多功能复杂网络模型及其应用

复杂网络的节点可以具有多个属性,不同的属性(集)将导致节点间的连接关系不同,进而使得网络具有不同的功能。针对现有复杂网络模型无法根据选择的节点属性构建具有不同功能的网络的问题,本文提出了多功能复杂网络模型,该网络模型仅使用节点及其关联的属性集来表示,通过对节点属性的选择以及节点在对应属性下的映射规则定义,确定不同的网络拓扑结构和网络功能。通过建立并分析某导弹防御作战网络,验证了多功能复杂网络模型的可用性和有效性。     

复杂网络视角下的大规模群体DEMATEL决策方法

针对如何实现群体DEMATEL意见集结的问题,以关系网络为切入点,提出一种新的复杂网络视角下的大规模群体DEMATEL决策方法.首先,将决策者视为网络节点,并依据决策者DEMATEL评分矩阵的一致性构造复杂网络;其次,设计网络凝聚度和子群凝聚度,在此基础上确定节点权重和子群权重;最后,基于网络密度算子对大规模群体DEMATEL矩阵进行有效集结,并利用DEMATEL方法进行多属性决策.文末通过一个算例验证了所提方法的可行性与合理性.数值算例分析表明,该方法能够较为全面、准确地集结大规模群体DEMATEL评分,且其结果的稳定性亦较为理想.     

基于作战环的空间信息时效网关键节点分析模型

体系作战中的空间信息网络具有复杂动态性特点,其本身带有不同于其他网络的时间和空间尺度,具有动态的节点关系和不可逆的时间关系等特征属性。为了刻画这些特征属性在空间信息网络构建、网络关键节点分析中的作用,引入时效网络,提出了空间信息时效网关键节点分析模型。首先,基于标准作战环提出了基于时效网络的作战环模型;其次,侧重网络边属性的时效性建立了空间信息时效网络模型;最后,以作战环为基础构建了网络拓扑结构的关键节点分析指标与模型,仿真实验结果验证了其有效性。     

基于节点复合特性的端-边协同网络生成算法

针对智慧交通系统数据处理量大、对传输时间要求严苛的难题，通过将协同系统定义为复杂网络模型，构建了设备端和边缘节点协作运行的端-边协同系统。提出了基于网络节点复合特性的协作网络生成算法，实现了多层复杂网络的构建。相比随机几何法，提出的由节点聚类系数和介数中心性两种特性参数相结合的协作网络生成算法能够更全面地描述节点特性，反映节点重要性，改善现有多层复杂网络模型对节点信息描述不全的问题。最后，使用4种复杂网络模型构建多层网络模型并验证该算法，以节点间最短路径值作为评价指标，证明提出的由节点复合特性生成协作网络的算法能够明显降低整个网络中节点间最短路径值，减少传输时间，提高传输效率。     

基于无标度网络的制造网格资源配置仿真研究

为了研究制造网格资源配置的效率变化问题,结合制造资源的分布性、多样性等特点,应用无标度网络理论建立了制造网格资源配置的网络模型。通过对复杂网络的统计指标值和属性函数数值的计算,选择出合适的资源配置方案,实现全局资源优化配置。运用该模型和资源配置评价指标,通过仿真实验数据分析,得出资源配置的效率随着制造网格结构演化的变化规律:节点数不变时,整体资源配置效率在平均值上下摆动;任务节点数增加时,整体资源配置效率缓慢下降,趋于一个定值。该研究结果可以作为制造企业优化资源配置、选择全局优化方案的理论参考。     

基于ANP的超级决策软件介绍及其应用

从应用的角度介绍ANP（网络层次分析法）应用软件－超级决策软件系统，并利用该软件对水利水电项目导流施工方案进行评价。用同一组数据分别对ANP和AHP模型进行计算，出现了倒序现象。因此是否考虑系统内部元素间的反馈和依存关系将直接影响备选方案的排序。作者尝试性地应用该软件，说明ANP方法作为一种决策方法是可以用于工程实际的。     

权重信息不完全的多粒度犹豫模糊语言群决策

针对属性权重信息不完全的多粒度犹豫模糊语言型多属性群决策问题,提出了一种基于指派模型的决策方法.本文的主要贡献在于:1)基于犹豫模糊语言术语集的得分函数,提出了从犹豫模糊语言术语集向量中确定备选方案序频次矩阵的算法;2)给出了专家关于备选方案的群体加权序频次矩阵的计算方法,将决策者给出的不完全属性权重信息作为约束条件,建立了混合0-1二次规划模型来确定备选方案的群体排序;3)通过将该方法应用于医疗废物处理技术选择问题,说明了所提决策方法的可行性和有效性.     

