同归一化互信息NMI,嵌入到代价目标函数中求取最小化优化目标函数;步骤300、采用直接式整数编码的方式,结合基于标识符传递的初始化机制、双路交叉遗传算法和自爬山算法的搜索方式获取最优社区结构。优选地,所述memetic算法框架包括:输入:动态网络G={G1,G2,...,GT},G1,G2,...,GT表示每个时刻对应的网络,T表示动态网络的总时间步;参数:种群的规模N;;交叉概率pc;变异概率pm;迭代次数t;最大迭代次数max_gen,时间步tl;第一步、使用MOGA-net检测算法对初始时刻的网络G1进行社区划分,获得第一个时刻G1的社区划分结果tl=2,k表示G1网络划分的社区个数;第二步、判断终止条件tl≥T满足,则输出结果C={C1,C2,...,CT},否则,转向第三步;第三步、种群初始化:基于标识符传递机制的父代初始化操作,并分别计算所有个体的适应值F,此时,t=0;第四步、子代个体产生:根据个体适应度是高低,进行正比选择策略生成交配池,在交配池中进行双路交叉和基于邻位基因值的变异操作,产生子代个体,其中交叉概率pc和变异概率pm使用自适应优化;第五步、种群更新:进行爬山式局部搜索,从当前父代个体及子代个体中选出适应度值F最高的N个个体,更新之前的父代种群,生成新的父代种群;第六步、t=t+1,如果t=max_gen,从非占有解中选择模块度大的最优解,输出当前时刻的社区划分结果,否则,转向第四步;第七步、tl=tl+1,转向第二步;输出:动态网络G对应的每个时刻下的社区结构C={C1,C2,...,CT}。优选地,所述最小化优化目标函数的求取方法包括:假设V1和V2是网络G的节点集V的两个不相交的节点子集,定义其中Aij表示邻接矩阵中的元素值,L(V1,V1)表示社区的内度,表示社区的外度;则模块度密度函数D为:式中:表示社区i的平均内度之和,用RA表示,表示社区i的平均外度之和,用RC表示;RA和RC是共同体现优质划分的两个互补特性,当RA越大时表示社区的平均内度越大,即社区内节点连接越紧密,社区数目越多,则社区规模较小;当RC越小时表示社区平均外度越小,即社区间的节点连接越稀松;因此,D值越大,社区划分越为准确;对模块度密度函数D加入权重调节参数λ,将模块度密度函数D看做两个目标函数的组合,变成Dλ:利用归一化互信息NMI描述相邻时刻算法划分结果之间的相似程度,可以衡量动态社区相邻时刻的复杂网络结构;假设网络G的两种划分分别为s1和s2,设H为混合矩阵,H中的元素Hij表示在s1划分情况下社区i中的节点同时也出现在s2划分情况下社区j中的数量;s1和s2之间的定义NMI为:其中,np1和np2分别是s1和s2划分中的社区个数,Hi和Hj分别为H中第i行和第j列的元素之和,N为网络中所有节点的数量;如果s1=s2,则NMI(s1,s2)=1;如果s1和s2完全不同,则NMI(s1,s2)=0;NMI的值越大,表示s1和s2之间的相似度越高;NMI值表示两个社区的接近程度,用来评估社区划分算法的结果优劣,高的NMI说明从一个时间步到下一个时间步的社区没有发生大的变化,是瞬时顺滑的。采用优化模块度密度Dλ和归一化互信息NMI分别作为代价函数中的快照代价SC和时间代价TC:代价函数cost=α·SC+(1-α)·TC;其中,SC衡量的是在某一时刻t下社区结构的质量;TC衡量的是当前t时刻下的社区结构st和t-1时刻下社区结构st-1之间的一致性;参数α是权重参数,可以改变相邻两社区之间的结构差。得到最小化优化目标函数F=σ-αDλ-(1-α)NMI;其中,σ是一常数。优选地,所述步骤300直接式整数编码包括:对网络G的一个社区划分s可以编码为一个整型字符串X={x1,x2,...,xN},其中X代表染色体,N代表网络G中的节点总数,xi(i=1,2,...,N)为节点vi的社区整型标识符本文档来自技高网
...

