静态全符号网络的社群结构

为解决传统社群结构理论难以分析集群行为中的个体与关系特征等问题,在原有社群结构理论的基础上提出全符号网络下的社群结构理论,从而反映出个体聚类的综合特征。首先,基于带有关系属性与节点属性的全符号网络,在综合考虑网络个体、关系与结构属性的基础上,定义出全符号网络社群结构的定义,即一个可以被分为不同子网络的结构,其中子网络内部节点属性大致相同,关系连接稠密,且大部分由正边相连,而子网络之间节点属性不同,关系连接稀疏,且由负边相连;其次,基于Newman提出的模块度指标,结合网络的节点、关系、结构这3层因素构建出全符号网络下的模块度指标,同时利用遗传策略对该的指标优化实现了全符号网络的社群结构探测。基于不同网络属性的实验发现,相比传统社群结构指标,新指标可以有效识别出这些属性的差异,解决了传统社群结构探测方法不能分辨网络节点属性与关系属性的问题,为个体聚类研究提供新的路径与方法。     

基于模块性指标的动态网络社群结构探测方法

针对节点增加的动态网络,提出一种对应的动态网络社群结构探测算法CD(Community Structure Detection Algorithm for Dynamic Networks).CDD算法依据节点加入引起模块性指标变化的情况,对网络节点进行社群划分, 从而可以发现网络社群结构随时间的动态变化过程.利用计算机生成数据、Ucinet和Pajek提供的有关网络数据,通过社群结构探测试验表明, CDD算法不但可以对动态网络的社群结构变化进行探测,同样也可以实现静态网络的社群结构探测; 与N-G算法和A-N算法等社群结构探测算法相比, 算法的速度快, 所获得的模块性指标也基本相当.     

Caveman网络及其在复杂网络熵分析中的应用

熵可以有效反映复杂系统内网络结构的异质性.针对熵指标在刻画网络全局异构上是否适用这一问题,目前仍缺少用以评测的基准网络.对此,在已有结构熵研究的基础上,提出一种Caveman网络构造及其演化规则,为网络复杂性的度量提供新的思路。通过数理分析和仿真实验验证该Caveman网络可以有效评测各类结构熵指标对其演化过程的敏感性,反映熵指标对网络复杂特征识别能力的差异。同时由于Caveman网络可以更好地探索信息空间和抵御攻击,将有助于设计鲁棒、高效的系统结构。     

基于节点属性的社群结构探测算法改进

对Vincent D. Blondel等提出的B算法的特点及机理进行了分析, 讨论了节点属性对社群结构探测的可能影响. 进而通过重构初始化网络, 控制节点(社群)合并过程两个方面, 对B算法进行了改进, 获得更优的模块性指标及对应的社群划分. 经计算机模拟网络与实际网络的社群结构探测, 结果表明所提改进算法有效可用, 能在获得较大模块性指标的同时, 获得较好的社群划分结果, 且拥有更低的运算时间.