基于节点重要性的复合免疫策略研究

为有效抑制病毒在网络中扩散,提出一种基于节点度、介数和聚类系数的复合免疫策略,该算法综合计算三类特征量得出节点重要性并免疫重要性高的节点,在人工生成网络和真实农产品供应链网络上分别进行仿真实验,结果表明:实施该复合免疫后网络中感染节点密度值低于同等免疫比例下的度免疫、节点介数免疫和聚类系数免疫策略,具有更高的免疫效率。此外,该复合免疫算法中节点度占比大小会影响免疫效果,存在一个最优的度权值使免疫效果最优。     

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.     

一种基于社团和分层思想的无标度演化模型

针对复杂网络节点度分布服从幂律分布问题, 给出一种基于社团和分层思想的无标度演化模型. 该模型利用转轮思想和限制节点度改进了无标度模型的优先连接策略; 加入分层结构优化了无标度网络的搜索; 将局域世界模型中的局域世界思想引入到模型中, 并利用社团结构改进了局域世界模型中局域世界的不确定性问题.  理论分析证明了模型的度分布服从幂律分布, 且幂律指数可调.  模拟实验结果表明, 模型有较小的平均路径长度和较大的聚类系数,  且两层网络搜索效率优于单层网络搜索.     

具有高聚类系数的加权网络演化模型

基于网络节点间三元组的形成,并结合随机游动提出一个加权网络演化模型.分析了网络的强度分布、权重分布、度分布以及聚类系数,结果表明模型生成的网络具有无标度特性,同时具有很高的聚类系数.     

一种基于复杂网络属性值的K-means聚类算法

传统-means聚类算法的性能依赖于初始聚类中心的选择.本文将复杂网络节点的属性值作为节点的度、聚集度与聚集系数的加权值,通过计算所有节点的加权综合聚集特征值,选取综合聚集特征值高,并且彼此之间无高聚集性特征的K个节点作为聚类的初始聚类中心,然后进行聚类迭代过程.实验结果表明,新算法对初始聚类中心的选取更迅速有效,避免了传统K-means算法初始聚类节点选取的敏感性,进而提高K-means算法的聚类质量.     

带有节点异质性和免疫策略流行度的研究方法

网络免疫技术是抑制病毒传播的主要方法之一。本文针对当前网络病毒免疫策略未考虑的网络节点异质性,以及现实网络中免疫策略流行度问题。提出一种带有免疫策略流行度的策略研究方法,并将网络节点异质性考虑在内。通过建立无标度网络的病毒传播模型,研究网络节点异质性和免疫策略流行度,在控制网络病毒传播所起到作用。     

基于网络性能变化梯度的通信网络节点重要程度评价方法

针对已有的通信网络节点重要程度评价方法基于网络中可替换路由数目,不能评估网络被分割时网络中节点的重要性的不足,提出了一种利用网络性能变化梯度的通信网络节点重要性评价方法.该方法通过计算网络中的节点被移除时网络直径和网络连通度变化梯度来评估网络中节点的重要性.利用该算法对美国ARPA网络的节点重要程度进行了分析,并与基于可替换路由数目的算法进行了比较.实验结果表明,该文提出的节点重要程度评价指标准确地反映了节点对网络性能影响的大小,并且适用于网络被分割或网络没有被分割2种情况.     

无线Mesh网络节点聚类属性分析

通过分析无线Mesh网络节点空间属性,提出了一种改进的k-medoids网络节点聚类算法.该算法基于聚类思想,将无线Mesh网络中的网关部署问题转化为空间节点数据聚类问题.构建了网络拓扑图的邻接矩阵,并利用邻接矩阵选择具有最多一跳连接节点数的对象作为初始簇中心.然后以网络跳数代替传统聚类算法中的距离参数,将最小化跳数之和作为优化目标,通过迭代方法获得稳定的聚类和分组结果.实验结果表明,离散的网络节点在空间上具有聚类特性,利用该方法可以获得更小的平均跳数和最大跳数,因此可以较好地实现网络节点分组和网关发现.     

复杂网络中节点重要度的一个评估指标

为了简单而有效地评估网络拓扑结构中各节点重要性,本文基于节点的连接度和局部连通性,定义了一个节点重要度函数.该重要度函数指标实质上与网络中的平均最短距离指标是一致的,通过该重要度函数指标值的大小可以得到网络中各节点的重要度排序.理论分析与实例表明,对于小型网络,该方法的计算比较简单,且直观、有效、合理.     

聚类系数可调的类星形无标度网络模型

在网络平台空前发展的背景下,提出了一个由简单规则构造的聚类系数可调的类星形无标度网络模型.在模型的演化过程中,每个新加入的节点都通过两步连边的方式连接到网络中,其中一部分连边始终连到几个固定节点上,其余边按度优先机制随机连到其他非固定节点上.理论分析和数值仿真的结果一致表明,该模型同时具有无标度,小世界和类星形的特性.有趣的是,不仅度分布的幂指数依赖于固定节点个数δ和连边数m,而且聚类系数也受δ和m的调控,不同的是δ对聚类系数的影响很大,m对其影响较小,这样使得聚类系数具有很大的调节空间.进一步研究发现,该网络的同步能力也随固定节点个数的增加而增强.     

大规模软件网络类节点中介度分析

将大规模软件结构看做一个有向网络图,类看做是网络中的一个节点,类间关系看做是一条连接节点的边,并给出了水电仿真软件的软件网络图.给出了网络节点中介度定义和实例计算.提出了求解节点中介度的BTS算法,给出了10种软件的计算时间.以大型水电仿真系统为例,说明了节点中介度的大小可以反映该节点在网络中的重要程度,并能为软件开发提供指导意义.发现节点的中介度同出度和入度乘积之间具有递增相关性,并以最小二乘法拟合软件中此相关性而得出其直线斜率.     

