一种基于聚类的牵制控制节点选择方法技术

一种基于聚类的牵制控制节点选择方法，首先导入原始网络，并生成邻接矩阵；然后采用GN算法对网络进行聚类，以模块度Q为指标，产生最优社团结构作为聚类结果；最后，在每个子社团中，按照节点度值降序排列，选取一定比例的高度值节点作为牵制控制节点集合。本发明专利技术提供了一种牵制控制节点的选点方法，具有较低的控制误差，较高的控制性能，可作为实际网络牵制控制的选点策略。

【技术实现步骤摘要】

本专利技术涉及网络聚类、牵制控制领域，尤其涉及的是一种基于聚类的牵制控制节点选择方法
技术介绍
控制混沌系统是当前混沌运动研究的一个新领域，是实现混沌应用的关键环节。至今，许多的控制方法已经被研究用于控制混沌系统，其中一个方法就是牵制控制，参照文献1(Grigoriev R O,Cross M C,Schuster H G.Pinning control of spatiotemporal chaos[J].Physical Review Letters,1997,79(15):2795.即Grigoriev R O,Cross M C,Schuster H G,时空混沌中的牵制控制,Physical Review Letters,1997,79(15):2795)，其被广泛应用于控制混沌系统。对于一个给定耦合策略的网络，牵制控制意味着仅对网络中的一部分节点施加控制，从而使系统网络状态达到目标状态或者是一个特定的目标轨迹。为了通过牵制控制来控制一个复杂网络系统，牵制节点需要被专门选择。通常地，我们有两种牵制节点选择策略：(1)随机选择节点作为牵制节点的RP策略(Random Pinning)；(2)选择那些大度值节点作为牵制节点的PP策略(Preference Pinning)，参照文献2(Wang X F,Chen G.Pinning control of scale-free dynamical networks[J].Physica A:Statistical Mechanics and its Applications,2002,310(3):521-531，即Wang X F,Chen G,无标度动力学网络中的牵制控制,Physica A:Statistical Mechanics and its Applications,2002,310(3):521-531)。RP策略简单易行，但牵制控制效果不佳；PP策略能够取得好的控制结果，但是该策略遇到有社团结构，参照文献3(Girvan M,Newman M E J.Community structure in social and biological networks[J].Proceedings of the national academy of sciences,2002,99(12):7821-7826，即Girvan M,Newman M E J,社会网络和生物网络中社团结构,Proceedings of the national academy of sciences,2002,99(12):7821-7826)，并且社团尺寸大小不一的网络时失去作用，而现实网络系统多呈现社团化、异构化的特性，PP策略应用受限。因此，为了通过控制网络中的部分节点(牵制节点)，继而控制整个网络，一种基于聚类的牵制控制节点选择方法(Clustering Pinning，CP)需要解决以下三个基本问题：(1)如何利用社团结构筛选更优的牵制节点；(2)如何选择网络中牵制节点的比例；(3)如何选择控制能力强的牵制节点；
技术实现思路
为了克服现有的牵制控制节点选择策略在遇到有社团结构并且社团尺寸大小不一的网络时失去作用导致牵制控制性能不佳、控制误差高的不足，本专利技术提出一种基于聚类的牵制控制节点选择方法，在基本的RP节点选择策略，PP节点选择策略下，首先导入原始网络，并生成邻接矩阵；然后采用GN聚类算法[4]对网络进行聚类，以社团模块度Q为指标，参照文献4(Newman M E J,Girvan M.Finding and evaluating community structure in networks[J].Physical review E,2004,69(2):026113，即Newman M E J,Girvan M,发掘和评估网络中的社团结构,Physical review E,2004,69(2):026113)，产生最优社团结构作为聚类结果；最后，在每个子社团中，按照节点度值降序排列，选取一定比例的高度值节点作为牵制控制节点集合。本专利技术实现上述专利技术目的所采用的技术方案为：一种基于聚类的牵制控制节点选择方法，包括以下步骤：步骤1：读取目标网络的节点号、节点连边，形成邻接矩阵；步骤2：利用邻接矩阵对目标网络进行GN分裂算法聚类，获取网络中每条连边的边介数值，不断移除其中边介数值最大的边，并计算社团模块度指标Q，直到网络中所有连边都被移除，每个节点各自代表一个社团；步骤3：根据社团模块度指标Q值，选择Q值最大时的社团划分情况作为GN分裂算法结果：网络被分成K个社团，记为Ci,i＝1,2,...k，称为最优社团结构；步骤4：计算网络中所有节点的度值；在每个社团Ci中，节点根据其度值降序排列；设置牵制控制节点比例为f，取该社团内度值最大的前f×Ni个节点作为牵制控制节点集合，记为其中Ni为社团Ci的节点数目；步骤5：合并步骤4得到的每一个社团的牵制控制节点集合，得到网络中总的牵制控制节点集合，记为进一步，在所述步骤4中，牵制控制节点比例f，其确定方式为：根据网络中节点数目N，社团数目K，则令确保网络中每一个社团都拥有至少一个牵制控制节点。与现有的技术相比，本专利技术的有益效果是：1)本专利技术考虑到网络中存在的社团结构，提出了一种基于社团结构的牵制节点选择策略(CP策略)，挑选的牵制控制节点可以避免在控制网络时由于存在社团结构而产生的控制效果不佳情况。由于现实网络中广泛存在社团化、异构化的特性，本专利技术在现实网络中应用更为广泛，挑选出的牵制控制节点更为准确合理；2)本专利技术采用GN分裂算法聚类，使用社团模块度指标Q作为聚类算法的指标，取模块度Q最大时的社团划分作为聚类算法输出结果，具有理论依据支撑，得到的社团结构划分更为合理；3)本专利技术选取牵制控制节点比例f时，保证了每一个社团中都拥有至少一个牵制控制节点，这使得每一个社团都能够被“就近”控制，在人工社团网络的实验结果表明，CP选点策略能够比RP策略、PP策略取得更低的控制误差率；附图说明图1为一种基于聚类的牵制控制节点选择方法流程图。图2为人工社团网络CP策略与RP策略、PP策略的控制误差率对比图。具体实施方式下面结合说明书附图对本专利技术的具体实施方式作进一步详细的描述。参照图1和图2，一种基于聚类的牵制控制节点选择方法，包括以下步骤：步骤1：读取目标网络的节点号、节点连边，形成邻接矩阵；步骤2：利用邻接矩阵对目标网络进行GN分裂算法聚类，获取网络中每条连边的边介数值，不断移除其中边介数值最大的边，并计算社团模块度指标Q，直到网络中所有连边都被移除，每个节点各自代表一个社团；其中社团模块度指标Q值计算公式为公式(1)；步骤3：根据社团模块度指标Q值，选择Q值最大时的社团划分情况作为GN分裂算法结果：网络被分成K个社团，记为Ci,i＝1,2,...k；步骤4：计算网络中所有节点的度值；在每个社团Ci中，节点根据其度值降序排列；设置牵制控制节点比例为f，取该社团内度值最大的前f×Ni个节点作为牵制控制节点集合，记为其中Ni为社团Ci的节点数目；步骤5：合并步骤4得到的每一个社团的牵制控制节点集合，得到网络中总的本文档来自技高网...

