一种符号网络弱不平衡度的评价方法及系统技术方案

本发明专利技术公开了符号网络弱不平衡度的评价方法及系统，该方法包括根据邻接矩阵采用轮盘赌算法生成个体压缩表示；根据个体压缩表示及种群规模随机生成popSize个个体，得到初始种群；对所述初始种群初始化得到父代种群；更新父代种群maxGen次，将循环第maxGen次时得到的子代种群确定为优化种群；更新父代种群具体包括对父代种群依次进行选择操作、交叉操作、变异操作、轮换操作及局部搜索；根据适应值函数计算所述优化种群中全部个体的适应值，将所述优化种群中适应值最大的个体确定为所述符号网络的弱不平衡度。本发明专利技术通过根据个体压缩表示生成初始种群，有效地降低了基因型网络空间的规模，提高了使用本发明专利技术方法计算符号网络弱不平衡度时的准确性及效率。

【技术实现步骤摘要】
一种符号网络弱不平衡度的评价方法及系统
本专利技术涉及大型符号网络
，尤其涉及一种符号网络弱不平衡度的评价方法及系统。
技术介绍
符号网络以正边表示正面关系，负边表示敌对、厌恶、背弃、差评、抑制等负面的关系，符号网络深入细致地刻画了事物之间的联系。Leskovec等人通过实验表明在大量实际的符号网络中弱结构平衡比结构平衡更为常见，因此，求弱不平衡度比求不平衡度更为实用，也更为重要。然而简单地将求解结构不平衡度的方法推广到求解弱结构不平衡度通常是不可行的。Doreian和Mrvar提出了块模型方法来求解一个符号网络的弱不平衡度，并将其算法嵌入到了著名网络分析软件Pajek中。由于求解弱结构不平衡问题属于NP难问题，同时也由于块模型方法是基于矩阵表示和置换操作的，本身具有较高的时间复杂度，因此Doreian和Mrvar给出的方法在计算大型符号网络弱不平衡度时效率低。
技术实现思路
本专利技术的目的是提供一种符号网络弱不平衡度的评价方法及系统，以解决现有技术中对大型符号网络弱不平衡度进行评价时效率低的问题。为实现上述目的，本专利技术提供了如下方案：一种符号网络弱不平衡度的评价方法，包括：本文档来自技高网...

【技术保护点】
1.一种符号网络弱不平衡度的评价方法，其特征在于，包括：获取符号网络G(V,E,σ)的邻接矩阵A＝(aij)n×n；其中，节点集V＝{v1,v2…,vX}，n为符号网络的节点数，n为大于1的正整数；类别集C＝{0,…，k‑1}，类别集中包括全部节点的类别值，k‑1为正整数；边集