基于节点连接模式的缺失节点识别方法

提出了一种基于节点连接模式的缺失节点识别方法.首先通过一组占位符节点及其与已知节点之间的连接,对网络中缺失节点的信息进行了表示;接着结合不同的链路预测指标,为占位符定义了一个节点连接模式向量用于表示占位符与其他节点之间的连接关系;最后基于节点连接模式向量的相关性,对占位符进行聚类,从而完成缺失节点的识别.实验结果表明:提出的方法在Purity和NMI两个评价标准上的性能优于竞争算法.     

基于聚类系数和节点中心性的链路预测算法

目前复杂网络领域受到越来越多人的广泛关注.其中链路预测是复杂网络研究中的一个热门的分支,被作为预测缺失链路和识别虚假链路的有效手段.传统基于相似性的复杂网络链路预测主要考虑每个节点的某个相似性指标,而该文提出一种基于聚类系数和节点中心性(CCNC)的链路预测算法,将度、聚类系数和节点中心性3个相似度指标结合,引入到复杂...     

基于相邻节点聚类的社团划分算法

社团结构是复杂网络中的拓扑属性之一,具有同一社团内的节点连接紧密而不同社团的节点连接疏松的性质.作者基于复杂网络中的社团结构的性质并根据网络中相邻节点的距离关系,提出了一种社团划分算法--基于相邻节点聚类的社团划分算法.笔者对算法的基本概念以及实现进行了详细的描述,通过应用在实例上所得结果说明算法的可行性.     

随机派系生长网络模型及其传输能力研究?

本文提出一种基于随机选择的派系生长网络模型,该网络从一个a-派系模体开始,每个时间步t,在网络中随机选择m个节点构建一个新的a-派系,由此网络生长演化.模拟研究表明:该网络具有高的聚类系数和短的平均路径长度是一个小世界网络,并且比值ρ=m/a越小,聚类系数越大.而度分布则呈指数分布,这些特征与许多交通系统的复杂网络的实证研究结果相符.该网络的聚类系数与节点度呈幂律变化,显示网络具有模块化层次结构的特征,这一特征与近年来人们研究的大多数复杂网络具有模块化层次结构特征的实证研究结果相符.我们还研究了该网络的传输能力,研究表明该网络的传输能力随着比值ρ=m/a的减小而增大.这些研究结果对城市公共交通网络的构建具有一定的指导意义.     

一种基于改进相似度计算的文本聚类方法

针对文本在聚类或分类时,由于数据高维稀疏导致相似度值低的问题,提出一种基于改进文本相似度计算的聚类方法.首先,利用向量空间模型VSM表示文本,采用余弦函数计算文本之间的相似度;然后,基于网络中节点的相似性传播原理,通过设置阈值找到与各个文本相似度较大的文本集合,进而使用Jaccard系数将两个文本之间相似度计算转化为两个文本集合之间的相似度计算;最后根据得到的文本相似度矩阵,利用谱聚类算法对文本进行聚类.在WebKB上的实验结果表明,与传统的K-means、谱聚类方法相比,该方法提高了聚类的准确度,召回率与F值.     

一种基于极大完全图扩展的社区挖掘算法

社区挖掘是复杂网络分析中一项重要工作.目前已有许多好的社区挖掘算法,但这些算法大多基于节点间的连接关系发现内聚的社会团体,而实际网络中节点大多具有不同的行为和影响力.基于此,充分考虑社区内节点相互连接紧密以及节点具有不同影响力的特性,提出一种基于极大完全图扩展的社区挖掘两阶段算法.第一阶段:从内聚的子团和度中心性节点的影响力出发,从网络中选取分散的k个内聚的且有影响力的极大完全图作为初始社区;第二阶段,基于局部社区模块度扩展方法,将重叠节点和初始社区外节点扩展到与其连接紧密的相应社区内.最后通过仿真实验验证了该算法的有效性.     

随机派系网络模型统计性质研究

提出派系作为构建复杂网络的基本模体,在随机选择规则下,采用自然增长方式构建随机派系网络的方法,并比较分析在此方式下网络的度分布、平均路径长度和聚类系数.研究发现随机派系网络的度分布服从多重泊松分布,且派系大小n越大,分层越多;随机派系网络相比于ER随机网络具有更高的聚类系数,且派系大小n越大,聚类系数越大;随机派系网络相比于ER随机网络具有更短的平均路径长度,且派系大小n越大,平均路径长度越短.随机派系网络模型是一个具有高的聚类系数和短的平均路径长度的网络模型,可以较好地描述现实中的复杂网络的高聚类小世界的性质,它为小世界网络模型的构建提供一种新的思路.     

基于局部信息的加权无标度网络改进路由策略

针对现有路由策略的不足,提出一种新的基于网络局部信息的路由策略.利用网络节点在网络中的局部邻居节点的静态信息,引入网络节点队列的动态信息来进行路由选择,节点在对数据包进行路由选择时能正确根据网络静态信息和实时动态信息进行路由.仿真实验证明提出路由策略的有效性,即当控制参数α=-1.0时,网络中的负载均匀分布在各个节点上,而不会拥挤在度大的节点,从而有效抑制了网络拥塞.     

加权短信网络上的谣言传播行为研究

基于实际短信网络的统计特征,提出了一种短信网络的加权演化模型,并在此模型上研究了谣言传播行为.考虑到边权是认可概率的关键影响因子,故改进了现有的谣言传播模型;通过改变边权弥散程度和网络结构参数,重点研究和分析了边权分布及聚类系数对谣言短信传播行为的影响.仿真实验表明:边权弥散程度越高,对谣言传播的抑制效果越好;聚类系数越高,谣言反而容易扩散蔓延.