基于多种群多层次自学制造技术

本发明专利技术公开了基于多种群多层次自学

【技术实现步骤摘要】
基于多种群多层次自学TLBO算法的动态社区发现


[0001]本专利技术涉及动态社区发现
，具体涉及基于多种群多层次自学
TLBO
算法的动态社区发现
。

技术介绍

[0002]近年来，复杂网络中的社区结构的发现成为一个研究热点，其研究广泛应用于生物医学
、
社交网络等领域
。
社区结构是复杂网络的一个普遍特征，整个网络由多个社区组成，同一社区的节点之间连接紧密，而社区之间的节点连接松散
。
寻找这样一个结构的研究问题被称为社区检测
(
聚类
)
问题
。
但是注意到源自现实世界的网络大多都是动态的，例如，在科学合作网络变化的过程中，科学家调整了研究方向，与不同的合著者发表论文
。
社交网络中，随着时间的变化新的人被添加或新的友谊被建立，网络结构往往会逐渐改变，使得社区也逐渐改变，分析社区的变化可以发现网络的互动趋势，从而使这些动态网络的研究可以广泛应用于“智慧城市”中
。/>[0003]动态本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于多种群多层次自学
TLBO
算法的动态社区发现，其特征在于，包括以下步骤：将整个种群划分为两个种群，每个子种群通过多策略初始化方法进行初始化；构建多种群多目标优化框架，对不同种群采用不同方法进行划分，不同种群朝向不同方向演进，种群间通过合作共享种群间的信息；通过相似社区发现方法，利用稠密子网络算子进行匹配找到与当前时刻最相似的网络，引导新社区划分；对划分好的种群采用分层自学习
TLBO
方法进行学习，分为教师阶段和学生阶段，在教师阶段，使两个种群内部竞争朝向不同方向发展学习；在学生阶段，通过多层次自学方法，将子种群划分为不同层次的学生，对不同层次学生采用不同的学习策略；不断迭代分层自学习
TLBO
方法直到得出最优解
。2.
根据权利要求1所述的基于多种群多层次自学
TLBO
算法的动态社区发现，其特征在于，所述分层自学习
TLBO
方法包括教师阶段和学生阶段，教师阶段的具体步骤为：教师阶段：两个班级的老师各自传授知识使得两个班级学生们内部竞争分别朝向不同的方向发展，教学方法和需要更新的点公式为：的方向发展，教学方法和需要更新的点公式为：的方向发展，教学方法和需要更新的点公式为：的方向发展，教学方法和需要更新的点公式为：其中是老师向学生传授知识的规则，
P
update
‑
Q
和
P
update
‑
NMI
分别是两个种群需要更新点的集合，
P
s
是具有相似稠密子网络结点的集合，
rm
是个随机数，
P
p
是概率数，为取
0.5
；对于以
Q
为优化目标的种群，更新点的选择是从所有非孤点中随机选择；对于以
NMI
为优化目标的种群，当第一个时刻时，需要更新的点集是从
P
d
中随机选择；当不是在第一个时刻时需要更新的点集是从
P
s
或者
P
d
中随机选择
。3.
根据权利要求2所述的基于多种群多层次自学
TLBO
算法的动态社区发现，其特征在于，所述学生阶段采用多层次自学，具体步骤为：将整个班级分为三组，即最优组
、
平常组和差组，针对不同层次的学生采用不同的学习策略，同时两个班级学生通过合作，各组划分标准为：其中和分别表示采用不同评价标准的两个班级学生的成绩，一个班级采用
Q(
·
)
，另一个班级则采用
NMI(
·
)
；在两个班级人数为
pop_size
的种群中，
level1
，
level2
，分别代表成绩从大到小排序
1/3,2/3
处的学生成绩；对最优组采用细粒度突变算子，对当前解进行节点的微调进行优化；对平常组采用粗
粒度变异算子改变社区个数，进行大规模的改变；对差组采用与教师阶段相同的更新方法；对优化过后的种群，采用基于个体差异的杂交算子将差异性大的个体杂交
。4.
根据权利要求3所述的基于多种群多层次自学
TLBO
算法的动态社区发现，其特征在于，所述细粒度突变算子和粗粒度变异算子是基于张量的粗细粒度变异算子算法进行，基于张量的粗细粒度变异算子算法的具体步骤为：基于张量的边界节点相似度计算：对于给定无向网络的邻接矩阵
A
，高阶邻近度被定义为
A
的多项式函数
P(
·
)
公式如下：
H
＝
P(A)
＝
w1A+w2A2+
…
+w
q
A
q
，其中
q
是阶数，
w1,
…
w
q
是权重；通过计算结点张量的余弦相似度来衡量结点之间聚类的距离：
S
ij
＝
cos(b
i
,b
j
)
，其中
b
i
是结点
i
的
d
维张量表示，
S
ij
的值在0和1中间，
S
ij
的值越大则其划分在同一类别的可能性越大；细粒度突变算子：利用结点和其邻居结点相似度的差异性，将产生正确突变的概率量化为如下公式：
D
i
＝
S
max
‑
S
min
，其中
D
i
是结点
i
产生正确突变的概率，
S
max
和
S
min
分别代表结点
i
和其邻居相似度的最大和最小值，
D
i
越大则将该节点突变到跟其相似度最大的结点同一个社区正确的可能性越大；粗粒度的变异算子：粗粒度的变异算子是将细粒度突变结合单节点突变开发的一种适合质量较差解的变异算子；单节点突变是将所有点依据其与邻居的最小相似度的从小到大排序，并将相似度小的顶点重新划分到一个新的社区；直到社区数量和全局最优一样
。5.
根据权利要求3所述的基于多种群多层次自学
TLBO
算法的动态社区发现，其特征在于，所述基于个体差异性的杂交算子的具体个性差异性公式为：
dist
＝
(
‑
1)*NMI(Individual
A
,Individual
B
)。6.
根据权利要求1所述的基于多种群多层次自学
TLBO
算法的动态社区发现，其特征在于，所述多种群多目标优化框架的具体构建方法为：划分为两个种群
X
＝
{X
Q
，
X
NMI
}
，其中
X
Q
＝
{X
Q_1
，
X
Q_2
，
…
X
Q_pop_size
}
，
X
NMI
＝
{X
NMI_1
，
X
NMI_2
，
…
X
NMI_pop_size
}
，对划分后的种群进行初始化；对种群
X
Q
采用用于评估社区结构划分质量的模块度函数，给定一个具有
...

【专利技术属性】
技术研发人员：康雁，范宝辰，普康，孙名瑶，杨明建，谢文涛，林豪，李卓伦，
申请(专利权)人：云南大学，
类型：发明
国别省市：