基于贝叶斯网络的不确定环境下多属性决策方法

融合贝叶斯网络推理技术来求解不确定多属性决策问题,根据问题的决策变量、环境变量和多个属性之间的依赖关系构造贝叶斯网络,通过推理求解在各个方案下每个属性取值的概率分布,从而把问题转化成风险决策问题.采用此方法求解不确定环境下多属性决策问题时,决策者只需考虑节点与其父节点之间的依赖关系,降低了思考的复杂程度,适用于大规模的复杂问题求解.算例表明基于贝叶斯网络的求解方法对不确定环境下的多属性决策问题是有效的.     

基于Bayes理论与Monte Carlo模拟的风险型多属性群决策方法

针对方案属性值为随机变量、属性权重未知的风险型多属性群决策问题,根据决策者有无先验信息、专家估计方差是否可知等情形,提出了两类集结决策者和专家主观概率的多元Bayes模型。这些模型先将群体对属性值的估计集结成单一分布,然后用Monte Carlo模拟的方法,通过计算每个方案的排名期望值,得到各方案的排序。给出了应用该方法的具体步骤,实例分析验证了方法的有效性和实用性。     

决策支持系统中的模糊神经网络研究

面对复杂系统中许多需要决策选择的对象和方案难以满足人们对决策精度的要求,论述了模糊神经网络的概念及特点,在此基础上提出了基于模糊神经网络的决策支持模型。介绍了决策支持模型运行计算的过程与方法,并通过农机选型配套的决策支持实例验证了该模型,说明该模型对复杂的决策问题具有简单方便、快速准确地作出反应的优点。     

基于复杂网络理论的配电网节点脆弱度评估

配电网中节点脆弱性的大小是其结构鲁棒性的重要体现,为实现对配电网节点脆弱度的评估,提出对配电网节点脆弱度大小排序的方法。首先,构建配电网的复杂网络加权模型;其次,针对节点脆弱度评估中的度值、介数、凝聚度和紧密度等几个指标,结合主观和客观两方面信息构建描述各指标重要性的权重;最后,提出综合逼近理想排序(Technique for Order Preference by Similarity to Ideal Solution,TOPSIS)和灰色关联度的方法,实现对配电网节点脆弱度大小的排序。对几种典型的中压配电网进行计算,验证了本文方法的可行性,对IEEE123系统分析,结果表明多指标综合评估较单一指标评估更符合配网的实际特点。     

Relative Degree Structural Hole Centrality,CRD−SH: A New Centrality Measure in Complex Networks

In order to assess influential nodes in complex networks, the authors propose a novel ranking method based on structural hole in combination with the degree ratio of a node and its neighbors. The proposed method is a response to the limitations of other proposed measures in this field. The structural hole gives a comprehensive attention of the information about the node topology in relation to its neighbors, whereas the degree ratio of nodes reflects its significance against the neighbors.Combination of the two aforementioned measures summarized in the structural hole leverage matrix demonstrates the importance of a node according to its position in the network structure. So a more accurate method for ranking influential nodes is established. The simulation results over different-scale networks(small networks with less than 30 nodes, medium networks with less than 150 nodes and large networks with more than 1000 nodes) suggest that the proposed method can rank important nodes more effectively and precisely in complex networks specifically in larger ones.     

复杂网络中节点重要度评估的节点收缩方法

首先定义了网络的凝聚度,在此基础上提出了一种评估复杂网络节点重要度的节点收缩方法,认为最重要的节点就是将该节点收缩后网络的凝聚度最大,其算法的时间复杂性为O(n3).该方法综合考虑了节点的连接度以及经过该节点最短路径的数目,克服了节点删除法的弊端.最后的实验分析表明该方法直观、有效且运算速度快,对于大型复杂网络可以获得理想的计算能力.     

改进的加权复杂网络节点重要度评估的收缩方法

分析了加权复杂网络的结构特点,综合考虑了边权对节点重要度评估的影响,给出了加权节点重要度的新定义,并提出了改进的适用于加权网络的节点收缩方法.该方法认为最重要的节点就是收缩后加权网络凝聚度最大的节点,其算法的时间复杂度为O(n³).该方法有助于更准确地发现复杂网络中的关键节点.最后的实验分析验证了方法的有效性和可行性.     

基于Kullback-Leibler距离的网络节点一致性排序

在复杂网络中,重要节点比其它节点能更大程度地影响网络的结构与功能.如何评价节点之间的相对重要性,找出重要节点,是一个重要的研究课题.已有的节点重要性评价和排序方法存在一定的局限性.为此,本文综合节点基本属性,依赖网络拓扑特性,提出基于Kullback-Leibler距离的节点一致性排序方法.最后,通过实例分析,验证了本文方法较已有方法在不同类型网络上的有效性和适用性更强.     

