一種基于多目標優(yōu)化的復雜網(wǎng)絡社區(qū)發(fā)現(xiàn)算法.pdf

1、20世紀計算機的誕生，推動了互聯(lián)網(wǎng)技術(shù)的發(fā)展，開啟了人類社會的網(wǎng)絡信息時代，無形中被復雜繁多的數(shù)據(jù)包圍。數(shù)不勝數(shù)的“網(wǎng)絡”以有形和無形的方式融入到生活中，從有形的電信網(wǎng)絡、交通網(wǎng)絡、航空網(wǎng)絡、新聞網(wǎng)絡等到無形的社交網(wǎng)絡、經(jīng)濟網(wǎng)絡、軍事網(wǎng)絡等。這些種類繁多、結(jié)構(gòu)復雜、數(shù)據(jù)量巨大、具有一定的動態(tài)性，且內(nèi)在結(jié)構(gòu)中有一定的自組織和自形似性等特征的網(wǎng)絡被統(tǒng)稱為復雜網(wǎng)絡。社區(qū)結(jié)構(gòu)是復雜網(wǎng)絡具有的一個重要特征，是了解一個網(wǎng)絡結(jié)構(gòu)的重要途徑，如何有效地

2、檢測網(wǎng)絡的社區(qū)結(jié)構(gòu)具有非常重要的現(xiàn)實意義。
　　本文從多目標優(yōu)化的角度解決網(wǎng)絡社區(qū)結(jié)構(gòu)檢測問題。針對當前多目標優(yōu)化社區(qū)發(fā)現(xiàn)算法中存在的計算復雜度高、解多樣性不足及局部搜索缺乏等問題。本文以改進后的進化算法為優(yōu)化框架，同時改善了基因編碼方式、遺傳操作、優(yōu)化指標和局部搜索等。本文算法分為兩個階段:首先，確定優(yōu)化指標MRA、RC和選擇遺傳操作，改進了MOEA/D框架中一些策略，優(yōu)化MRA和RC得到Pareto最優(yōu)解集合，對應多目標的折衷

3、和社區(qū)結(jié)構(gòu);其次，在模型選擇階段采用模塊度和NMI方法，得到最佳社區(qū)劃分。
　　在第一個階段中改進了基于鄰接點的基因編碼方式，使每個基因位置都有一個包含兩個屬性的標簽，分別為節(jié)點所在的社區(qū)LNC和節(jié)點的適應度LND，伴隨解碼過程對其賦值，自動獲得網(wǎng)絡劃分的社區(qū)數(shù)量。本文中采用基于節(jié)點適應度的兩點交叉和基因變異遺傳操作，設置節(jié)點適應度閾值h。在遺傳操作過程中，只有節(jié)點適應度小于閾值h的基因位置才進行遺傳操作，否則不進行。這樣可以降低

4、遺傳操作的隨機性和破壞性，減少種群中的無效個體，使進化趨向有利的方向。在IMOEA/D框中引入了基于變異的局部搜索算法和遺傳操作的選擇策略，增強了局部尋優(yōu)能力及增加了個體進行有效遺傳操作的概率，從而提高了解的多樣性。
　　根據(jù)在LFR benchmark與Karate Club、College Football、Bottlenose Dolphins、Kreb'sBooks網(wǎng)絡數(shù)據(jù)集上的實驗，驗證了本文提出的改進方法具有良好的社區(qū)