基于结构和适应度的社区发现

复杂社会网络无处不在,对复杂社会网络进行社区发现越来越被人们重视.基于局部结构的社区发现可以在不用了解全局的情况下对某些节点进行划分;社会网络的社区适应度特性可以找出不同适应度下的社区结构.基于局部结构以及社区适应度的网络属性,提出一种新的社区发现算法.通过实验比较,算法能较好、较快的发现社区结构,在人工网络以及真实社会网络均取得较之已有方法更好的效果.     

基于多目标自适应Memetic算法的复杂网络社区检测

针对提高复杂网络社区检测精准度的问题,提出一种基于自适应Memetic算法的多目标复杂网络社区检测算法.在基于Random-walker初始化策略的基础上,将Logistic函数与适应度函数相结合,引入动态自适应策略调整交叉和变异概率,挖掘网络拓扑结构的同时提高社区检测精度.将多目标优化转化为同时最小优化连接度(MRA)和分割度(RC)2个函数,在局部搜索中,利用加权和的方法将2个目标函数构成1个局部优化目标,并采用爬山算法寻找个体最优.在人工和真实数据集上对算法进行验证,结果表明:该算法能有效提高社区检测精准度,具有较好的寻优效果.     

基于关键节点子团的乳腺癌候选疾病模块挖掘算法

为解决乳腺癌疾病模块挖掘方法中基因表达谱样本数量少、数据不完整、存在噪声和偏差的问题,提出了一种基于关键节点子团和局部适应度的候选疾病模块挖掘算法——KNGLF算法.该算法首先将候选基因与致病基因间的重叠相似性得分和功能相似性得分进行融合,通过比较融合得分与阈值,筛选出关键节点,并构建关键节点子团;然后,基于局部适应度及不同节点对应的不同判定标准,扩展挖掘候选疾病模块;最后,根据富集分析结果确定候选疾病基因模块.实验结果表明,与现有其他乳腺癌模块挖掘算法相比,KNGLF中关键节点选择算法所得平均排名较小,曲线下面积较大.KNGLF算法挖掘出15个具有较显著生物意义的乳腺癌候选疾病模块.此外,KNGLF算法还可扩展至其他疾病候选模块.     

基于遗传算法的动态文本聚类

为了解决动态文本聚类中聚类中心陷于局部极值点的问题,该文提出了基于遗传算法的动态文本聚类方法.采用二进制编码方式对聚类中心进行编码、类内中的点与其类中心的欧氏距离作为适应度函数.通过遗传算子的操作对类中心进行逐步迭代,直至适应度函数收敛,得到使聚类划分效果最好的聚类中心.实验表明该方法可以克服局部极值点的问题,且聚类结果的评价指标Purity(纯度)也比较好.     

具有适应度的无标度网络

提出了一个具有适应度的无标度网络模型。每个时间间隔,网络以概率p增加一个新点,并以适应度择优选择m个旧点与新点连接,产生m条新边;以概率1-p按度数择优的规则在旧点之间生成m条新边。对于一些特定的节点适应度的概率密度函数ρ（x）和率函数f（x,y）,该网络的度分布具有幂律尾部,且幂律指数2〈γ〈＋∞。     

一种基于核心节点跳转的局部社区发现算法

针对现有算法受给定节点位置的限制而影响社区发现的稳定性和准确性问题,提出一种基于核心节点跳转的局部社区发现算法,避免从给定节点直接聚类,而是先搜寻给定节点附近的核心节点,并围绕核心节点向外扩张,根据节点适应度聚类邻接节点以构建核心节点子团;并根据子团相似度进行合并,从而得到给定节点所属的局部社区结构.在计算机生成网络和真实网络上的实验和分析证明,该算法能够有效地提升局部社区发现稳定性,并改善局部社区划分的准确性.     

