一种基于邻居节点和边的复杂网络节点排序方法——NL中心性算法

提出了一种基于邻居节点和边的多属性排序方法——NL中心性算法,该算法不仅使用邻居节点和次邻居节点的个数进一步区分了节点的位置,而且还考虑了边对节点重要性的影响。实验结果表明,NL中心性算法在准确性及运行效率方面都优于其他中心性算法。     

基于精准k核的复杂网络节点重要性评估方法

由于k核存在破坏网络整体结构信息、忽略邻居节点影响力等缺点,导致每个节点难以量化区分.为了提高关键节点的识别精度,首先改进了k核的分解过程,提出了精准k核Ak.考虑到网络中局部特征信息和全局结构信息对节点的影响,将精准k核应用到重力中心性中,并提出了精准重力中心性AGC.信息学中的香农熵在网络关键节点识上具有良好的扩展性,通过结合邻域度中心性、邻域精准k核以及精准重力中心性三者的香农熵,最终提出了混合中心性MC对节点重要性进行多元评估.在7种真实网络下,对MC和其他节点评估指标分别从单调性和准确性上进行了一系列实验,实验结果表明MC具有更好的关键节点识别性能.     

基于介度熵的复杂网络节点重要度识别方法

现有复杂网络通常会受到随机攻击和蓄意攻击,导致复杂网络拓扑结构的可靠性性能下降.为了解决以上问题,基于图熵,结合节点的介数中心性和其所有邻居节点的度中心性,提出一种新的攻击策略,即介度熵( BE),用来识别网络中的重要节点并加以保护.实验分别通过静态攻击和动态攻击来评估攻击策略在3个标准网络模型和3个真实网络上的效率,通过比较,介度熵比传统的攻击策略具有更高的攻击效率.     

复杂网络节点中心性

将网络中心性方法按照理论特征划分为节点关联性、网络最短路和模拟流问题,并对现实网络的局域性、信息完备性和动态性进行了深入分析,在此基础上建立了中心性方法与实际网络之间的匹配关系.     

复杂网络上节点重要度的确定方法

采用综合考虑节点的局部特性和全局特性的方法来评价复杂网络的节点重要度,给出基于邻域的节点重要度算法及基于关键域的节点重要度算法.前一种算法有效地降低了计算的复杂度;后一种算法能更有效地刻画节点的重要度且适用于加权图.然后通过实例验证两种算法的有效性.     

带有非线性耦合节点和时滞的复杂网络的指数同步研究

在耦合矩阵不对称并且假设耦合指数已知的条件下,利用 Lyapunov Krasovskii稳定理论设计了一个非线性反馈控制器,使得复杂网络达到全局指数同步。通过数值仿真,证明了该同步定理的可行性和有效性。     

基于节点重要度动态评估的复杂网络级联失效分析

级联失效前的评估和检测是预防和控制级联失效现象的关键,对充分把握整个网络系统的稳定运行至关重要。为深入探究级联失效传播过程的内在机理,提出一种考虑网络动态特性的节点重要度评估模型;在此基础上,采用一种更符合真实复杂系统的非线性容量负载模型,利用该模型进行不同攻击策略下的级联失效仿真,以网络的最大连通子图比例为测度量化网络抵御级联失效的抗毁性,仿真结果表明,节点41所在的广安市与节点55所在的重庆市,无论是在静态节点重要度评估,还是动态节点重要度评估下,均是成渝铁路网络中最关键的节点;此外,不考虑级联失效情况下,在网络的静态拓扑结构中,节点的度中心性更能代表节点的关键程度;而在动态的网络拓扑结构中,节点的介数中心性更能代表节点的重要性,与度值攻击相比,采用重要度攻击策略能以更快的速度击溃网络;考虑级联失效情况下,与其他攻击策略比较,采用重要度攻击策略时,在级联失效的作用下,仅攻击2个节点,网络便会迅速崩溃,验证了节点重要度动态评估模型的有效性;同时探讨了网络在不同模型参数下抵御级联失效的抗毁性,实验结果表明,在一定范围内提高负载系数、容量系数可以有效提高网络抵制级联失效的抗毁性;受网络拓扑结构和攻击策略的影响,需设置较大的节点容量,来预防网络的级联失效。     

