基于优化的复杂网络聚类方法技术

本发明专利技术公开了一种基于优化的复杂网络聚类方法，属于云3D打印领域，用于云3D打印平台的优化，其包括网络初始化

【技术实现步骤摘要】
基于优化的复杂网络聚类方法


[0001]本专利技术属于云3D打印领域，具体地说，尤其涉及一种用于云3D打印平台的基于优化的复杂网络聚类方法。

技术介绍

[0002]复杂网络是由数量巨大的节点和节点之间错综复杂的关系共同构成的，因此，复杂网络作为一个复杂拓扑结构特征的网络，岂会出现在简单网络中没有的特殊拓扑特性，这些特性仅仅在真实世界的网络结构中存在，且其基本特征和规律性是不容易辨识的。
[0003]复杂网络一般具有以下的特性：第一，小世界。它以简单的措辞描述了大多数网络进管规模很大但是任意两个节(顶)点间却有一条相当短的路径的事实。第二、集群即集聚程度(Clustering coefficient)的概念。集群程度是网络集团化的程度，这是一种网络的内聚倾向。第三，幂律(Power law)的度分布概念。度是指与节点连接的边数；度的相关性是指网络边的两节点之间关系的关联程度；度分布是指从图中随机选取一个节点其度为的概率，可记为P(k)。
[0004]具体到云3D打印平台中，在云计算任务和虚拟计算机资源数量不相等的情况下，如何实现订单分类任务的分配，在考虑到云3D打印服务成本以及确保云3D打印服务提供商能够在规定时间段内完成某项打印订单服务的情形下，如何指定订单分类任务的分配策略，就需要用到基于优化的复杂网络聚类方法。