基于边信任度的混合参数自适应重叠社区发现算法

网络中的社区结构有助于简化网络拓扑结构分析,揭示系统内部的规律,能够为信息推荐和信息传播控制提供有力的支撑.网络重叠社区结构与真实生活更加接近,但其分析较非重叠社区结构更加困难.因此,针对重叠社区发现问题,在对网络的边进行峰值聚类的基础上提出了一种基于边信任度的混合参数的自适应重叠社区发现算法.定义了网络边的邻居边集合及与其邻居边之间的信任度函数,通过信息传递获取边的总信息量,并且基于此引入混合参数的概念.基于k-means算法使用混合参数对网络中的边进行聚类,即将网络中的边划分为核心边集与非核心边集,每个核心边作为一个聚类中心.根据非核心边到核心边的距离将所有非核心边划分至距离其最近的聚类中心所在社区.再根据网络中边与节点的关系实现重叠节点发现,最终实现重叠社区的发现.该算法的优点是每条边通过独立地完成信息扩散找到社区的结构,相比于传统的峰值聚类算法,不需要人为设置相关参数,实现重叠社区的自适应发现.为验证算法的可行性,对算法复杂度进行了分析,并且使用两种社区划分评价指标——标准化互信息和模块度,分别在人工数据集及6种真实数据集上进行实验,通过与其他算法进行对比分析,实验结果表明该算法更具可行性和有效性.     

基于模糊度量视觉特征的非局部均值去噪

针对非局部均值(non local mean,NLM)相似性度量不够准确的问题,提出一种基于模糊度量的视觉特征相似度的改进非局部均值图像去噪算法.利用模糊度量理论构建视觉特征度量相似性函数作为衡量图像像素点相似性;将平滑核函数代替高斯加权核函数,提高运算速度和避免滤波参数的设置;利用构建视觉特征相似性度量生成的平滑核函数,对图像进行去噪.由于改进方法考虑图像视觉结构特征,更加完善了非局部均值结构相似的特点.在高斯噪声和椒盐噪声下,用峰值信噪比(peak signal to noise ratio,PSNR)和结构相似性(structural similarity index,SSIM)评价指标分别对比分析提出方法与几种优秀的改进NLM方法的降噪性能.实验结果表明,改进的新方法在去噪性能方面得到较高的提升,同时降低了相似度计算的复杂度和减少了参数设置问题.     

基于局部结构特征的重叠社区挖掘研究进展

社区挖掘是复杂网络研究的核心内容之一.基于局部结构建模的重叠社区发现方法由于可利用局部先验知识,具有适应网络动态环境,建模速度快,可多角度呈现局部结构特征等优点,当前已成为大规模网络发现研究的前沿热点.从理论发展沿革与现实应用的视角,介绍重叠社区发现研究近来的相关研究进展.通过分析重叠社区发现研究存在的关键问题,给出基于局部结构特征的重叠社区挖掘研究框架,并对几类典型的重叠社区发现方法展开分析比较.然后进一步阐述和探讨如何面对现实超大规模网络、多态异构网络、不确定性数据、动态演化结构等方面面临的巨大挑战.最后总结并展望了基于局部结构的重叠社区发现研究的未来方向和前景.     

一个具有对偶适应度函数的遗传算法

提出一个具有对偶适应度函数的遗传算法.该法提供了一个阈值,利用对偶适应度函数值辨别全局最优盆和局部最优盆.根据辨识结果,自适应地设置变异概率.对几种典型函数的测试结果表明,该法的全局收敛性能及收敛速度优于标准遗传算法.     

一种基于图压缩的重叠社区发现算法

为提高单机处理复杂网络规模的能力,提出一种新的重叠社区发现算法.首先,通过基于图压缩的社区结构表示模型(压缩社区图),对网络进行无损压缩;然后,在压缩社区图上基于种子迭代的思想,通过不断优化社区适应度函数将种子扩展成社区;最后,将相似度高的社区进行合并,得到最终的重叠社区结果.由于压缩后的凝聚图大大降低了待处理的网络规模,并能在一定程度上减少重复计算,该方法可以大大提高计算效率和单机处理的网络规模.     

基于拓扑势的局部化重叠社区识别

针对传统社区识别算法中需要根据先验知识设定参数、 社区划分结果具有随机性及复杂度过高的问题, 提出一种基于拓扑势的局部化重叠社区识别算法. 该算法通过引入拓扑势计算节点的影响力, 利用节点间的局部相似性度量指标, 采用标签传播策略进行重叠结构的社区识别. 在真实网络及人工合成网络上与多种经典算法进行对比实验验证了算法的高效性.     

