能够提高全局收敛性能的复杂网络社区检测方法技术

本发明专利技术公开了一种能够提高全局收敛性能的复杂网络社区检测方法，具体包括：提高差分进化算法的全局收敛性能的步骤，该步骤具体是：(一)分类自适应差分类变异策略；(二)动态自适应参数调整；(三)基于历史信息的进行差分选择操作。基于分类的自适应变异将作用于每一代种群中所有个体直到进化结束，因此每个个体的变异都能够得到有针对性的调整。一方面，可以加强优秀个体的探索能力，以增加在其邻域发现全局最优的可能性；另一方面，能够加强较差个体的开采能力，以加快其向全局最优化的搜索速度。

【技术实现步骤摘要】
能够提高全局收敛性能的复杂网络社区检测方法
本专利技术涉及一种社区检测方法，具体说是一种能够提高全局收敛性能的复杂网络社区检测方法。
技术介绍
过去几年中已有许多社区检测方法相继提出，其中应用最广泛的是基于模块度的最优化方法。然而，模块度最优化本质上是一个典型的NP难问题，传统的确定性优化算法，如数学规划法、贪心算法、谱分析法及极值优化算法等，通常会有早熟收敛或收敛停滞现象。此外，随着真实世界网络规模和结构模糊性的增强，最优化过程中的极值退化问题变得更加严重，这就意味着在以指数增长的众多局部最优解中，找到全局最优社区划分变得更加困难，因此使检测所得社区结构的准确性和稳定性受到严重影响。基于EA的模块度优化方法由于具有强大的全局最优化能力，在多种检测问题上表现出显著优越性。此外，考虑到真实世界网络中的先验信息的获取较为困难，该类算法不需要任何先验信息(如社区数目)和特定数学模型。然而，尽管基于EA的模块度优化方法在多种网络社区检测问题上取得了令人满意的结果，但早熟收敛和极值退化的问题并没有得到充分的解决。为了克服上述问题并提高最优社区划分质量，应进一步提高基于EA的模块度优化算法的收敛性能。前期实验结果表明，基于EA的模块度优化算法的收敛性能主要取决于两个关键因素，首要因素也是最重要的因素是如何提高EA本身的全局收敛能力，另一因素是如何有效利用网络拓扑信息减少模块度优化过程中巨大的搜索空间。然而据我们所知，现有算法中通常将基本EAs直接作为优化策略而忽略其收敛能力，从而导致EAs的早熟收敛，获得的最优社区划分质量也较差。与此同时，尽管现有部分算法对EAs中的进化操作进行了改进，通过融合网络拓扑信息满足社区检测需求，但拓扑信息的不恰当使用破坏了全局最优社区划分的搜索空间。
技术实现思路
针对现有技术的不足，本专利技术提出了能够提高全局收敛性能的复杂网络社区检测方法，重新设计了三个主要的进化操作，包括基于分类的自适应变异策略、动态自适应参数调整策略和基于历史信息的选择操作。另一方面，为更好地利用网络拓扑信息，提出了一种改进的基于邻域信息的社区调整策略，以保证在减少DE搜索空间的同时为全局最优社区划分提供足够的搜索空间。最后，提出新的基于DE的模块度优化算法CDEMO。为实现上述目的，本专利技术提供了一种能够提高全局收敛性能的复杂网络社区检测方法，具体包括：提高差分进化算法的全局收敛性能的步骤，该步骤具体是：(一)分类自适应差分类变异策略；(二)动态自适应参数调整；(三)基于历史信息的进行差分选择操作。进一步的，分类自适应差分类变异策略，具体操作如下：对于每一个目标个体Xi,t，如果其个体适应度值fi大于当前整个种群个体适应度值的平均数，则将其归类为优秀个体，在搜索空间的位置较为靠近全局最优解；因此，在Xi,t中好的基因被保留来强化个体周围的局部搜索，相应的变异向量Vi,t生成方式如下：Vi,t＝Fi,t.Xpbesti,t+Wi,t.