基于多任务学习图卷积模型的航空网络节点分类

准确识别航空网络关键节点, 做好针对性防护, 对于保证航空网络正常运行至关重要。传统的方法, 如基于复杂网络中心性指标的方法, 或基于机器学习的算法, 只单一考虑网络结构或节点特征来评价节点的重要性。然而评价节点的重要性应该同时考虑网络结构特征和节点特征。为解决上述问题, 本文提出了一种名为多任务图卷积网络(multi tasks graph convolution network, MTGCN)航空网络节点分类模型, 该模型在图卷积网络的基础上, 引入多任务学习及自适应加权策略, 将“节点—节点相关性”作为辅助任务加入模型的训练过程中, 并根据训练情况自适应分配各任务权重。3个不同规模的航空网络数据集中的仿真实验表明本文所提模型的性能优于现有的图卷积模型, 为图卷积在航空网络节点分类方向的应用提供了思路。     

A New Evaluation Method of Node Importance in Directed Weighted Complex Networks

Current researches on node importance evaluation mainly focus on undirected and unweighted networks, which fail to reflect the real world in a comprehensive and objective way. Based on directed weighted complex network models, the paper introduces the concept of in-weight intensity of nodes and thereby presents a new method to identify key nodes by using an importance evaluation matrix. The method not only considers the direction and weight of edges, but also takes into account the position importance of nodes and the importance contributions of adjacent nodes. Finally, the paper applies the algorithm to a microblog-forwarding network composed of 34 users, then compares the evaluation results with traditional methods. The experiment shows that the method proposed can effectively evaluate the node importance in directed weighted networks.     

能力与权力:大规模复杂网络重要节点识别的二重异质指标及算法

为快速识别大规模复杂网络中的重要节点,本研究将人类社会普遍存在的两类不平等映射为节点在网络中的能力与权力的二重异质性,设计了评价复杂网络节点重要度的DH指标,构造了用于DH指标快速分布式计算的并行随机距离渐进(parallel random distance approach,简称PRDA)算法.通过网络最大连通率、网络均衡熵、算法有效性和算法效率的评价实验验证DH指标及PRDA算法的有效性,得出结论如下:DH指标在识别重要节点时能适应不同拓扑特征的复杂网络,识别性能优于或同于时间复杂度更高的介数;PRDA估计算法在最短路径获得概率p=1-10~(-1.5)的水平上得到的节点效率估计值■与真实值η_i的Pearson相关系数在0.975以上,且在大规模网络上进行节点效率估计结果更可靠;在Apache Spark并行内存计算环境中应用时间复杂度为O(n~2/l)的PRDA算法求解DH指标耗时远小于介数求解耗时,这表明算法的时间特性也适于大规模网络.     

A New Peer-to-Peer Topology for Video Streaming Based on Complex Network Theory

A new wave of networks labeled Peer-to-Peer(P2P) networks attracts more researchers and rapidly becomes one of the most popular applications.In order to matching P2 P logical overlay network with physical topology,the position-based topology has been proposed.The proposed topology not only focuses on non-functional characteristics such as scalability,reliability,fault-tolerance,selforganization,decentralization and fairness,but also functional characteristics are addressed as well.The experimental results show that the hybrid complex topology achieves better characteristics than other complex networks’ models like small-world and scale-free models;since most of the real-life networks are both scale-free and small-world networks,it may perform well in mimicking the reality.Meanwhile,it reveals that the authors improve average distance,diameter and clustering coefficient versus Chord and CAN topologies.Finally,the authors show that the proposed topology is the most robust model,against failures and attacks for nodes and edges,versus small-world and scale-free networks.     

Statistical Identification of Important Nodes in Biological Systems

Biological systems can be modeled and described by biological networks. Biological networks are typical complex networks with widely real-world applications. Many problems arising in biological systems can be boiled down to the identification of important nodes. For example, biomedical researchers frequently need to identify important genes that potentially leaded to disease phenotypes in animal and explore crucial genes that were responsible for stress responsiveness in plants. To facilitate the identification of important nodes in biological systems, one needs to know network structures or behavioral data of nodes(such as gene expression data). If network topology was known, various centrality measures can be developed to solve the problem; while if only behavioral data of nodes were given, some sophisticated statistical methods can be employed. This paper reviewed some of the recent works on statistical identification of important nodes in biological systems from three aspects, that is,1) in general complex networks based on complex networks theory and epidemic dynamic models; 2)in biological networks based on network motifs; and 3) in plants based on RNA-seq data. The identification of important nodes in a complex system can be seen as a mapping from the system to the ranking score vector of nodes, such mapping is not necessarily with explicit form. The three aspects reflected three typical approaches on ranking nodes in biological systems and can be integrated into one general framework. This paper also proposed some challenges and future works on the related topics. The associated investigations have potential real-world applications in the control of biological systems, network medicine and new variety cultivation of crops.