【技术保护点】
1.一种基于memetic框架的多目标动态网络社区划分方法,其特征在于,包括以下步骤:步骤100、建立memetic算法框架;步骤200、在memetic框架下,将模块度密度函数D加权得到的优化型模块度密度函数Dλ,同归一化互信息NMI,嵌入到代价目标函数中求取最小化优化目标函数;所述最小化优化目标函数的求取方法包括:根据动态网络G的节点集V的两个不相交的节点子集V1和V2,定义,

【技术特征摘要】
1.一种基于memetic框架的多目标动态网络社区划分方法,其特征在于,包括以下步骤:步骤100、建立memetic算法框架;步骤200、在memetic框架下,将模块度密度函数D加权得到的优化型模块度密度函数Dλ,同归一化互信息NMI,嵌入到代价目标函数中求取最小化优化目标函数;所述最小化优化目标函数的求取方法包括:根据动态网络G的节点集V的两个不相交的节点子集V1和V2,定义,其中Aij表示邻接矩阵中的元素值,L(V1,V1)表示社区的内度,表示社区的外度;则模块度密度函数D为:式中:表示社区i的平均内度之和,用RA表示,表示社区i平均外度之和,用RC表示;对模块度密度函数D加入权重调节参数λ,将模块度密度函数D看做两个目标函数的组合,得到优化模块度密度Dλ:动态网络G的两种划分分别为s1和s2,H为混合矩阵,H中的元素Hij表示在s1划分情况下社区i中的节点同时也出现在s2划分情况下社区j中的数量;s1和s2之间的同归一化互信息NMI为:其中,np1和np2分别是s1和s2划分中的社区个数,Hi和Hj分别为H中第i行和第j列的元素之和,N为网络中所有节点的数量;如果s1=s2,则NMI(s1,s2)=1;如果s1和s2完全不同,则NMI(s1,s2)=0;采用优化模块度密度Dλ和归一化互信息NMI分别作为代价函数中的快照代价SC和时间代价TC:代价函数cost=α·SC+(1-α)·TC;其中,SC衡量的是在某一时刻t下社区结构的质量;TC衡量的是当前t时刻下的社区结构st和t-1时刻下社区结构st-1之间的一致性;参数α是权重参数,得到最小化优化目标函数F:F=σ-αDλ-(1-α)NMI;其中,σ是一常数;步骤300、采用直接式整数编码的方式,结合基于标识符传递的初始化机制、双路交叉遗传算法和自爬山算法的搜索方式获取最优社区结构。2.根据权利要求1所述基于memetic框架的多目标动态网络社区划分方法,其特征在于:所述memetic算法框架包括:输入:动态网络G={G1,G2,...,GT},G1,G2,...,GT表示每个时刻对应的网络,T表示动态网络的总时间步;参数:种群的规模N;交叉概率pc;变异概率pm;迭代次数t;最大迭代次数max_gen,时间步tl;第一步、使用MOGA-net检测算法对初始时刻的网络G1进行社区划分,获得第一个时刻的网络G1的社区划分结构tl=2,k表示G1网络划分的社区个数;第二步、判断终止条件:tl≥T,满足,则输出社区划分结构C={C1,C2,...,CT},否则,转向第三步;第三步、种群初始化:基于标识符传递机制的父代初始化操作,并分别计算所有个体的适应值F,此时,t=0;第四步、子代个体产生:根据个体适应度是高低,进行正比选择策略生成交配池,在交配池中进行双路交叉和基于邻位基因值的变异操作,产生子代个体,其中交叉概率pc和变异概率pm使用自适应优化;第五步、种群更新:进行爬山式局部搜索,从当前父代个体及子代个体中选出适应度值F最高的N个个体,更新之前的父代种群,生成新的父代种群;第六步、t=t+1,如果t...

【专利技术属性】
技术研发人员:王菁华周井泉许杰
申请(专利权)人:南京邮电大学
类型:发明
国别省市:江苏,32

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1