(Xr2,t-Xr3,t)(1)其中，Xpbesti,t代表个体Xi,t在前t代的历史最优解，用于增强个体探索能力；Xr2,t和Xr3,t是从种群中随机选择的两个不同个体，并且满足条件r2≠r3≠i；Fi,t和Wi,t是Xi的控制参数，其数值根据进化代数和Xi,t的个体适应度值动态调整；对于每一个目标个体Xi,t，如果其个体适应度值fi小于当前整个种群个体适应度值的平均数，则将其归类为较差个体，在搜索空间的位置与全局最优解较远；因此，加强其在种群中与优秀个体之间的交流以促进全局搜索，相应的变异向量Vi,t生成方式如下：Vi,t＝Wi,t.Xr1,t+Ki,t.(Xgbest,t-Xi,t)(2)其中Xr1,t是从种群中随机选择的个体，并满足条件r1≠i；Xgbest,t表示当前迭代种群中的最优解，用于增强Xi,t的探索能力；Wi,t和Ki,t是Xi的控制参数，其数值根据进化代数和Xi,t的个体适应度值进行动态调整。进一步的，动态自适应参数调整：三个控制参数W,K,F，分别为变异过程中的随机成分、社会成分和认知成分；此外，交叉操作中也有一个关键的控制参数CR，用于确定每个试验个体ui,t中从变异个体Vi,t中继承的百分比；调整过程具体如下：1.根据个体的适应度值进行参数自适应调整：对较差个体，加强变异和交叉的程度，以便在进化过程中引入更多的方向性信息。因此，变异过程中的随机成分、社会成分以及交叉过程中的继承都增强，对应公式(2)中的W和K，以及交叉中的CR取值较大；相反，对于优秀个体来说，加强变异过程中的认知部分，参数调整应遵从相反的原则，对应于公式(1)中较大的F值和较小的W值。2.根据进化迭代次数动态自适应调整：在进化早期阶段，加强个体的探索能力，以确保在每个个体邻域内进行充分搜索。相反，在进化后期阶段，加强个体的开采能力，加强个体间的交流，加快整个群体的收敛。根据这一原则，进化过程中F,W,CR的取值逐渐减小，而K取值逐渐增大。基于上述原则，参数取值能够得到自适应地调整，进化过程中每个个体能够得到动态控制。具体操作过程如下所示：进一步的，基于历史信息的进行差分选择操作的步骤，具体是：整个进化过程中生成的优秀解均将被保存在历史信息中，并用于后续进化操作。为实现这一目标，引入特殊种群pbest_pop，由种群中每个个体的历史最优解Xpbesti,t构成种群pbest_pop，并在初始化阶段生成，每个进化操作之后进行更新；对种群中每个个体Xi,t，如果其适应度值在某项进化操作过程中得到改善，那么新生成的个体将作为Xi,t的当前历史最优解，并保存到pbest_pop中；在每一代进化操作之后，pbest_pop中所有个体将替代种群pop中所有个体，并从pbest_pop中选择出当前最优解Xgbest,t。进一步的，本方法还包括利用改进的基于邻域信息进行社区修正的步骤，具体是：若一节点满足社区修正条件，那么该节点将可能被重新置入所有其邻域节点所属社区中，且置入的概率与邻域社区的规模成正比。进一步的，本方法还包括基于分类差分进化算法的模块度优化算法，具体是：S1：种群初始化；S1.1设置网络参数，包括节点数n，邻接矩阵adj，社区修正阈值δ；设置DE算法参数，包括个体维度D，种群大小NP，种群迭代次数t和最大迭代次数tmax；S1.2以社区标号的个体表示方式随机初始化种群pop；S2：识别并记录最优解S2.1识别并记录第t代种群pop中的最优个体Xgbest,t；S2.2识别并记录第t代种群pop中每个个体Xi,t的历史最优解Xpbesti,t；由所有种群个体的Xpbesti,t构建初始种群pbest_pop；S3：当种群迭代次数小于种群最大迭代次数时，种群迭代次数自加一，不满足条件则结束S3.1-S3.5的循环；S3.1通过自适应分类差分变异策略构建变异种群mutation_pop；当i的值为1到种群大小数值范围内，进行步骤a)到e)的循环，如果i的值不在1到种群大小数值范围内，则跳出步骤a)到e)，结束循环；a)从种群pop中随机选取3个不同的个体Xr1,t，Xr2,t，Xr3,t；b)动态调整变异参数Fi,t、wi,t、Ki,t；c)根据适应度值Q对Xi,t进行分类；d)根据自适应分本文档来自技高网...

