基于启发式和贪心策略的社交网络影响最大化算法

为解决传统影响力最大化算法在影响范围和运行时间上存在的不平衡问题,提出了一种综合启发式和贪心算法的社交网络影响力最大化算法(MHG).该算法综合考虑了贪心算法和启发式算法的优势,将种子节点的选择分为2个阶段,即通过启发式算法选出候选种子节点集和使用贪心算法从候选种子节点集中筛选出种子节点集合.结果表明,与现有的启发式算法相比,MHG算法在影响范围上具有显著优势,且接近贪心算法,但其运行时间明显少于贪心算法,因而在效果和时间2个方面取得了较好的平衡.在真实数据集及不同传播模型下,MHG算法均表现出稳定的影响范围,体现了该算法在大规模社会网络处理中的可扩展性.     

基于关键节点的影响力最大化算法

为解决LDAG( DAG Algorithm Based on Linear Threshold) 算法在处理关于社会网络影响力最大化过程中,优先考虑网络影响力传播模型、忽视社会网络的拓扑结构问题,利用社交网络社区的结构,有针对性地选择影响力传播的关键节点,对LDAG 算法进行了改进。利用关键节点简化了有向无环图的构造过程,保证了其高精度与运行效率高的特点,同时也优化了算法的时间复杂度和空间复杂度。通过两个有效的实验数据集对算法进行验证,结果表明改进的算法可以大幅度降低算法的运行时间,且对算法的精度影响很小。     

融合节点影响力与多标签传播的重叠社区发现算法

重叠社区发现是复杂网络分析研究的重要目标之一。针对传统多标签传播算法存在的社区发现结果具有随机性、不稳定性,以及忽视节点影响力对标签传播的影响等问题,提出一种基于节点影响力与多标签传播的能够生成稳定社区的重叠社区发现算法。算法在节点影响力的计算、排序和核心节点识别基础上,通过邻居节点初始标签的再处理和基于平衡系数的节点标签异步更新策略,实现复杂网络重叠社区的有效识别。在真实数据集和人工数据集上的实验综合表明,算法性能优于各对比算法,适用于大规模复杂网络。     

考虑用户意愿的符号网络净积极影响力最大化问题

影响力最大化是近年来广泛研究的社交网络的核心问题.然而之前的研究较少考虑用户的意愿以及用户之间的友好或敌对关系.因此综合考虑这些因素,针对符号网络提出了考虑用户意愿的净积极影响力最大化问题,该问题可以描述如下：利用符号网络来刻画用户具有友好(积极)和敌对(消极)关系的社交网络,每个用户对传播的信息有自己的意愿,目标是要从网络中选择k个用户,使得最终的净积极影响的用户数量最多.通过对问题的细致分析,建立了考虑用户意愿的传播模型,证明了该模型下净积极影响力最大化问题是非次模和非单调的,随后给出了基于概率驱动的结构感知的求解算法,通过在三个数据集上的实验表明,利用提出的算法找到的种子集有更好的净积极影响力.     

基于前驱后继节点的社会网络影响最大化算法

针对社会网络影响最大化问题,基于挖掘"潜在影响力"节点的策略并结合贪心算法可有效降低问题复杂度,综合考虑了节点与其前驱后继节点的相互影响,对"潜在影响力"进行了重新定义,基于线性阈值模型提出了基于前驱及后继节点的影响最大化算法.实验结果表明:与目前的同类算法相比,该算法具有更好的信息扩散范围.     

基于元胞蚁群算法的僵尸网络传播特征研究

为了有效地研究僵尸网络传播过程中的特征变化,基于元胞蚁群算法提出了一种新的刻画方法BDCA(Botnet Detecting algorithm based on Cellular Ant).该方法首先定义了僵尸网络中普通节点、易感染节点和感染节点之间的转化关系,建立符合僵尸网络传播特征的数学模型,并利用元胞蚁群算法对上述模型进行求解,以此获得平衡条件下的最优解.最后,利用NS2进行仿真实验,深入分析了影响BDCA算法的关键因素.同时通过对比其他算法之间的性能状况,结果表明该算法具有较好的适应性.     

