塊模型和復(fù)雜網(wǎng)絡(luò)社區(qū)檢測.pdf

1、本文以進(jìn)化算法為基礎(chǔ)，先后研究了基于圖分割的塊模型問題和基于分解的多目標(biāo)進(jìn)化在社區(qū)檢測上的問題。論文主要進(jìn)行了以下三個(gè)工作：
　　1.研究進(jìn)化算法求解塊模型問題。算法過程包括利用提取完全子圖的思想進(jìn)行種群初始化，采用沖突交叉算子產(chǎn)生子代，再采用修復(fù)操作優(yōu)化子代。最后，經(jīng)過反復(fù)迭代，算法逐漸收斂，目標(biāo)函數(shù)值達(dá)到最大。通過在四組不同來源的網(wǎng)絡(luò)上分別用進(jìn)化算法EA和分組遺傳算法G GA做塊模型分割，證明了本章提出了基于進(jìn)化算法EA的塊模

2、型方法在處理大規(guī)模網(wǎng)絡(luò)上具有明顯的優(yōu)勢,尤其在節(jié)點(diǎn)數(shù)較多和邊密度較大的網(wǎng)絡(luò)上。
　　2.提出了一種基于模塊度的符號(hào)網(wǎng)絡(luò)多目標(biāo)社區(qū)檢測方法。文中針對(duì)符號(hào)網(wǎng)絡(luò)的特性，首先定義了兩個(gè)目標(biāo)函數(shù)，然后采用分解的方法使得種群不斷進(jìn)化，其中遺傳操作過程包括采用提取完全子圖的方法對(duì)種群進(jìn)行初始化，單路交叉算子產(chǎn)生子代和基于正鄰居的變異操作，從而使個(gè)體不斷向最優(yōu)解收斂。實(shí)驗(yàn)中通過分析符號(hào)網(wǎng)絡(luò)呈現(xiàn)的 Pareto前端驗(yàn)證了本章提出的兩個(gè)多目標(biāo)函數(shù)在符

3、號(hào)網(wǎng)絡(luò)社區(qū)檢測上是可行的，通過與對(duì)比算法的實(shí)驗(yàn)結(jié)果比較、分析，證明了本章提出的基于模塊的MOEA/D在呈現(xiàn)網(wǎng)絡(luò)不同層次結(jié)構(gòu)和提取小社區(qū)方向上具有明顯的優(yōu)勢。
　　3.提出了一種基于密度型的多目標(biāo)社區(qū)檢測算法。此算法在是第二個(gè)工作的基礎(chǔ)上，重新定義了兩個(gè)目標(biāo)函數(shù)，使得此算法不僅可以檢測符號(hào)網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)還可以檢測無符號(hào)網(wǎng)絡(luò)的社區(qū)結(jié)構(gòu)。文中詳細(xì)描述了目標(biāo)函數(shù)的具體定義和其動(dòng)機(jī)來源，遺傳操作同樣包括提取完全子圖的方法、單路交叉算子和基于