【技术保护点】
一种能够提高全局收敛性能的复杂网络社区检测方法，其特征在于，具体包括：提高差分进化算法的全局收敛性能的步骤，该步骤具体是：(一)分类自适应差分类变异策略；(二)动态自适应参数调整；(三)基于历史信息的进行差分选择操作。

【技术特征摘要】
1.一种能够提高全局收敛性能的复杂网络社区检测方法，其特征在于，具体包括：提高差分进化算法的全局收敛性能的步骤，该步骤具体是：(一)分类自适应差分类变异策略；(二)动态自适应参数调整；(三)基于历史信息的进行差分选择操作。2.根据权利要求1所述一种能够提高全局收敛性能的复杂网络社区检测方法，其特征在于，分类自适应差分类变异策略，具体操作如下：对于每一个目标个体Xi,t，如果其个体适应度值fi大于当前整个种群个体适应度值的平均数，则将其归类为优秀个体，在搜索空间的位置较为靠近全局最优解；因此，在Xi,t中好的基因被保留来强化个体周围的局部搜索，相应的变异向量Vi,t生成方式如下：Vi,t＝Fi,t.Xpbesti,t+Wi,t.(Xr2,t-Xr3,t)(1)其中，Xpbesti,t代表个体Xi,t在前t代的历史最优解，用于增强个体探索能力；Xr2,t和Xr3,t是从种群中随机选择的两个不同个体，并且满足条件r2≠r3≠i；Fi,t和Wi,t是Xi的控制参数，其数值根据进化代数和Xi,t的个体适应度值动态调整；对于每一个目标个体Xi,t，如果其个体适应度值fi小于当前整个种群个体适应度值的平均数，则将其归类为较差个体，在搜索空间的位置与全局最优解较远；因此，加强其在种群中与优秀个体之间的交流以促进全局搜索，相应的变异向量Vi,t生成方式如下：Vi,t＝Wi,t.Xr1,t+Ki,t.(Xgbest,t-Xi,t)(2)其中Xr1,t是从种群中随机选择的个体，并满足条件r1≠i；Xgbest,t表示当前迭代种群中的最优解，用于增强Xi,t的探索能力；Wi,t和Ki,t是Xi的控制参数，其数值根据进化代数和Xi,t的个体适应度值进行动态调整。3.根据权利要求1所述一种能够提高全局收敛性能的复杂网络社区检测方法，其特征在于，动态自适应参数调整：三个控制参数W,K,F，分别为变异过程中的随机成分、社会成分和认知成分；此外，交叉操作中也有一个关键的控制参数CR，用于确定每个试验个体ui,t中从变异个体Vi,t中继承的百分比；调整过程具体如下：4.根据权利要求1所述一种能够提高全局收敛性能的复杂网络社区检测方法，其特征在于，基于历史信息的进行差分选择操作的步骤，具体是：由种群中每个个体的历史最优解Xpbesti,t构成种群pbest_pop，并在初始化阶段生成，每个进化操作之后进行更新；对种群中每个个体Xi,t，如果其适应度值在某项进化操作过程中得到改善，那么新生成的个体将作为Xi,t的当前历史最优解，并保存到pbest_pop中；在每一代进化操作之后，pbest_pop中所有个体将替代种群pop中所有个体，并从p...

【专利技术属性】
技术研发人员：肖婧，毕学良，任宏菲，许小可，
申请(专利权)人：大连民族大学，
类型：发明
国别省市：辽宁,21