基于局部搜索的多目標(biāo)社區(qū)發(fā)現(xiàn)方法
【技術(shù)領(lǐng)域】
[0001 ] 本發(fā)明屬于復(fù)雜網(wǎng)絡(luò)技術(shù)領(lǐng)域，具體地說，涉及一種復(fù)雜網(wǎng)絡(luò)中多層次社區(qū)結(jié)構(gòu) 發(fā)現(xiàn)方法，可用于網(wǎng)絡(luò)功能分析和結(jié)構(gòu)可視化。
【背景技術(shù)】
[0002] 復(fù)雜網(wǎng)絡(luò)中的社區(qū)發(fā)現(xiàn)方法對于理解網(wǎng)絡(luò)的功能和可視化網(wǎng)絡(luò)的結(jié)構(gòu)等至關(guān)重 要。通常來說，一個社區(qū)是網(wǎng)絡(luò)中所有個體組成的集合的一個子集，該子集中的個體基于某 種屬性連接緊密，并和子集外的個體連接稀疏。
[0003] 經(jīng)對現(xiàn)有技術(shù)的文獻(xiàn)檢索發(fā)現(xiàn)，大部分社區(qū)發(fā)現(xiàn)方法可以被分為啟發(fā)式方法和最 優(yōu)化方法。啟發(fā)式方法通?；谥庇^的觀察通過執(zhí)行一些啟發(fā)式規(guī)則來得到社區(qū)劃分，但 是這類方法通常缺乏對網(wǎng)絡(luò)全局社區(qū)結(jié)構(gòu)特征的精確描述。最優(yōu)化方法將社區(qū)發(fā)現(xiàn)問題 規(guī)劃為組合優(yōu)化問題，通過優(yōu)化描述社區(qū)某種性質(zhì)的目標(biāo)函數(shù)來發(fā)現(xiàn)社區(qū)結(jié)構(gòu)。傳統(tǒng)的方 法優(yōu)化單一的目標(biāo)函數(shù)，只能獲得反應(yīng)單一社區(qū)特性的社區(qū)結(jié)構(gòu)。為了從多個角度刻畫社 區(qū)結(jié)構(gòu)，Pizzuti 等人于 2012 年在〈〈IEEE Transactions on Evolutionary Computation)) 上發(fā)表文章 "A multiobjective genetic algorithm to find communities in complex networks"，提出通過優(yōu)化多個目標(biāo)函數(shù)來一次性發(fā)現(xiàn)多種社區(qū)結(jié)構(gòu)。為了同時優(yōu)化網(wǎng)絡(luò) 上的兩個目標(biāo)函數(shù)，Community Score (社區(qū)分?jǐn)?shù)）和Community Fitness (社區(qū)健康度）， Pizzuti等人擴(kuò)展設(shè)計了一種多目標(biāo)遺傳算法MOGA-Net。該方法從初始社區(qū)結(jié)構(gòu)種群開 始，對原有種群進(jìn)行交叉操作、變異操作等形成新的社區(qū)種群，根據(jù)兩個目標(biāo)函數(shù)在原有種 群和新種群中選擇優(yōu)秀的個體，組成新的子種群進(jìn)行下一代的進(jìn)化。經(jīng)過多輪進(jìn)化，種群中 的個體所代表的社區(qū)結(jié)構(gòu)將越來越符合兩個目標(biāo)函數(shù)定義的社區(qū)結(jié)構(gòu)。該方法的本質(zhì)基于 遺傳原理，具有較強的全局搜索能力，可以在社區(qū)劃分空間中快速定位到質(zhì)量較好的區(qū)域。 然而，此方法缺乏有效的局部搜索能力，很容易在搜索到最優(yōu)的社區(qū)結(jié)構(gòu)之前，從一個質(zhì)量 較好的區(qū)域跳到另一個區(qū)域。因此，該方法不利于有效的發(fā)現(xiàn)近似最優(yōu)的社區(qū)結(jié)構(gòu)。本發(fā) 明針對這一問題，在多目標(biāo)進(jìn)化社區(qū)發(fā)現(xiàn)方法中整合快速局部搜索過程，有效的發(fā)現(xiàn)復(fù)雜 網(wǎng)絡(luò)中多層次的社區(qū)結(jié)構(gòu)。