基于网络有效阻抗的社区发现算法

社区发现在很多领域都有非常重要的应用。受经典电路网络中的阻抗原理启发,提出了一个新颖的社区发现算法。该算法通过迭代调用基于网络总阻抗的割边选择模型来实现社区发现的目标。在每一次迭代过程中,割边选择模型采用启发式策略割除恰当数量的边,使得割边后的网络有效阻抗最大化。理论分析表明该算法具有较低的算法复杂度。利用仿真数据和真实数据对算法进行测试,实验结果表明算法性能良好。     

移动社交网络中基于影响力的数据转发算法

在移动社交网络中,人们通过携带无线设备在近距离范围内彼此传递信息,从而达到信息的传播。由于移动社交网络中一般不存在端到端的连接,使得数据转发算法成为一个重要问题。文章从社区和节点的社会属性角度,利用社区和节点的影响力,提出了一种基于影响力的数据转发算法(data forwarding algorithm based on impact,DFAI)。在该算法中,携带数据包的节点只有在遇到影响力达到一定要求的节点时,才拷贝数据包给相遇节点。仿真试验结果显示,与经典的Epidemic和Label算法相比,DFAI可以明显降低网络开销,同时接近Epidemic算法达到的最大传递率。     

基于元胞退火算法的僵尸网络传播特征研究

为了有效研究僵尸网络传播过程中的特征变化,基于元胞退火算法提出了一种新的刻画方法BDCA。该方法通过定义了僵尸网络中普通节点、易感染节点和感染节点之间的转化关系,建立平衡条件下的最优目标函数,并利用元胞退火算法求出最优解。最后,利用NS2进行仿真实验,深入分析了影响BDCA算法的关键因素,同时通过对比其它算法之间的性能状况。结果表明,该算法具有较好的适应性。     

基于DynamicRank的重要节点集挖掘算法

为了更为有效地挖掘复杂网络中综合影响力高的节点集、提高重要节点集挖掘算法的准确性,针对节点集中各节点在信息传播中不同程度的相互促进和相互抑制作用,基于DynamicRank算法设计了一种新的级联概率计算模型。通过增强贪心策略,优先从种子集邻居以外的节点中选取备选节点,减小种子集内重叠邻居对信息传播引发的抑制作用;利用级联概率计算模型,增强种子集对信息传播的级联促进作用。在4个实际网络上采用SIR模型进行了测试,实验结果表明,相较于已有重要节点挖掘方法H-index、Degree、DynamicRank、VoteRank和EnRenew,提出的算法挖掘出的节点集具有更高影响力。特别地,在Grid数据集上,本文方法挖掘出的种子集的传播范围比对比算法平均提升了49.3%。提出的算法针对信息传播概率和贪心策略的改进有利于重要节点集的挖掘和识别。     

一种基于群智能仿生优化的WSNs节点调度方法

为了解决物联网感知层无线传感器网络(WSNs)的节点调度问题,使网络能量总消耗最小化、网络生存周期最大化和网络性能最优化,该文将问题转化为一个约束条件下的组合优化问题,利用元启发式蝙蝠算法在求解复杂组合优化问题中参数设置少、快速收敛等优点,提出一种非均匀条件下的基于蝙蝠算法的WSNs节点调度算法。仿真对比和结果分析表明,在无线传感器网络节点调度过程中,蝙蝠算法效率最高,能耗最低,时延最短,可靠性好。与人工免疫算法和粒子群算法相比,该方法的网络节点平均能耗分别降低10.8%和3.5%。     

移动社交网络中基于TCC感知的数据转发方法

针对现有的移动社交网络数据转发方法大多没有考虑广泛存在的暂态连通区域(TCC),从而导致数据转发质量较低问题,根据5组真实数据对TCC属性与数据转发性能的关系进行了分析,提出了一种基于TCC感知的数据转发算法.此外,考虑到该算法会增加网络中数据拷贝的数量这一问题,提出了改进型TCC感知数据转发策略,通过选择TCC中的最优节点集来避免它们的相遇重叠现象,利用少量节点实现数据转发机会最大化.仿真结果表明,本文方法的性能在数据投递率和网络开销方面的性能要优于当前其他数据转发算法.     

面向群智感知车联网的异常数据检测算法

群智感知车联网利用普通用户的手机或平板电脑等智能终端获得交通数据,解决了车联网以低成本获取足够数据的问题,但却凸显了数据"质"的问题.为此,在分析群智感知车联网的数据结构及数据异常特点的基础上,提出一种适用于群智感知车联网的异常数据检测算法,并依此剔除异常数据,提高数据质量.算法利用核密度估计理论对车联网数据的概率密度进行估计,进而构建信任函数计算被检数据的信任度,后根据统计学理论将信任度小于0的数据判定为异常数据.最后对该算法的可行性及性能进行了仿真,结果表明该算法的性能可满足实用需求,且对比传统的统计检测法在检测率和误检率上具有更好的性能.     