基于遗传算法的复杂网络节点匹配问题

为提高已知匹配节点较少情况下的网络节点匹配精度,提出一种基于遗传算法的复杂网络节点匹配方法。该方法根据网络结构以及已知的部分节点匹配信息,计算节点相似度矩阵,再由遗传算法求得网络间相似度之和最大的节点匹配方案。将其应用于EA随机网络、WS小世界网络和BA无标度网络,结果表明,三种复杂网络的匹配精度均有提高。该结果验证了文中方法的有效性。     

基于GCN的复杂网络关键节点识别研究

准确识别出网络中的关键节点是复杂网络研究的重要内容之一.现存的关键节点识别方法多数是基于网络结构提出的中心性度量方法,识别准确率低且适用范围具有局限性.因此本文提出了基于图卷积网络的关键节点识别方法,不仅考虑了节点属性,还考虑了网络结构和邻居节点结构.首先,根据网络图例数据提取多维度特征并构建特征向量;其次,将节点特征向量输入到GCN层学习;最后,通过回归损失函数计算出最小损失,识别出关键节点.本文选取传播动力学中的SIR模拟实验和牵制控制实验作为评价方式,在不同类型的真实网络上进行验证.结果表明本文提出的方法在适用范围和准确率方面较其他方法更具优势.     

基于电阻网络的节点重要性判别

节点中心性是复杂网络研究的关键问题之一.我们从电阻网络出发,基于基尔霍夫电流定律,定义了一种新的中心性指标KL(G),该指标由通过节点的电流和基于度的电流方差构成.这个指标在网络流的基础上考虑了网络的全局信息和节点所处位置的局部信息.我们将指标应用于实际网络中,发现其可以识别出对于社团结构来说重要的节点,结合辅助指标w还可以区分社团重叠节点和桥节点.     

中心方法在复杂网络中的比较

在复杂网络分析中,中心性分析已经显示出是一种很有价值的方法。它用来检测网络中的关键点以及对网络元素进行排序。为了支撑这种分析,文中讨论了5种中心性方法,并且在一个人工网络和2个实际网络中展示了它们的应用。这些方法的运用显示了在某种网络中有某种较强的关联,但在另一种网络中有较弱的关联。分析表明:对于复杂网络分析,几种方法应当同时考虑。     

复杂网络中的非线性系数和边权的影响

在加权的无标度复杂网络中使用SIR模型,使用边权的函数f(ω)来表示节点间的连接强度,以模拟现实中人们对于关系更亲密的人的信任度更高的情况.现实生活中,谣言的传播者并不总是将谣言告知所有认识的人,故引入Anurag Singh(2013)模型中的非线性传播指数μ,以研究谣言在较为实际的加权复杂网络中的传播行为.本文讨论了f(ω)和μ对于传播过程的一些影响,发现在相关加权网络中,边权〈ω_(kk')在其函数f(ω)的作用下和μ对于人群中听过谣言的人的比例r(t)的稳态值即f(∞)共同产生影响,并且也会影响谣言的爆发时间.在研究中,引入f(ω)和μ并未使修正后的传播模型有一个正的传播阈值九.     

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。     

基于邻介熵和邻度熵的复杂网络中心性算法

识别复杂网络的重要节点是复杂网络研究的关键点,也是网络稳定性判定的重要理论基础.常用的识别节点影响力的中心性指标有介数中心性、度中心性、特征向量中心性和K-core中心性等,这些指标在识别重要节点时存在一定的局限性.为了解决以上问题,将节点vi的邻居节点集划分成关联邻居节点集(MR)和非关联邻居节点集(MUR),结合图...     

复杂网络独立集的免疫策略分析

根据独立集的概念,提出了新的复杂网络的免疫策略,免疫一个独立集中度数最大顶点的免疫方法,称为独立集的目标免疫。当独立集中免疫节点度数和等于全网络的目标免疫节点度数和时,独立集的目标免疫策略比全网络的目标免疫更加有效,并从网络结构的角度阐明这一结果出现的原因。随后比较了独立集中的随机免疫策略与全网络的随机免疫策略,实验结果表明对独立集的随机免疫并没有去掉更多的高度数节点。对于经典的SI传播模型,所有节点都只有两种状态：易染状态和感染状态。在复杂网络免疫策略的研究中,SI传播模型与SIR、SIS传播模型相比较,使用SI传播模型对于免疫策略的研究将更加有利。