技术实现思路

[0005]本专利技术的目的在于提供一种基于优化的复杂网络聚类方法，其能够将订单视为复杂网络节点，将订单与订单之间的关联关系视为复杂网络的边，通过优化复杂网络的聚类方法实现云3D打印平台中订单任务分类任务分配策略的优化与提高，保证云3D打印服务成本的同时又能够保证3D打印服务提供商在规定的时间段内完成某项订单任务。
[0006]为达到上述目的，本专利技术是通过以下技术方案实现的：
[0007]本专利技术中所述的基于优化的复杂网络聚类方法，包括以下步骤：首先需要输入待聚类的文档、复杂网络、已知must-link约束集合及cnnot-link约束集合的阈值，并进行如下步骤；
[0008]第一步：网络初始化。
[0009]网络初始化是将复杂网络中的数据抽象成无向图，并将无向图转化成N阶矩阵A，并随机选择簇的数目k，并赋予网络的初始值。网络的初始值即为节点和边的基本信息和属性。
[0010]第二步：抽取特征向量权值。
[0011]假设特征词的权重为f
t
，则计算文档各关键词的特征向量权重W
i
为W
i
＝σ
×
μ
×
f
t
×
log(l+1)，其中σ是特征词位置的加权系数，μ是语义分析加权系数，f
t
是文档中关键词的频率，l是关键词特征之间的长度。
[0012]第三步：构造节点对集合。
[0013]根据约束规则，比较must-link节点对集合、cannot-link节点对集合进行比较，并判断关键词之间是否符合服务资源同义词字典集和属性字典的扩展要求，计算得出各种先验知识，先验知识为合理性形式。
[0014]第四步：构造概念。
[0015]根据must-link节点对集合与cannot-link节点对集合的约束规则，构建所有的概念C，并选择重要的概念C
i
进行计算，计算如下：∪C
i
g＝C
i
∪C
i
m＝M，其中M是概念的集合，C
i
是第i个概念，C
i
g是第i个概念的对象，C
i
m表示概念集M所属的属性；将节点对集合进行抽取特征所有概念，并按照对象进行排列。
[0016]第五步：概念做归一化处理。
[0017]对所有的概念C＝(C1,C2,
…
,C
n
)的特征进行归一化处理，并依次输入概念C的数据抽象成无向图，归一化公式计算如下：
[0018]第六步：计算节点对间的距离度量。
[0019]对平滑假设距离度量进行计算，具体公式如下：根据获取的先验知识，通过平滑假设距离度量计算出两节点之间的度量，形成样本数据中术语节点的距离范围，由此判断衍生的节点对是否超出范围，并根据矩阵式的数据进行修正以确定衍生的先验知识集合节点对的位置。
[0020]第七步：计算边界值。
[0021]若边界值为0，则标记完成后删除所有边界值为0的边，并且同时计算复杂网络中除去边界值为+∞边的剩余边边界值；所述边界值的定义式为：其中σ
st
(m)表示经过节点m的s
→
t的最短路径数，σ
st
表示s
→
t的最短路径数。
[0022]第八步：计算模块复杂度。
[0023]在计算网络中边的边界值和删除边时，计算网络的模块度Q用以确定范围的终止范围，其计算公式如下：Q＝∑
i＝0
(e
ij-a
ij
)2，其中e
ij
是k阶对称方阵E的元素，1≤i,j≤k，a
ij
则是复杂网络中社区i节点连接的边数与所有社区的边数的比值。
[0024]第九步：重复第六步、第七步，直至所有边被删除，得出复杂网络的分类结果。
[0025]进一步地讲，本专利技术中所述的第一步中N阶矩阵可通过以下方式定义：假设定义源节点S的距离为d
s
＝0，权值是w
s
＝1，则N阶矩阵A的表达式为矩阵A中点a
ij
的值表示两节点之间是否有连边，无连边时标记为0，有连边时标记为1。
[0026]进一步地讲，本专利技术中所述的must-link节点的约束规则：表示节点对V和V
j
属于同一社区内，将符合约束的节点之间的边介值记作0；所述cannot-link节点的约束规则为：表示节点对V和V
j
不属于同一社区内，将符合约束的节点之间的边介值记作+∞。
[0027]与现有技术相比，本专利技术的有益效果是：
[0028]本专利技术能够将订单视为复杂网络节点，将订单与订单之间的关联关系视为复杂网络的边，通过优化复杂网络的聚类方法实现云3D打印平台中订单任务分类任务分配策略的优化与提高，保证云3D打印服务成本的同时又能够保证3D打印服务提供商在规定的时间段内完成某项订单任务。
具体实施方式
[0029]下面结合实施例对本专利技术所述的技术方案作进一步地描述说明。需要说明的是，在下述段落可能涉及的方位名词，包括但不限于“上、下、左、右、前、后”等，其所依据的方位均为对应说明书附图中所展示的视觉方位，其不应当也不该被视为是对本专利技术保护范围或技术方案的限定，其目的仅为方便本领域的技术人员更好地理解本专利技术创造所述的技术方案。
[0030]在本说明书的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于优化的复杂网络聚类方法，其特征在于，包括以下步骤：首先需要输入待聚类的文档、复杂网络、已知must-link约束集合及cnnot-link约束集合的阈值，并进行如下步骤；第一步：网络初始化网络初始化是将复杂网络中的数据抽象成无向图，并将无向图转化成N阶矩阵A，并随机选择簇的数目k，并赋予网络的初始值，网络的初始值指的是节点和边的基本信息和属性；第二步：抽取特征向量权值假设特征词的权重为f
t
，则计算文档各关键词的特征向量权重W
i
为W
i
＝σ
×
μ
×
f
t
×
log(l+1)，其中σ是特征词位置的加权系数，μ是语义分析加权系数，f
t
是文档中关键词的频率，l是关键词特征之间的长度；第三步：构造节点对集合根据约束规则，比较must-link节点对集合、cannot-link节点对集合，并判断关键词之间是否符合服务资源同义词字典集和属性字典的扩展要求，计算得出各种先验知识，先验知识指代的是合理性形式；第四步：构造概念根据must-link节点对集合、cannot-link节点对集合的约束规则，构建所有的概念C，并选择重要的概念Ci进行计算，计算如下：∪C
i
g＝C
i
∪C
i
m＝M，其中M是概念的集合，C
i
是第i个概念，C
i
g是第i个概念的对象，C
i
m表示概念集M所属的属性；将节点对集合进行抽取特征所有概念，并按照对象进行排列；第五步：概念做归一化处理对所有的概念C＝(C1，C2，...，C
n
)的特征进行归一化处理，并依次输入概念C的数据并抽象成无向图，归一化公式计算如下：第六步：计算节点对间的距离度量对平滑假设距离度量进行计算，具体公式如下：根据获取的先验知识，通过平滑假设距离度量计算出两节点之间的度量，形成样本数据中术语节点的距离范围，由此判断衍生的节点对是否超出范围，并根据矩阵式的数据进行修正以确定衍生的先验知识集合节点对的位置；第七步：计算边界值若边界值为0...

【专利技术属性】
技术研发人员：张成雷，韩虎，田相克，王晓杰，张登博，刘佳佳，初豪杰，
申请(专利权)人：临沂大学，
类型：发明
国别省市：