【發(fā)明內(nèi)容】

[0004] 為了解決多目標(biāo)社區(qū)發(fā)現(xiàn)方法局部搜索能力弱，無法有效發(fā)現(xiàn)最優(yōu)社區(qū)結(jié)構(gòu)的缺 點，本發(fā)明提供了一種復(fù)雜網(wǎng)絡(luò)中多層次社區(qū)結(jié)構(gòu)發(fā)現(xiàn)方法，并將多目標(biāo)進(jìn)化社區(qū)發(fā)現(xiàn)算 法和局部搜索方法有機(jī)的整合起來形成一個更有效準(zhǔn)確的多層次社區(qū)結(jié)構(gòu)發(fā)現(xiàn)方法。
[0005] 為解決上述技術(shù)問題，本發(fā)明的實施例提供一種基于局部搜索的多目標(biāo)社區(qū)發(fā)現(xiàn) 方法，包括如下步驟：
[0006] S1、建立待分析網(wǎng)絡(luò)的鄰接矩陣A，為網(wǎng)絡(luò)所有節(jié)點進(jìn)行連續(xù)編號，編號從1開始。 構(gòu)建正方形矩陣A ;矩陣中的元素 Au為1代表對應(yīng)的節(jié)點之間有邊相連，為0代表對應(yīng)的 節(jié)點之間不存在邊；
[0007] S2、構(gòu)建社區(qū)發(fā)現(xiàn)的兩個目標(biāo)函數(shù)IntraQ和InterQ，
[0008]
【主權(quán)項】
1. 一種基于局部搜索的多目標(biāo)社區(qū)發(fā)現(xiàn)方法，其特征在于，包括如下步驟： 51、 建立待分析網(wǎng)絡(luò)的鄰接矩陣A，為網(wǎng)絡(luò)所有節(jié)點進(jìn)行連續(xù)編號，編號從1開始，構(gòu)建 正方形矩陣A ; 52、 構(gòu)建社區(qū)發(fā)現(xiàn)的兩個目標(biāo)函數(shù)IntraQ和InterQ， IntraQ = Ece jr ^ 其中，X是網(wǎng)絡(luò)的某種社區(qū)劃分，C是社區(qū)劃分中的某個社區(qū)，1。表示社區(qū)C內(nèi)部的邊 的數(shù)量，m表示網(wǎng)絡(luò)總的邊數(shù)； InterQ =I-Ec εχ(^)2 其中，k。表示社區(qū)C中節(jié)點總的度數(shù)，節(jié)點的度數(shù)表示與節(jié)點鄰接的邊數(shù)； 53、 初始化網(wǎng)絡(luò)社區(qū)劃分種群； 54、 全局搜索網(wǎng)絡(luò)社區(qū)劃分空間并更新社區(qū)劃分種群； 55、 局部搜索社區(qū)劃分空間并更新社區(qū)劃分種群； 56、 組合兩個局部搜索子種群，生成下一代種群Bg，設(shè)置種群代數(shù)g = g+Ι，如果g < Gmax，則返回步驟S4,否則進(jìn)行步驟S7 ; 57、 找出最終的社區(qū)劃分種群Bg中的所有非支配社區(qū)劃分，計算每個非支配社區(qū)劃分 的社區(qū)數(shù)和模塊度，根據(jù)社區(qū)數(shù)和模塊度分析多層次的社區(qū)劃分結(jié)構(gòu)。
2. 根據(jù)權(quán)利要求1所述的基于局部搜索的多目標(biāo)社區(qū)發(fā)現(xiàn)方法，其特征在于，所述的 步驟S3,具體為： 531、 采用社區(qū)標(biāo)簽編碼法編碼社區(qū)劃分個體，即劃分個體有N個位置，其中N為網(wǎng)絡(luò)節(jié) 點總數(shù)，每個位置對應(yīng)一個節(jié)點，每個位置處的取值表示其對應(yīng)節(jié)點的社區(qū)標(biāo)簽，具有相同 社區(qū)標(biāo)簽的所有節(jié)點屬于同一個社區(qū)，設(shè)定種群大小S D，設(shè)定種群進(jìn)化迭代次數(shù)Gmax，初始 化種群代數(shù)g = 〇 ; 532、 生成Sd個相同的社區(qū)劃分，在每個社區(qū)劃分中隨機(jī)選取一部分節(jié)點，將其社區(qū)標(biāo) 簽賦予其所有相鄰的節(jié)點，從而隨機(jī)化每個社區(qū)劃分，生成S d個多樣的社區(qū)劃分作為初始 種群B。。