【技术保护点】
一种基于聚类的牵制控制节点选择方法，其特征在于：所述方法包括以下步骤：步骤1：读取目标网络的节点号、节点连边，形成邻接矩阵；步骤2：利用邻接矩阵对目标网络进行GN分裂算法聚类，获取网络中每条连边的边介数值，不断移除其中边介数值最大的边，并计算社团模块度指标Q，直到网络中所有连边都被移除，每个节点各自代表一个社团；步骤3：根据社团模块度指标Q值，选择Q值最大时的社团划分情况作为GN分裂算法结果：网络被分成K个社团，记为Ci,i＝1,2,...k，称为最优社团结构；步骤4：计算网络中所有节点的度值；在每个社团Ci中，节点根据其度值降序排列；设置牵制控制节点比例为f，取该社团内度值最大的前f×Ni个节点作为牵制控制节点集合，记为Vip，其中Ni为社团Ci的节点数目；步骤5：合并步骤4得到的每一个社团的牵制控制节点集合，得到网络中总的牵制控制节点集合，记为

【技术特征摘要】
1.一种基于聚类的牵制控制节点选择方法，其特征在于：所述方法包括以下步骤：步骤1：读取目标网络的节点号、节点连边，形成邻接矩阵；步骤2：利用邻接矩阵对目标网络进行GN分裂算法聚类，获取网络中每条连边的边介数值，不断移除其中边介数值最大的边，并计算社团模块度指标Q，直到网络中所有连边都被移除，每个节点各自代表一个社团；步骤3：根据社团模块度指标Q值，选择Q值最大时的社团划分情况作为GN分裂算法结果：网络被分成K个社团，记为Ci,i＝1,2,...k，称为最优社团结构；步骤4：计算...

【专利技术属性】
技术研发人员：宣琦，王金宝，傅晨波，翔云，吴哲夫，俞立，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33