基于社区极大类发现的大数据并行聚类算法

为了能在大数据中准确快速地寻找到网络结构,该文提出一种基于社区极大类的大数据聚类算法。对于初始节点不确定和适应度函数计算所带来的时间消耗,引入局部关键节点和对适应度公式进行改进来减少时间消耗。对于初始社区的形成,引入了极大团的概念并通过分析极大团的特性,得出社区的核心类别是由极大团构成,同时提出通过极大团的发现来得到局部核心类别的方法并提出了极大团发现算法的并行策略,然后提出整个算法的并行策略并在真实数据集上实验。实验结果证明该文提出的算法是可行和有效的,适用于大规模数据的网络结构发现。     

一种基于粒子群优化算法对基于点表示的模型进行特征检测的新方法

基于粒子群算法, 提出一种针对基于点表示模型的新特征检测方法, 解决了大规模数据模型特征的快速显示问题. 该方法对粒子群优化算法进行优化, 将其应用于物体空间的特征检测上, 实现了多目标搜索. 通过对粒子群算法中的粒子、适应度函数、 初始结束条件、 局部最优解、 全局最优解和迭代公式的重新定义, 将局部搜索与全局搜索相结合, 可快速搜索到多个目标. 该算法通过构造可估计局部曲面变化的适 应度函数检测特征点, 并对特征点做标记, 以快速显示出模型的特征. 实验结果表明, 所提出的特征检测算法适用于对基于点表示的模型的快速特征检测, 尤其适用于大规模数据模型     

基于遗传编程的分等级规则挖掘模型

根据分等级规则挖掘的具体要求,结合遗传编程的特点建立了一种新型的规则挖掘模型。对规则的编码方式和遗传算子进行了详细的设计,构造了满足遗传编程挖掘的树型染色体规则结构,并综合考虑支持度、可信度和相关度3个指标和等级系数等约束因素来设计适应度函数。最后通过实例对基于遗传编程的分等级规则挖掘模型的可靠性进行了验证。     

一种基于介数和时效性的动态社区发现算法

为了发现动态变化的社区结构,在分析了动态社区划分算法的研究现状基础上,提出一种基于时效性和介数的动态社区发现算法,对历史信息的时效性进行了计算,建立了综合有权网络,基于局部边介数进行社区划分,发现了稳定社区结构。实验表明了算法的有效性。     

启发式动态社区挖掘算法研究与实现

针对社会网络的动态特征,应用多模态函数优化和粒子群优化算法的基本思想,引入社区种子和社区主题的概念,分层进行社区的挖掘.首先对复杂网络中存在的固定联系进行社区挖掘,构建基本社区结构;然后分析社区内容,根据社区内节点之间的隐性行为特征定义社区主题,精分细化社区结构直到结构稳定.实验证明,该算法极大地提高了社区挖掘的精度,降低了运算复杂度.并且该算法能够有效地保持社会网络中社区的多样性,加速社区内节点收敛,快速寻找到稳定的社区结构.     

改进的优化算法用于移动机器人路径规划

针对当前机器人路径规划算法存在局部最优问题,提出了一种改进的移动机器人路径规划算法。该算法采用改进的人工势场算法产生初始化种群,改进的遗传算法引入了新的适应性函数和"翻转变异"算子、进行全局路径优化。适应性函数包括路径点的适应度和路径的适应度,提高了适应性函数的评价性能。"翻转变异"使障碍物路径变为自由路径,使移动机器人顺利绕过障碍物。克服了传统遗传算法的早熟收敛问题,提高了遗传算法的效率。实验结果表明该算法在移动机器人路径规划中的可行性和有效性。     

基于边聚类系数的谱聚类社区划分方法研究

针对图谱划分方法在划分社区结构不是很明显的网络时,不能得到好的划分效果,该文提出了基于边聚类系数的谱聚类社区划分方法.由于社区内部节点之间的连接比各个社区间节点的连接稠密,边聚类系数的大小反映了节点的聚集程度,因而通过网络中的边所构三角形的数量定义了聚类系数矩阵,矩阵中的元素即处于网络中的边实际构成三角形的数量.在增益函数最大化的过程中,使用了矩阵的特征值和特征向量,以此来进行社区划分.通过在真实网络数据中进行实验,结果表明该算法可行.     

基于增强拓扑神经演化强化学习的水面无人艇局部路径规划

针对水面无人艇(unmanned surface vessel, USV)在复杂环境下的局部路径规划问题,对USV路径规划问题进行了数学建模,提出了基于增强拓扑神经演化(neuroevolution of augmenting topologies, NEAT)算法的局部路径规划方法;设计了神经网络初始结构和演化参数,对初始神经网络结构进行演化实现避障及到达指定目标的路径规划任务;通过设计适应度函数,实现路径点数目的优化。仿真结果表明:利用NEAT算法演化神经网络的方法能够使USV在复杂的环境中准确避开障碍物并到达目标点,且在路径点数目和鲁棒性方面优于传统的模糊逻辑算法与人工势场算法。