无线传感器网络覆盖优化策略

针对无线传感器网络节点覆盖容易出现空洞和盲区的问题,提出一种基于改进人工鱼群算法的无线传感器网络覆盖优化算法.首先构建网络节点的信任度模型,进行节点轮换调度修复路由,然后采用改进人工鱼群算法进行无线传感器网络节点的自适应定位寻优,以人工鱼群优化的节点分布模型重构无线传感器网络(WSN)节点覆盖连通图,实现优化网络覆盖.仿真实验结果表明,利用覆盖优化算法进行WSN网络节点设计,明显地改善了网络节点的覆盖质量,提高了无线传感器网络的安全性能.     

一种新的基于社区结构的影响最大化方法

基于传播网络的结构性,提出一种新的基于社区结构的影响最大化方法AMICS.该方法先利用已有社区挖掘算法识别出隐藏在网络中的社区结构,然后迭代选择跨越社区数最多的k个节点作为影响的初始传播者最大化影响的社区覆盖.在小型网络和中等规模网络数据集上的实验表明,该算法比传统的影响最大化方法更具优势.     

无线传感器网络中基于网格的目标跟踪算法

提出了一种适用于无线传感器网络中基于网格的目标跟踪算法,以解决在目标跟踪过程中信任度(belief)更新和传感器节点信息贡献量估计问题.该算法对信任度进行非参数化表示,用基于网格的算法对序列贝叶斯滤波过程进行实现.并且利用目标位置预测和基于网格的算法在不预先获知传感器节点测量数据的情况下,对节点的信息贡献量进行估算.在资源受限的无线传感器网络中,该算法在降低计算复杂度、提高算法适用范围方面都有显著改进.最后在仿真环境中验证了基于网格的目标跟踪算法的有效性.     

面向线上-线下异步社会网络的病毒式营销算法

基于双层异步社会网络研究口碑病毒式传播的影响最大化问题,通过扩展经典的独立级联模型,构建相应的影响最大化模型,设计多种基于启发式算法的病毒式营销策略选取种子节点。针对所提算法,从网络传播概率、网络结构和传播异步性等3个方面进行仿真对比研究。结果表明:该设计方法明显优于传统的随机规则和出度规则,但不同方法适用于不同的传播概率和网络结构;随着双层网络传播异步性的增加,各算法营销结果均出现明显下降。     

一种基于社会势能的网络影响力最大化算法

社会网络影响力最大化问题是对于给定k值,寻找k个具有最大影响范围的节点集.这是一个优化问题并且是NP-完全的.该问题已经被成功地用于解决诸多实际问题,例如社交营销领域,社交广告策略制定等优化问题.文章介绍了社会网络影响力最大化的基本工作原理,从提取知识类型角度详细阐述了社会网络影响力最大化算法的研究现状和进展,鉴于现存的算法不能够有效地给出全局最优解,我们提出了一种基于社会势能的网络影响力最大化算法,利用实验结果揭示算法的有效性和可行性.     

基于标签传播的重叠社区发现算法

重叠社区发现是复杂网络研究的重要课题.提出一种基于标签传播的重叠社区发现算法.首先利用标签传播算法得到初始无重叠社区划分结果,之后通过设计新的重叠节点识别算法确定重叠节点,最后再根据重叠节点的识别结果对社区进行合并从而得到最终的重叠社区划分结果.该算法克服了已有算法重叠节点占比过大的弊端.为验证算法的有效性,在LFR人工数据集、3个标准公开测试集以及真实的大豆基因共表达网络上进行实验,并与已有算法进行对比.实验结果表明,该算法性能明显优于对比算法,极大地改善了重叠节点比重过大问题.     

基于混合PSO的无线传感网安全分簇算法

为了合理有效地管理和维护无线传感网络中的节点,提出基于混合粒子群算法的安全无线传感网分簇算法,基于网络的安全性和节点的信任度问题,在分析粒子群优化算法的基础上,引入局部最优解对最优解搜索过程的影响。在适应度函数中,该方法将节点剩余能量、与其他节点的连接性能以及安全信任度作为主要评价指标,把粒子群算法多次迭代得到的适应度值最高的节点作为簇首节点。通过实验对比了该算法与LEACH和MCBMC算法对节点生命周期的影响。结果表明,在不同恶意节点数量和不同节点密度的情况下,该算法能使无线传感网络具有较长的生命周期。