【技术特征摘要】
1.一种符号网络弱不平衡度的评价方法，其特征在于，包括：获取符号网络G(V,E,σ)的邻接矩阵A＝(aij)n×n；其中，节点集V＝{v1,v2…,vX}，n为符号网络的节点数，n为大于1的正整数；类别集C＝{0,…，k-1}，类别集中包括全部节点的类别值，k-1为正整数；边集符号属性集σ＝{+，-}；aij∈{-1,0,1}，aij＝1表示节点vi和vj以正边相连，aij＝-1表示节点vi和vj以负边相连，aij＝0表示节点vi和vj没有边相连；根据所述邻接矩阵采用轮盘赌算法生成个体压缩表示；所述个体压缩表示包括多个节点的类别值，所述个体压缩表示的节点数小于X；获取种群规模popSize和迭代次数预设值maxGen；其中，popSize为大于1的正整数，locK为正整数，maxGen为大于1的正整数；根据所述个体压缩表示及所述种群规模随机生成popSize个个体，得到初始种群；一个所述个体中包括多个节点的类别值；对所述初始种群初始化，得到父代种群；对父代种群中的个体依次进行选择操作、交叉操作、变异操作、轮换操作和局部搜索操作，得到子代种群，并将迭代次数的值加1；所述迭代次数的初始值为零；判断迭代次数的值是否等于迭代次数预设值maxGen；如果是，将所述子代种群确定为优化种群；否则，将所述子代种群作为更新后的父代种群返回步骤“对父代种群中的个体依次进行选择操作、交叉操作、变异操作、轮换操作和局部搜索操作”；根据适应值函数计算所述优化种群中全部个体的适应值，将所述优化种群中适应值最大的个体确定为所述符号网络的弱不平衡度；其中，N(vi)＝{vk|(vi,vk)∈E}，N(vi)是节点vi的邻域，vk是节点vi的邻居节点；si为第i个节点的类别值，sj为第j个节点的类别值。2.根据权利要求1所述的方法，其特征在于，所述根据所述邻接矩阵采用轮盘赌算法生成个体压缩表示，具体包括：分别求解所述邻接矩阵的每行元素值之和，将每行元素值之和确定为每行元素值对应的节点的度数；将第一节点的第一邻居节点的类别值存入压缩数组；所述第一节点为邻接矩阵对应节点中度数为1的节点；将所述第一邻居节点的度数修改为0，并将第二邻居节点的度数减1，得到第一邻接矩阵；所述第二邻居节点为所述第一邻居节点的邻居节点；根据所述第一邻接矩阵采用轮盘赌算法确定一个第二节点，将所述第二节点的类别值存入所述压缩数组；所述第二节点的度数大于0；将所述第二节点的度数修改为0，并将所述第二节点的邻居节点的度数减1，得到第二邻接矩阵；判断所述第二邻接矩阵中的所有元素值是否全部等于0；如果是，将存入所述压缩数组的节点的类别值集合确定为所述个体压缩表示；否则，将所述第二邻接矩阵作为更新后的第一邻接矩阵返回“根据所述第一邻接矩阵采用轮盘赌算法确定一个第二节点”；所述个体压缩表示中类别值的个数为Y，Y＜X。3.根据权利要求1所述的方法，其特征在于，所述根据所述个体压缩表示及所述种群规模随机生成popSize个个体，得到初始种群，具体包括：生成一个所述个体；所述生成一个所述个体，具体包括：为个体压缩表示中的每个节点随机分配一个类别值si，得到一个所述个体；所述类别值si∈{0，…,k-1}；循环所述生成一个所述个体的过程popSize次，得到所述初始种群。4.根据权利要求1所述的方法，其特征在于，所述对所述初始种群初始化，得到父代种群，具体包括：更新所述初始种群中的第一个体；所述更新所述初始种群中的第一个体，具体包括：选取第一个体中的任意一个节点作为第三节点；所述第三节点的类别值为第一类别值；将与所述第三节点正边相连的邻居节点的类别值确定为所述第一类别值，得到更新后的个体；对所述初始种群中的每个个体按更新所述初始种群中的第一个体的方式更新一次，得到所述父代种群。5.根据权利要求4所述的方法，其特征在于，所述更新所述初始种群中的第一个体之前，还包括：获取初始化强度iniK；其中，iniK为正整数；所述对所述初始种群中的每个个体按更新所述初始种群中的第一个体的方式更新一次之后，还包括：对初始种群中的全部个体按更新所述初始种群中的第一个体的方式更新iniK-1次，得到所述父代种群。6.根据权利要求1所述的方法，其特征在于，所述对父代种群中的个体依次进行选择操作、交叉操作、变异操作、轮换操作和局部搜索操作，得到子代种群，具体包括：步骤S1：获取联赛规模tourSize、交叉概率pc、变异概率pm、轮换概率pr和局部搜索次数locK；步骤S2：生成一个子代种群中的个体；所述生成一个子代种群中的个体，具体包括：步骤S21：对父代种群中的个体进行选择操作和交叉操作；所述对父代种群中的个体进行选择操作和交叉操作，具体包括：步骤S211：采用联赛选择算法从所述父代种群中随机选取tourSize个个体；步骤S212：根据适应值函数计算所述tourSize个个体的适应值，将所述tourSize个个体中适应值最大的个体确定为第二个体；步骤S213：依次循环所述步骤S211和步骤S12两次，得到第一个第二个体和第二个第二个体；步骤S214：根据交叉概率pc判断是否对第一个第二个体和第二个第二个体进行交叉操作；步骤S215：如果否，则将第二个体确定为第三个体；如果是，则获取第一个第二个体的任意一个节点的类别值Sde；步骤S216：根据所述类别值Sde确定所述第一个第二个体中的第四节点；所述第四节点的类别值为Sde；步骤S217：将第二个第二个体的第五节...

【专利技术属性】
技术研发人员：常新功，赵雅娟，史文强，
申请(专利权)人：山西财经大学，
类型：发明
国别省市：山西,14