3. 根據(jù)權(quán)利要求1所述的基于局部搜索的多目標(biāo)社區(qū)發(fā)現(xiàn)方法，其特征在于，所述的 步驟S4,具體為： 541、 根據(jù)非支配關(guān)系找出群體Bg中所有非支配個體，按擁擠距離降序選取前Sd個非支 配個體組成非支配種群，復(fù)制非支配種群生成外部非支配種群，用于保留該種群中的優(yōu)秀 個體； 542、 對非支配種群進(jìn)行交叉操作，從非支配種群中隨機(jī)選擇兩個社區(qū)劃分作為交叉操 作的父個體，隨機(jī)選擇一個節(jié)點，對兩個父個體進(jìn)行同樣的操作：找出一個父個體中所有和 該節(jié)點具有相同社區(qū)標(biāo)簽的個體，并將它們的社區(qū)標(biāo)簽賦予另一個個體中對應(yīng)的個體，兩 個父個體交叉生成兩個子個體，重復(fù)該過程所有新生成的子個體組成交叉社區(qū)劃分 種群； 543、 對交叉社區(qū)劃分種群進(jìn)行變異操作，對交叉社區(qū)劃分種群中的每個劃分進(jìn)行變 異，對劃分中的每個節(jié)點，以變異概率將其社區(qū)標(biāo)簽賦予其所有鄰居節(jié)點，生成新的變異個 體，所有新變異的個體和未變異的個體組成變異社區(qū)劃分種群。
4. 根據(jù)權(quán)利要求1所述的基于局部搜索的多目標(biāo)社區(qū)發(fā)現(xiàn)方法，其特征在于，所述的 步驟S5,具體為： 551、 選擇外部非支配種群和變異社區(qū)劃分種群分別作為局部搜索的兩個初始種群，找 出每個初始種群中所有非支配個體分別形成局部搜索的非支配種群； 552、 為兩個非支配種群中的每個非支配劃分計算局部搜索方向向量，搜索方向向量 ω?為社區(qū)劃分個體在目標(biāo)函數(shù)空間中所在位置的近似法線向量，計算公式如下： 兵〒，π = t2 un -t2 UH +t\
UH -A UH，t /刀、別衣示社區(qū)劃分的兩個目標(biāo)函數(shù)， X1和X2是X在目標(biāo)函數(shù)空間中兩個相鄰的社區(qū)劃分，該方向近似對應(yīng)目標(biāo)函數(shù)增長的梯度 方向； 553、 設(shè)定局部搜索最大迭代次數(shù)MI，為每個非支配社區(qū)劃分定義局部鄰域和鄰域，在 每個社區(qū)劃分的局部鄰域和鄰域中利用網(wǎng)絡(luò)結(jié)構(gòu)搜索新的更優(yōu)秀的社區(qū)劃分代替原來的 社區(qū)劃分，在兩個非支配種群上重復(fù)該過程MI次，形成兩個局部搜索子種群。
5. 根據(jù)權(quán)利要求1所述的基于局部搜索的多目標(biāo)社區(qū)發(fā)現(xiàn)方法，其特征是，所述的步 驟S7,具體為：找出最終的社區(qū)劃分種群Bg中的所有非支配社區(qū)劃分，計算每個非支配社 區(qū)劃分的社區(qū)數(shù)和模塊度Q，計算公式如下：
其中，1。表示社區(qū)C內(nèi)部的邊的數(shù)量；1^表示社區(qū)C中節(jié)點總的度數(shù);m表示網(wǎng)絡(luò)總的 邊數(shù)。
【專利摘要】本發(fā)明公開了一種基于局部搜索的多目標(biāo)社區(qū)發(fā)現(xiàn)方法，可用于網(wǎng)絡(luò)功能分析和結(jié)構(gòu)可視化，設(shè)計了增長更快的局部搜索方向，基于網(wǎng)絡(luò)特點定義了局部鄰域和鄰域，采用計算目標(biāo)函數(shù)增量值的方法降低了局部搜索的時間復(fù)雜度。本發(fā)明將該局部搜索方法和傳統(tǒng)的進(jìn)化搜索方法有機(jī)的結(jié)合起來，能夠更加有效的分析多層次的社區(qū)結(jié)構(gòu)。
【IPC分類】G06F17-30
【公開號】CN104657442
【申請?zhí)枴緾N201510058654
【發(fā)明人】潘理, 吳鵬
【申請人】上海交通大學(xué)
【公開日】2015年5月27日
【申請日】2015年2月4日